交易员迈尔斯·多伊彻展示了一项独特成果:他利用Claude Code工具,完全自动化了基于GARCH模型的交易策略。值得注意的是,整个系统由人工智能搭建——交易员仅描述了任务,神经网络便将复杂的数学转化为可用的工具。

什么是GARCH,为何重要

GARCH模型(广义自回归条件异方差模型)是专业量化师日常使用的最强大的量化模型之一。其前身ARCH由2003年诺贝尔奖得主罗伯特·恩格尔开发,随后他的学生蒂姆·博勒斯列夫将其扩展为GARCH。核心思想在于:市场波动并非随机——它是可预测的。

该模型仅依赖三个指标:

  • 波动基准水平——每种资产的常数。比特币的传统水平高于标普500指数。
  • 昨日波动强度——市场在最近一天内的变化幅度。
  • 前期波动水平——市场在此次波动前所处的震荡区间。

这三项数值之和即得出明日波动率预测。多伊彻强调:这是对波动方向的预测,并不指明涨跌,仅衡量市场可能震荡的幅度。它是风险管理工具,而非买卖信号。

预测如何转化为仓位规模

交易员利用得出的波动率估算值计算仓位规模。机构部门的常规做法是:将年度回撤限制在15%以内。随后将限额除以预测波动率。例如,若资产波动率估算值为年化30%,则仓位乘数为0.5倍。以1万美元基础仓位计算,意味着入场5000美元。

多伊彻在比特币十五年数据上测试了该策略,对比了固定仓位规模与GARCH模型计算两种方法。结果令人瞩目:固定仓位下最终资本为17,957美元,而GARCH模型下为21,205美元。且后者在更低回撤和总体风险下实现了这一收益。

局限性与风险

交易员坦诚指出了主要局限:模型在平静期后突然暴跌时失效。在此类场景下,仓位将全额开立,可能导致重大损失。GARCH虽强大,但非万能。它在正常市场条件下适合风险管理,却无法抵御"黑天鹅"事件。

专家观点:通过AI实现GARCH自动化是交易演进的合理一步。这项诺贝尔奖级别的模型不仅面向量化师,也向零售交易员开放。但需谨记:任何算法,即便再完善,也需理解其局限性,并在极端情况下进行人工干预。