Blog

Cinco degraus de fidelidade na simulação de fills — de fills a preço de fechamento a modelos probabilísticos de posição na fila. Fills parciais como máquina de estados, limites de probabilidade de fill de ordens limitadas como faixa de PnL, e um loop de calibração contra fills ao vivo.

TWAP, VWAP e POV são apostas sobre uma previsão de volume. Dissecamos as premissas ocultas de cada scheduler, construímos curvas de volume intradiário para cripto, e comparamos os três lado a lado sobre dados de L2 reproduzidos.

Derivação completa do modelo de execução ótima de Almgren-Chriss: impacto linear, a trajetória sinh/cosh, a fronteira eficiente e código Python funcional para calibrar eta, gamma e sigma a partir de dados de L2 e trades da Binance.

Uma previsão de volatilidade GARCH só vale alguma coisa se melhorar uma decisão de trading. Construímos uma estratégia cripto com volatility targeting, avaliamos a qualidade da previsão com honestidade e comparamos GARCH contra baselines de volatilidade realizada e EWMA em um backtest walk-forward.

As correlações cripto não são constantes — elas disparam em direção a 1 em cada drawdown. O DCC-GARCH modela uma matriz de correlação variável no tempo, oferecendo razões de hedge dinâmicas para pairs trading e um risco de portfólio honesto e variável no tempo.

O GARCH(1,1) simples trata boas e más notícias da mesma forma e assume choques gaussianos. As inovações EGARCH, GJR-GARCH e Student-t/skew-t corrigem ambos os problemas — e entregam VaR e Expected Shortfall honestos para cripto.

Como o modelo GARCH(1,1) captura o agrupamento de volatilidade em cripto, como ajustá-lo por máxima verossimilhança com a biblioteca arch, e como transformar previsões de variância condicional em dimensionamento de posição e stops dinâmicos.