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): การพยากรณ์ความผันผวนของคริปโต
โมเดล GARCH(1,1) จับกลุ่มก้อนของความผันผวน (volatility clustering) ในคริปโตได้อย่างไร วิธีประมาณค่าด้วย maximum likelihood ผ่านไลบรารี arch และวิธีแปลงการพยากรณ์ conditional variance ให้กลายเป็นการกำหนดขนาดโพซิชันและ stop ที่ปรับตัวแบบไดนามิก
GARCH แบบไม่สมมาตรและหางหนา: EGARCH, GJR และ Student-t
GARCH(1,1) แบบธรรมดามองข่าวดีและข่าวร้ายเหมือนกันหมด และสมมติว่าช็อกเป็นแบบเกาส์เซียน EGARCH, GJR-GARCH และ Student-t/skew-t แก้ทั้งสองจุดนี้ - พร้อมให้ VaR และ Expected Shortfall ที่ตรงความจริงสำหรับคริปโต
DCC-GARCH: สหสัมพันธ์แบบพลวัตสำหรับการเทรดคู่และความเสี่ยงพอร์ต
สหสัมพันธ์ของคริปโตไม่คงที่ - มันพุ่งเข้าใกล้ 1 ทุกครั้งที่ตลาดร่วง DCC-GARCH สร้างแบบจำลองเมทริกซ์สหสัมพันธ์ที่แปรผันตามเวลา ให้อัตราส่วนป้องกันความเสี่ยงแบบพลวัตสำหรับการเทรดคู่ และความเสี่ยงพอร์ตที่แปรผันตามเวลาอย่างตรงไปตรงมา
การกำหนดเป้าหมายความผันผวนและการเทรดด้วยการพยากรณ์ GARCH
การพยากรณ์ความผันผวนด้วย GARCH จะมีค่าก็ต่อเมื่อมันช่วยปรับปรุงการตัดสินใจเทรดเท่านั้น เราสร้างกลยุทธ์คริปโตแบบกำหนดเป้าหมายความผันผวน ประเมินคุณภาพการพยากรณ์อย่างซื่อตรง และเปรียบเทียบ GARCH กับเกณฑ์มาตรฐานอย่าง realized-vol และ EWMA ในการทดสอบย้อนหลังแบบ walk-forward
Hidden Markov Models ในการเทรด: วิธีปรับกลยุทธ์ให้เข้ากับระบอบตลาด
วิธีระบุระบอบตลาดปัจจุบัน (กระทิง หมี sideway) ด้วย Hidden Markov Models และสลับกลยุทธ์การเทรดโดยอัตโนมัติ พร้อมโค้ด Python และ backtest
