Volatility Modeling & Regimes
Forecast volatility with the GARCH family - asymmetry and leverage effects, dynamic correlations, vol targeting - then detect market regimes with HMMs and trade adaptively.
GARCH(1,1) : prévoir la volatilité crypto
Comment le modèle GARCH(1,1) capture le regroupement de volatilité (clustering) dans les cryptos, comment l'estimer par maximum de vraisemblance avec la bibliothèque arch, et comment transformer des prévisions de variance conditionnelle en dimensionnement de position et en stops dynamiques.
GARCH asymétrique et à queues épaisses : EGARCH, GJR et Student-t
Le GARCH(1,1) classique traite les bonnes et les mauvaises nouvelles de la même façon et suppose des chocs gaussiens. EGARCH, GJR-GARCH et les innovations Student-t/skew-t corrigent les deux - et donnent une VaR et une Expected Shortfall honnêtes pour les cryptos.
DCC-GARCH : corrélations dynamiques pour les paires et le risque de portefeuille
Les corrélations crypto ne sont pas constantes - elles bondissent vers 1 à chaque drawdown. DCC-GARCH modélise une matrice de corrélation variable dans le temps, offrant des ratios de couverture dynamiques pour le pairs trading et un risque de portefeuille honnête, variable dans le temps.
Ciblage de volatilité et trading avec les prévisions GARCH
Une prévision de volatilité GARCH ne vaut quelque chose que si elle améliore une décision de trading. Nous construisons une stratégie crypto à volatilité ciblée, évaluons honnêtement la qualité des prévisions et comparons GARCH aux références de volatilité réalisée et EWMA dans un backtest walk-forward.
