交易员迈尔斯·多伊彻利用Claude Code工具,基于GARCH模型实现了一套自动化交易策略。据他所述,整个系统由人工智能搭建——人类仅负责提出需求。

GARCH模型(广义自回归条件异方差模型)是专业量化分析师日常使用的最强大的量化工具之一。其前身ARCH模型由罗伯特·恩格尔于2003年开发,并荣获诺贝尔奖。后来,恩格尔的学生蒂姆·博勒斯莱夫将其扩展为GARCH模型,至今仍被顶级投资机构的量化分析部门广泛采用。

模型工作原理与衡量指标

GARCH的核心思想在于:市场波动并非随机无序,而是可预测的。多伊彻解释称,该模型仅需三个指标即可提前衡量并预测波动。

第一是每个资产固有的基础波动率水平,该水平几乎恒定不变。比特币的这一水平传统上高于标普500指数。第二是昨日市场波动的强度。第三是市场在此次波动前的波动率水平。三者之和即为次日波动的预测值。

人工智能在此项目中发挥了关键作用。多伊彻强调,他并未亲自编写系统代码,而是描述任务后交由Claude Code完成搭建,后者将模型数学转化为可用的工作工具。

重要限制:该模型仅显示市场可能的波动幅度,不指明方向。这是用于投资组合风险管理的波动率预测,而非买卖信号。

从预测到仓位规模

多伊彻将波动预测值用于计算仓位规模。机构部门通常将年度回撤限制在15%以内,所有后续计算均基于此限制展开。

示例:若某资产的年化波动预测值为30%,则将回撤限制除以该数值——仓位乘数即为0.5倍。以1万美元的基础仓位计算,意味着实际入场金额为5000美元。

这种方法并非预测价格走势,而是控制对已衡量风险的敞口。为直观说明,多伊彻补充称,截至撰写本文时,纳斯达克指数的年化波动预测值维持在30%水平。

历史数据回测

交易员通过比特币十五年的历史数据验证了模型的实际效用。他采用两种方式对同一移动平均线交叉策略进行回测——保持相同的入场、出场和信号条件。

在固定仓位规模下,最终测试资本为17,957美元。而采用GARCH模型计算仓位时,结果提升至21,205美元。据多伊彻评估,采用诺贝尔奖模型的方案不仅利润更高,且回撤更小、整体风险更低。

不过,专家警告了重要限制:若市场在平静期后突然暴跌,模型将失效,届时仓位会全额开立。

分析师观点:将经典计量经济学模型与现代AI代理相结合,是交易演进的必然阶段。GARCH仍是风险评估的黄金标准,而通过Claude Code实现的自动化使其不仅适用于机构交易者,也惠及零售交易者。然而,在不理解模型局限性的情况下盲目信任,将是在市场冲击时刻走向亏损的直接途径。