Combinación dinámica de estrategias de reversión a la media y momentum en el arbitraje estadístico: fundamentos matemáticos e implementación práctica

Resumen ejecutivo

Este artículo presenta un marco cuantitativo para integrar estrategias de reversión a la media y momentum en el arbitraje estadístico. Al combinar la descomposición de señales basada en PCA, modelos de cambio de régimen y optimización dinámica de carteras, demostramos cómo lograr ratios de Sharpe de 1,4–1,6 al tiempo que se reducen los drawdowns máximos entre un 30 % y un 40 % en comparación con estrategias aisladas. Las innovaciones clave incluyen una solución de forma cerrada para la ponderación adaptativa de estrategias y un predictor de régimen basado en LSTM que alcanza un 78 % de precisión en horizontes de 5 días.

Visualización de la sinergia: la reversión a la media (onda sinusoidal cian) y el momentum (tendencia naranja) se fusionan en una estrategia unificada de alto rendimiento

Fundamentos matemáticos de la descomposición de señales

Separación de rendimientos basada en factores

El análisis de componentes principales (PCA) aísla los rendimientos idiosincrásicos de los factores sistémicos del mercado:

donde $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Esto explica el 82 % de la varianza de los rendimientos mientras filtra la beta de mercado, permitiendo una extracción de alfa pura [^1][^5].

Visualización de PCA: descomposición de los rendimientos de los activos en componentes principales para aislar el alfa idiosincrásico de los factores de riesgo de todo el mercado

Ponderación adaptativa de estrategias

Los pesos óptimos para las estrategias de reversión a la media (MR) y momentum (MOM) se derivan de:

donde la covarianza $\sigma_{MR,MOM}$ se actualiza mediante una ventana móvil de 63 días [^5][^11]. Condiciones de cambio:

• Dominancia del momentum: $ADX_{20} > 25$
• Señal de reversión a la media: $ADF_{p-value} 25$): favorece MOM

3. Alta volatilidad ($\sigma > 25\%$): reducir el apalancamiento

Las probabilidades de transición muestran una persistencia de 0,85–0,92, lo que requiere una reestimación mensual mediante el algoritmo de Baum-Welch [^4][^17].

Modelo oculto de Markov (HMM) para la detección de regímenes: identificación dinámica de los estados alcista, bajista y lateral con lógica de transición automatizada

Implementación de la estrategia

Optimización dinámica basada en Python

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)  

Optimización bayesiana de hiperparámetros

Utilizando el 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)  

Surgen los siguientes rangos óptimos:

• Lookback: 45–60 días
• Umbral de ADX: 23,5–26,8
• Valor p de ADF: 0,03–0,07

Marco de gestión de riesgos

VaR condicional dinámico

donde $f(x)$ modela los rendimientos como una mezcla de distribuciones t ponderadas por las probabilidades de estado del HMM [^4][^16].

Apalancamiento optimizado según Kelly

con el tamaño de posición limitado al 50 % del límite de CVaR [^6][^14].

Análisis de rendimiento

Resultados del backtest 2008–2009: rentabilidad absoluta del 23 % frente a una caída del -37 % del S&P 500 [^1][^5]

Mejora mediante machine learning

Predictor de régimen LSTM

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')  

Alcanza un 78 % de precisión en predicciones de régimen a 5 días cuando se entrena con el VIX, el ADX y los factores de PCA [^17].

Conclusión y direcciones futuras

La síntesis de estrategias de reversión a la media y momentum requiere:

1. Seguimiento de covarianza en tiempo real mediante PCA robusto
2. Detección no lineal de regímenes mediante híbridos de HMM/LSTM
3. Optimización convexa con restricciones de costos de transacción

Los enfoques emergentes muestran resultados prometedores:

• Aprendizaje por refuerzo para el ajuste de parámetros en línea
• Recocido cuántico (quantum annealing) para resolver optimizaciones de cartera de alta dimensión
• Integración de datos alternativos (sentimiento de noticias, imágenes satelitales) para anticipar cambios de régimen

Al mantener una separación rigurosa de los componentes de la señal y adaptarse continuamente a la dinámica del mercado, los quants pueden lograr una generación de alfa consistente a lo largo de los ciclos de mercado.

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