Трейдер Майлз Дойчер реализовал автоматизированную торговую стратегию на базе модели GARCH, используя инструмент Claude Code. По его словам, всю систему собрал искусственный интеллект — человек лишь поставил задачу.
Модель GARCH (Generalized Autoregressive Conditional Heteroskedasticity) — один из самых мощных количественных инструментов, которым ежедневно пользуются профессиональные квант-аналитики. Её предшественница, модель ARCH, была разработана Робертом Инглом в 2003 году и удостоена Нобелевской премии. Позже ученик Ингла, Тим Боллерслев, расширил её до GARCH, которая до сих пор применяется в отделах количественного анализа ведущих инвестдомов.
Как работает модель и что она измеряет
Главная идея GARCH в том, что рыночная волатильность не хаотична, а поддаётся прогнозированию. Дойчер объяснил, что модель позволяет измерить и предсказать колебания заранее, опираясь всего на три показателя.
Первый — базовый уровень волатильности, который есть у каждого актива и почти не меняется. У биткоина этот уровень традиционно выше, чем у индекса S&P 500. Второй — сила вчерашнего движения рынка. Третий — уровень волатильности, на котором рынок находился до этого движения. Сумма этих трёх величин и даёт прогноз колебаний на следующий день.
Ключевую роль в проекте сыграл именно ИИ. Дойчер подчеркнул, что не программировал систему сам, а описал задачу и поручил сборку Claude Code, который превратил математику модели в готовый рабочий инструмент.
Важное ограничение: модель показывает, насколько сильно рынок может двигаться, но не указывает направление. Это прогноз волатильности для управления риском портфеля, а не сигнал на покупку или продажу.
От прогноза к размеру позиции
Полученную оценку колебаний Дойчер использует для расчёта размера позиции. Институциональные отделы обычно ограничивают годовую просадку на уровне 15%, и от этого лимита строится вся дальнейшая математика.
Пример: если оценка колебаний по активу составляет 30% годовых, лимит просадки делится на неё — и множитель позиции выходит равным 0,5x. При базовой позиции в $10 000 это означает вход на $5000.
Такой подход не предсказывает движение цены, а лишь контролирует подверженность уже измеренному риску. Для наглядности Дойчер добавил, что на момент написания оценка колебаний по индексу Nasdaq держалась на уровне 30% годовых.
Тестирование на исторических данных
Реальную пользу модели трейдер проверил на пятнадцатилетнем массиве данных по биткоину. Он прогнал одну и ту же стратегию на пересечении скользящих средних двумя способами — с одинаковыми входами, выходами и сигналами.
При фиксированном размере позиции итоговый капитал в тесте составил $17 957. С расчётом позиции по модели GARCH результат оказался выше — $21 205. По оценке Дойчера, вариант с нобелевской моделью не только принёс больше прибыли, но и прошёл путь с меньшими просадками и общим риском.
Впрочем, эксперт предупредил о существенном ограничении: при резком обвале после спокойного периода модель не сработает, и позиция будет открыта в полном объёме.
Мнение аналитика: Интеграция классических эконометрических моделей с современными ИИ-агентами — естественный этап эволюции трейдинга. GARCH остаётся золотым стандартом для оценки риска, а автоматизация через Claude Code делает её доступной не только институциональным, но и розничным трейдерам. Однако слепое доверие модели без понимания её ограничений — прямой путь к потерям в моменты рыночных шоков.