Futu 牛牛圈 (富途社區)
crypto-tradingai-engineering
Original source

GJR-GARCH 蒙特卡洛模擬股價預測系統

Summary

量化分析專欄介紹其股價預測系統方法論，核心為 GJR-GARCH 驅動的蒙特卡洛模擬預測未來股價分佈。

三大數據處理機制

1. 波動率模型動態切換 (Dynamic Volatility Model Selection)

  • 默認：GJR-GARCH(1,1) + Student-t 分佈
  • 目的：捕捉非對稱波動（槓桿效應）— 負面消息比正面消息對波動率影響更大
  • Persistence check: α+β+γ/2 < 0.96（避免非平穩狀態）
  • Fallback：若不通過或不收斂，自動降級為標準 GARCH(1,1)

2. Winsorization 縮尾處理

  • 對日收益率頭尾各 0.5% 極端值做 cap（限制至 0.5%/99.5% 分位數）
  • 不刪除數據，保留時間序列完整性
  • 比固定倍數標準差更能反映肥尾 (Fat Tail) 及偏態 (Skewness) 的真實市場分佈

3. 蒙特卡洛模擬設定

  • 模擬次數：500,000 次（抽樣誤差約 0.14%）
  • 抽樣引擎：以模型估計的自由度 ν 驅動 Student-t 分佈
  • 目的：更合理反映金融市場厚尾特性，涵蓋極端價格波動可能性

評價

嚴謹的量化風控框架，適合做股價概率分佈預測。GJR-GARCH 比標準 GARCH 更適合股票市場，動態切換機制和 Winsorization 都是實用的穩健性設計。