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.
01 
02 
03 
04 
05 
GARCH(1,1)：預測加密貨幣波動率
GARCH(1,1)模型如何捕捉加密貨幣中的波動率聚集現象，如何使用arch庫通過最大似然法擬合該模型，以及如何將條件方差預測轉化為倉位規模和動態止損。
非對稱與厚尾GARCH：EGARCH、GJR與Student-t
普通GARCH(1,1)對好訊息和壞訊息一視同仁，並假設衝擊服從高斯分佈。EGARCH、GJR-GARCH以及Student-t/偏態-t新息修正了這兩個缺陷，為加密資產提供更真實的VaR和預期損失估計。
DCC-GARCH：配對交易與組合風險的動態相關性
加密貨幣的相關性並非恆定 - - 每次下跌都會飆升至接近1。DCC-GARCH對時變相關性矩陣建模，為配對交易提供動態對沖比率，並給出誠實的時變組合風險。
波動率目標化與基於GARCH預測的交易
GARCH波動率預測只有在能改善交易決策時才有價值。我們構建了一個波動率目標化的加密貨幣策略，誠實地評估預測質量，並在walk-forward回測中將GARCH與已實現波動率和EWMA基準進行比較。
隱馬爾可夫模型在交易中的應用：如何根據市場狀態調整策略
如何利用隱馬爾可夫模型識別當前市場狀態（牛市、熊市、橫盤），並自動切換交易策略。附 Python 程式碼和回測結果。