Inmersiones profundas en el trading con IA, análisis de mercado y el futuro de DeFi.
Browse collections →Nothing found. Try a different query.
Cinco peldaños de fidelidad en la simulación de fills — desde fills al precio de cierre hasta modelos probabilísticos de posición en cola. Fills parciales como máquina de estados, límites de probabilidad de fill como banda de PnL, y un bucle de calibración contra fills en vivo.
TWAP, VWAP y POV son apuestas sobre un pronóstico de volumen. Diseccionamos los supuestos ocultos de cada programador de órdenes, construimos curvas de volumen intradía para cripto y enfrentamos a los tres cara a cara sobre datos L2 replayeados.
Derivación completa del modelo de ejecución óptima de Almgren-Chriss: impacto lineal, la trayectoria sinh/cosh, la frontera eficiente y código Python funcional para calibrar eta, gamma y sigma a partir de datos de L2 y operaciones de Binance.
Un pronóstico de volatilidad GARCH solo vale algo si mejora una decisión de trading. Construimos una estrategia cripto con targeting de volatilidad, evaluamos honestamente la calidad del pronóstico y comparamos GARCH contra las referencias de volatilidad realizada y EWMA en un backtest walk-forward.
Las correlaciones en cripto no son constantes — se disparan hacia 1 en cada caída. DCC-GARCH modela una matriz de correlación variable en el tiempo, dando ratios de cobertura dinámicos para pairs trading y un riesgo de cartera honesto y variable en el tiempo.
El GARCH(1,1) simple trata igual las buenas y las malas noticias y asume shocks gaussianos. EGARCH, GJR-GARCH y las innovaciones Student-t/skew-t corrigen ambos problemas, y te dan un VaR y una Expected Shortfall honestos para cripto.
Cómo el modelo GARCH(1,1) captura el agrupamiento de volatilidad en cripto, cómo ajustarlo por máxima verosimilitud con la librería arch, y cómo convertir los pronósticos de varianza condicional en dimensionamiento de posiciones y stops dinámicos.