Combiner dynamiquement les stratégies de retour à la moyenne et de momentum dans l'arbitrage statistique : fondements mathématiques et mise en œuvre pratique

Résumé exécutif

Cet article présente un cadre quantitatif pour intégrer les stratégies de retour à la moyenne (mean reversion) et de momentum dans l'arbitrage statistique. En combinant une décomposition de signaux basée sur l'ACP, des modèles à changement de régime et une optimisation dynamique de portefeuille, nous montrons comment atteindre des ratios de Sharpe de 1,4 à 1,6 tout en réduisant les drawdowns maximaux de 30 à 40 % par rapport à des stratégies isolées. Les innovations clés incluent une solution analytique pour la pondération adaptative des stratégies et un prédicteur de régime basé sur LSTM atteignant 78 % de précision sur des horizons de 5 jours.

Visualiser la synergie : le retour à la moyenne (onde sinusoïdale cyan) et le momentum (tendance orange) fusionnant en une stratégie unifiée et performante

Fondements mathématiques de la décomposition des signaux

Séparation des rendements par facteurs

L'analyse en composantes principales (ACP) isole les rendements idiosyncratiques des facteurs de marché systémiques :

où $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Cela explique 82 % de la variance des rendements tout en filtrant le beta de marché, permettant une extraction d'alpha pur [^1][^5].

Visualisation de l'ACP : décomposer les rendements des actifs en composantes principales pour isoler l'alpha idiosyncratique des facteurs de risque de marché

Pondération adaptative des stratégies

Les poids optimaux pour les stratégies de retour à la moyenne (MR) et de momentum (MOM) se dérivent de :

où la covariance $\sigma_{MR,MOM}$ est mise à jour via une fenêtre glissante de 63 jours [^5][^11]. Conditions de bascule :

• Dominance du momentum : $ADX_{20} > 25$
• Signal de retour à la moyenne : $ADF_{p-value} 25$) : privilégier le MOM

3. Volatilité élevée ($\sigma > 25\%$) : réduire le levier

Les probabilités de transition montrent une persistance de 0,85 à 0,92, nécessitant une réestimation mensuelle via l'algorithme de Baum-Welch [^4][^17].

Modèle de Markov caché (HMM) pour la détection de régime : identifier dynamiquement les états haussier, baissier et latéral avec une logique de transition automatisée

Mise en œuvre de la stratégie

Optimisation dynamique 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)  

Optimisation bayésienne des hyperparamètres

En utilisant l'estimateur de Parzen à structure arborescente (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)  

Des plages optimales émergent :

• Fenêtre glissante (lookback) : 45 à 60 jours
• Seuil ADX : 23,5 à 26,8
• p-value ADF : 0,03 à 0,07

Cadre de gestion du risque

VaR conditionnelle dynamique

où $f(x)$ modélise les rendements comme un mélange de distributions de Student pondérées par les probabilités d'état du HMM [^4][^16].

Levier optimisé par le critère de Kelly

avec un dimensionnement des positions contraint à 50 % de la limite de CVaR [^6][^14].

Analyse de performance

Résultats du backtest 2008-2009 montrant un rendement absolu de 23 % contre une baisse de -37 % pour le S&P 500 [^1][^5]

Amélioration par apprentissage automatique

Prédicteur de régime 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')  

Atteint 78 % de précision sur des prédictions de régime à 5 jours lorsqu'il est entraîné sur le VIX, l'ADX et les facteurs issus de l'ACP [^17].

Conclusion et orientations futures

La synthèse des stratégies de retour à la moyenne et de momentum nécessite :

1. Le suivi en temps réel de la covariance via une ACP robuste
2. La détection non linéaire de régime à l'aide d'hybrides HMM/LSTM
3. L'optimisation convexe avec contraintes de coûts de transaction

Des approches émergentes sont prometteuses :

• L'apprentissage par renforcement pour l'ajustement en ligne des paramètres
• Le recuit quantique pour résoudre des optimisations de portefeuille de haute dimension
• L'intégration de données alternatives (sentiment des actualités, imagerie satellite) pour anticiper les régimes

En maintenant une séparation rigoureuse des composantes du signal et en s'adaptant continuellement à la dynamique du marché, les quants peuvent générer un alpha constant à travers les cycles de marché.

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.}
}

Références

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