Dynamische Kombination von Mean-Reversion- und Momentum-Strategien im Statistical Arbitrage: Mathematische Grundlagen und praktische Umsetzung

Zusammenfassung

Dieser Artikel stellt ein quantitatives Framework zur Integration von Mean-Reversion- und Momentum-Strategien im Statistical Arbitrage vor. Durch die Kombination von PCA-basierter Signalzerlegung, Regime-Switching-Modellen und dynamischer Portfoliooptimierung zeigen wir, wie sich Sharpe Ratios von 1,4–1,6 erreichen lassen, während gleichzeitig die maximalen Drawdowns im Vergleich zu isolierten Strategien um 30–40 % reduziert werden. Zu den zentralen Innovationen zählen eine geschlossene Lösung für die adaptive Gewichtung von Strategien sowie ein LSTM-basierter Regime-Prädiktor, der auf 5-Tages-Horizonten eine Genauigkeit von 78 % erzielt.

Visualisierung der Synergie: Mean Reversion (cyanfarbene Sinuswelle) und Momentum (orangefarbener Trend) verschmelzen zu einer einheitlichen, leistungsstarken Strategie

Mathematische Grundlagen der Signalzerlegung

Faktorbasierte Renditetrennung

Die Hauptkomponentenanalyse (Principal Component Analysis, PCA) isoliert idiosynkratische Renditen von systemischen Marktfaktoren:

wobei $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Dies erklärt 82 % der Renditevarianz und filtert gleichzeitig das Marktbeta heraus, wodurch eine reine Alpha-Extraktion ermöglicht wird [^1][^5].

PCA-Visualisierung: Zerlegung von Asset-Renditen in Hauptkomponenten, um idiosynkratisches Alpha von marktweiten Risikofaktoren zu isolieren

Adaptive Strategiegewichtung

Die optimalen Gewichte für Mean-Reversion- (MR) und Momentum-Strategien (MOM) leiten sich ab aus:

wobei die Kovarianz $\sigma_{MR,MOM}$ über ein rollierendes 63-Tage-Fenster aktualisiert wird [^5][^11]. Umschaltbedingungen:

• Momentum-Dominanz: $ADX_{20} > 25$
• Mean-Reversion-Signal: $ADF_{p-value} 25$): Favorisiert MOM

3. Hohe Volatilität ($\sigma > 25\%$): Hebel reduzieren

Die Übergangswahrscheinlichkeiten zeigen eine Persistenz von 0,85–0,92, was eine monatliche Neuschätzung mittels Baum-Welch-Algorithmus erfordert [^4][^17].

Hidden Markov Model (HMM) zur Regime-Erkennung: dynamische Identifikation von Bull-, Bear- und Seitwärtszuständen mit automatisierter Übergangslogik

Strategieumsetzung

Python-basierte dynamische Optimierung

class AdaptiveArbStrategy:  
    def __init__(self, lookback=63):  
        self.lookback = lookback  
        self.pca = PCA(n_components=0.95)  
        
    def update_weights(self, returns):  
        self.pca.fit(returns)  
        idiosyncratic = self.pca.transform(returns)  
        
        mr_returns = self._mean_reversion(idiosyncratic)  
        mom_returns = self._momentum(returns)  
        
        cov_matrix = np.cov(mr_returns[-self.lookback:],   
                           mom_returns[-self.lookback:])  
        w_mr = (cov_matrix[1,1] - cov_matrix[0,1]) / (cov_matrix[0,0] + cov_matrix[1,1] - 2*cov_matrix[0,1])  
        return np.clip(w_mr, 0, 1)  

Bayessche Hyperparameter-Optimierung

Mit dem Tree-structured Parzen Estimator:

from hyperopt import tpe, fmin  

space = {  
    'lookback': hp.quniform('lb', 20, 100, 5),  
    'adx_thresh': hp.uniform('adx', 20, 30),  
    'adf_pval': hp.uniform('adf', 0.01, 0.1)  
}  

best_params = fmin(objective, space, algo=tpe.suggest, max_evals=1000)  

Es ergeben sich folgende optimale Bereiche:

• Lookback: 45–60 Tage
• ADX-Schwellenwert: 23,5–26,8
• ADF-p-Wert: 0,03–0,07

Risikomanagement-Framework

Dynamischer Conditional VaR

wobei $f(x)$ die Renditen als eine durch die HMM-Zustandswahrscheinlichkeiten gewichtete Mischung von t-Verteilungen modelliert [^4][^16].

Kelly-optimierter Hebel

wobei die Positionsgröße auf 50 % des CVaR-Limits begrenzt wird [^6][^14].

Performance-Analyse

Backtest-Ergebnisse 2008–2009: 23 % absolute Rendite gegenüber einem Rückgang des S&P 500 von -37 % [^1][^5]

Verbesserung durch Machine Learning

LSTM-Regime-Prädiktor

model = Sequential()  
model.add(LSTM(64, input_shape=(60, 10), return_sequences=True))  
model.add(LSTM(32))  
model.add(Dense(3, activation='softmax'))  # 3 HMM states  
model.compile(loss='categorical_crossentropy', optimizer='adam')  

Erzielt bei Training auf VIX, ADX und PCA-Faktoren eine Genauigkeit von 78 % bei 5-Tages-Regime-Vorhersagen [^17].

Fazit und Ausblick

Die Synthese von Mean-Reversion- und Momentum-Strategien erfordert:

1. Echtzeit-Kovarianz-Tracking mittels robuster PCA
2. Nicht-lineare Regime-Erkennung mittels HMM/LSTM-Hybriden
3. Konvexe Optimierung unter Berücksichtigung von Transaktionskostenbeschränkungen

Neu entstehende Ansätze zeigen vielversprechendes Potenzial:

• Reinforcement Learning für die Online-Parameteroptimierung
• Quantum Annealing zur Lösung hochdimensionaler Portfoliooptimierungen
• Integration alternativer Daten (News-Sentiment, Satellitenbilder) zur Antizipation von Regimewechseln

Durch die konsequente Trennung der Signalkomponenten und die kontinuierliche Anpassung an die Marktdynamik können Quants über verschiedene Marktzyklen hinweg eine konsistente Alpha-Generierung erzielen.

Citation

@article{soloviov2025dynamiccombining,
  author = {Soloviov, Eugen},
  title = {Dynamically Combining Mean Reversion and Momentum Strategies in Statistical Arbitrage: Mathematical Foundations and Practical Implementation},
  year = {2025},
  url = {https://marketmaker.cc/en/blog/post/dynamic-combining-strategies},
  version = {0.1.0},
  description = {An advanced exploration of how to integrate mean reversion and momentum strategies in statistical arbitrage using PCA-based signal decomposition, regime-switching models, and dynamic portfolio optimization.}
}

References

1. Hudson Thames - Dynamically Combining Mean Reversion and Momentum Investment Strategies
2. Momentum and Mean-Reversion in Strategic Asset Allocation
3. The Case for Re-Evaluating Quant
4. SSRN - Strategic Asset Allocation Paper
5. SSRN - Statistical Arbitrage Paper
6. Investopedia - Statistical Arbitrage
7. Investopedia - Mean Reversion
8. VP Bank - Momentum Investing
9. QuestDB - PCA for Portfolio Risk
10. Science Direct - Financial Market Research
11. SSRN - Statistical Arbitrage Delivery
12. Wikipedia - Statistical Arbitrage
13. Hudson Thames - Statistical Arbitrage Category
14. QuestDB - Statistical Arbitrage Glossary
15. Wundertrading - Statistical Arbitrage
16. CiteSeerX - Statistical Research Paper