AI саудасы, нарықтық талдау және DeFi болашағына терең бойлау.
Browse collections →Nothing found. Try a different query.
Fill симуляциясының бес деңгейлі дәлдігі — жабық баға бойынша орындаудан ықтималдыққа негізделген queue-позиция модельдеріне дейін. Мемлекет-машинасы ретіндегі жартылай орындалулар, PnL жақшасы ретіндегі limit-fill ықтималдық шектері және лайв fill-дерге қарсы калибрлеу циклы.
TWAP, VWAP және POV — көлем болжамына жасалған бәс. Біз әрбір жоспарлаушының жасырын болжамдарын талдаймыз, криптоның күн ішіндегі көлем қисықтарын құрамыз және үшеуін де қайта ойнатылған L2 деректерінде бас-басына сынаймыз.
Almgren-Chriss оңтайлы орындау моделінің толық шығарылымы: сызықтық әсер, sinh/cosh траекториясы, тиімді шекара және Binance L2 мен сауда деректерінен eta, gamma, sigma параметрлерін калибрлеуге арналған жұмыс істейтін Python коды.
GARCH волатильность болжамы тек сауда шешімін жақсартқанда ғана құнды болады. Біз волатильностке бағытталған крипто стратегия құрамыз, болжам сапасын адал бағалаймыз және GARCH-ты realized-vol мен EWMA негізгі әдістерімен walk-forward бэктестте салыстырамыз.
Крипто корреляциялары тұрақты емес — олар әрбір құлдырауда 1-ге қарай секіреді. DCC-GARCH уақыт бойынша өзгеретін корреляция матрицасын модельдейді, бұл парлық сауда үшін динамикалық хедж қатынастарын және портфель үшін адал, уақыт бойынша өзгеретін тәуекелді береді.
Қарапайым GARCH(1,1) жақсы мен жаман жаңалықты бірдей қабылдайды және шоктарды Гаусс үлестіруі бойынша болжайды. EGARCH, GJR-GARCH және Student-t/skew-t инновациялары осы екі кемшілікті түзетеді — және криптовалюта үшін адал VaR мен Expected Shortfall береді.
GARCH(1,1) моделі криптовалютадағы волатильділік кластерленуін қалай қамтитыны, оны arch кітапханасымен максималды ықтималдық әдісімен қалай бағалау керектігі және шартты дисперсия болжамдарын позиция көлемі мен серпінді стоптарға қалай айналдыру керектігі.