Статистикалық арбитражда орташа мәнге қайту мен momentum стратегияларын динамикалық түрде біріктіру: математикалық негіздер және практикалық іске асыру

Қысқаша мазмұны

Бұл мақалада статистикалық арбитражда орташа мәнге қайту (mean reversion) мен momentum стратегияларын біріктіруге арналған сандық негіз ұсынылады. PCA негізіндегі сигналды декомпозициялауды, режимдерді ауыстыру модельдерін және портфельді динамикалық оңтайландыруды біріктіре отырып, біз оқшауланған стратегиялармен салыстырғанда максималды кему (drawdown) көрсеткішін 30–40%-ға төмендете отырып, 1.4–1.6 деңгейіндегі Sharpe коэффициентіне қалай қол жеткізуге болатынын көрсетеміз. Негізгі жаңалықтарға адаптивті стратегиялық салмақтау үшін жабық түрдегі (closed-form) шешім және 5 күндік горизонтта 78% дәлдікке қол жеткізетін LSTM негізіндегі режим болжаушысы жатады.

Синергияны көрнекілендіру: орташа мәнге қайту (көгілдір синус толқыны) мен momentum (қызғылт сары тренд) біртұтас, жоғары өнімді стратегияға бірігеді

Сигналды декомпозициялаудың математикалық негіздері

Факторларға негізделген кірістілікті бөлу

Негізгі компоненттер талдауы (PCA) идиосинкратикалық кірістілікті жүйелік нарықтық факторлардан бөліп алады:

мұндағы $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Бұл кірістілік дисперсиясының 82%-ын түсіндіреді, сонымен қатар нарықтық бетаны сүзіп тастап, таза альфаны бөліп алуға мүмкіндік береді [^1][^5].

PCA көрнекілендіруі: активтердің кірістілігін негізгі компоненттерге жіктеу арқылы идиосинкратикалық альфаны нарықтық тәуекел факторларынан бөліп алу

Адаптивті стратегиялық салмақтау

Орташа мәнге қайту (MR) мен momentum (MOM) стратегиялары үшін оңтайлы салмақтар мынадан шығарылады:

мұндағы $\sigma_{MR,MOM}$ ковариациясы 63 күндік жылжымалы терезе арқылы жаңартылады [^5][^11]. Ауысу шарттары:

• Momentum басымдығы: $ADX_{20} > 25$
• Орташа мәнге қайту сигналы: $ADF_{p-value} 25$): MOM-ды артық көру

3. Жоғары құбылмалылық ($\sigma > 25\%$): левериджді азайту

Ауысу ықтималдықтары 0.85–0.92 тұрақтылық деңгейін көрсетеді, бұл Baum-Welch алгоритмі арқылы ай сайын қайта бағалауды талап етеді [^4][^17].

Режимдерді анықтауға арналған жасырын Марков моделі (HMM): бас көтеру (Bull), құлдырау (Bear) және бүйірлік (Sideways) күйлерді автоматтандырылған ауысу логикасымен динамикалық түрде анықтау

Стратегияны іске асыру

Python негізіндегі динамикалық оңтайландыру

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)  

Байестік гиперпараметрлерді оңтайландыру

Ағаш құрылымды Parzen бағалаушысын пайдалана отырып:

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)  

Оңтайлы диапазондар мыналар:

• Lookback: 45–60 күн
• ADX шегі: 23.5–26.8
• ADF p-мәні: 0.03–0.07

Тәуекелдерді басқару негізі

Динамикалық шартты VaR (Conditional VaR)

мұндағы $f(x)$ кірістіліктерді HMM күй ықтималдықтарымен өлшенген t-үлестірімдер қоспасы ретінде модельдейді [^4][^16].

Kelly бойынша оңтайландырылған левередж

позиция көлемі CVaR шегінің 50%-ымен шектеледі [^6][^14].

Өнімділікті талдау

2008–2009 жылдардағы backtest нәтижелері S&P 500 индексінің -37% құлдырауымен салыстырғанда 23% абсолютті кірістілікті көрсетеді [^1][^5]

Машиналық оқытуды жетілдіру

LSTM режим болжаушысы

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')  

VIX, ADX және PCA факторларында оқытылған кезде 5 күндік режим болжамдарында 78% дәлдікке қол жеткізеді [^17].

Қорытынды және болашақ бағыттар

Орташа мәнге қайту мен momentum стратегияларын синтездеу мыналарды талап етеді:

1. Робастты PCA арқылы нақты уақыттағы ковариацияны бақылау
2. HMM/LSTM гибридтерін пайдаланып сызықтық емес режимдерді анықтау
3. Транзакция шығындары шектеулерімен дөңес оңтайландыру (convex optimization)

Пайда болып жатқан тәсілдер перспективалы болып көрінеді:

• Онлайн параметрлерді баптау үшін күшейтілген оқыту (reinforcement learning)
• Жоғары өлшемді портфельдік оңтайландыруларды шешу үшін кванттық аннилинг
• Режимді алдын ала болжау үшін балама деректерді интеграциялау (alt-data) (жаңалықтар көңіл-күйі, спутниктік суреттер)

Сигнал компоненттерін қатаң түрде бөлек ұстай отырып және нарық динамикасына үздіксіз бейімделе отырып, квант-аналитиктер нарық циклдары бойында тұрақты альфа генерациясына қол жеткізе алады.

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