交易员迈尔斯·多伊彻在交易策略自动化方面取得突破,他委托人工智能基于GARCH模型构建了一套完整的系统。将数学工具集成到实际工作中的全部任务均由Claude Code完成——交易员仅需描述需求。
GARCH模型是最强大的量化工具之一,专业量化分析师每天都会使用它。其前身ARCH模型由罗伯特·恩格尔于2003年开发,并因此获得诺贝尔奖。后来他的学生蒂姆·博勒斯莱夫将模型扩展为GARCH,至今仍是衡量和预测波动性的标准工具。
波动率预测如何运作
GARCH的核心思想在于:市场波动性并非随机,而是可以预测的。计算仅基于三个指标:
- 基础波动水平——每个资产固有的常数。比特币的传统波动水平通常高于标普500指数。
- 昨日市场波动强度——对最近一次重大市场冲击的反应。
- 前期波动水平——本次波动发生前的市场状态。
这三个数值的总和即为明日波动率的预测值。
需要明确的是:该模型不预测价格方向。它是投资组合风险管理工具,而非买入或卖出信号。多伊彻强调,波动率预测用于计算头寸规模,而非指示市场走向。
实践案例:从预测到头寸规模
机构部门通常将投资组合年度回撤限制在15%。如果某项资产的年化波动率评估为30%,则将回撤限额除以该数值——头寸乘数为0.5倍。若基础头寸为10,000美元,则意味着入场规模为5,000美元。
多伊彻在比特币十五年的数据上测试了该策略。固定头寸规模下,最终资本为17,957美元。而采用GARCH模型计算头寸后,结果提升至21,205美元。同时,整个过程中回撤更小,总体风险更低。
但存在局限性:在平静期后出现暴跌时,模型可能失效,导致头寸以全额规模开仓。
专家观点:通过AI整合诺贝尔奖级别的GARCH模型,是零售交易者追求机构级风险管理的合理步骤。然而,仅依赖波动率而不考虑方向性变动,是资本保值策略而非激进增长策略。长期来看这种方法合理,但在市场结构性转变时期,它可能无法避免损失。