Моделирование волатильности и режимы рынка
Прогнозируем волатильность семейством GARCH: асимметрия и эффект левериджа, динамические корреляции, vol targeting - затем распознаем режимы рынка через HMM и торгуем адаптивно.
GARCH(1,1): прогнозирование волатильности крипторынка
Как модель GARCH(1,1) улавливает кластеризацию волатильности в крипте, как оценить ее методом максимального правдоподобия с помощью библиотеки arch, и как превратить прогноз условной дисперсии в размер позиции и динамические стопы.
Асимметричные GARCH с тяжелыми хвостами: EGARCH, GJR и Student-t
Обычный GARCH(1,1) реагирует на хорошие и плохие новости одинаково и предполагает гауссовские шоки. EGARCH, GJR-GARCH и распределения Student-t/skew-t устраняют обе проблемы - и дают честные VaR и Expected Shortfall для криптовалют.
DCC-GARCH: динамические корреляции для парного трейдинга и риска портфеля
Крипто-корреляции не постоянны - они устремляются к 1 при любой просадке. DCC-GARCH моделирует изменяющуюся во времени матрицу корреляций, давая динамические хедж-коэффициенты для парного трейдинга и честную оценку риска портфеля.
Таргетирование волатильности и торговля на основе GARCH-прогнозов
Прогноз волатильности GARCH чего-то стоит только если он улучшает торговое решение. Мы строим криптостратегию с таргетированием волатильности, честно оцениваем качество прогноза и сравниваем GARCH с базовыми моделями realized-vol и EWMA в walk-forward бэктесте.
Скрытые марковские модели в трейдинге: как адаптировать стратегию к режиму рынка
Как определить текущий режим рынка (бычий, медвежий, боковик) с помощью скрытых марковских моделей и автоматически переключать торговые стратегии. С кодом на Python и бэктестами.
