Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →Nothing found. Try a different query.
Fünf Stufen der Fill-Simulations-Genauigkeit — von Close-Preis-Fills bis zu probabilistischen Queue-Positions-Modellen. Partial Fills als Zustandsautomat, Grenzen der Limit-Fill-Wahrscheinlichkeit als PnL-Bracket und eine Kalibrierungsschleife gegen Live-Fills.
TWAP, VWAP und POV sind Wetten auf eine Volumenprognose. Wir zerlegen die verborgenen Annahmen jedes Schedulers, bauen Intraday-Volumenkurven für Krypto und lassen alle drei im direkten Vergleich auf replayten L2-Daten gegeneinander antreten.
Vollständige Herleitung des Almgren-Chriss-Modells zur optimalen Ausführung: linearer Impact, die sinh/cosh-Trajektorie, die effiziente Grenze und lauffähiges Python zur Kalibrierung von Eta, Gamma und Sigma aus Binance-L2- und Trade-Daten.
Eine GARCH-Volatilitätsprognose ist nur dann etwas wert, wenn sie eine Handelsentscheidung verbessert. Wir bauen eine volatilitätsgezielte Krypto-Strategie, bewerten die Prognosequalität ehrlich und vergleichen GARCH gegen Realized-Vol- und EWMA-Baselines in einem Walk-Forward-Backtest.
Krypto-Korrelationen sind nicht konstant — in jedem Drawdown schießen sie in Richtung 1. DCC-GARCH modelliert eine zeitvariable Korrelationsmatrix und liefert Ihnen dynamische Hedge-Ratios für Pairs-Trading sowie ein ehrliches, zeitvariables Portfoliorisiko.
Einfaches GARCH(1,1) behandelt gute und schlechte Nachrichten gleich und unterstellt gaußsche Schocks. EGARCH, GJR-GARCH und Student-t/Skew-t-Innovationen beheben beides — und liefern ehrliche VaR- und Expected-Shortfall-Werte für Krypto.
Wie das GARCH(1,1)-Modell Volatilitätsclustering bei Krypto-Assets erfasst, wie man es per Maximum-Likelihood mit der arch-Bibliothek schätzt und wie man Prognosen der bedingten Varianz in Positionsgröße und dynamische Stops umsetzt.