İstatistiksel Arbitrajda Ortalamaya Dönüş ve Momentum Stratejilerinin Dinamik Birleştirilmesi: Matematiksel Temeller ve Pratik Uygulama

Yönetici Özeti

Bu makale, istatistiksel arbitrajda ortalamaya dönüş ve momentum stratejilerini entegre etmek için kantitatif bir çerçeve sunmaktadır. PCA tabanlı sinyal ayrıştırma, rejim değiştirme modelleri ve dinamik portföy optimizasyonunu birleştirerek, izole stratejilerle karşılaştırıldığında maksimum düşüşleri %30–40 azaltırken 1,4–1,6 Sharpe oranına nasıl ulaşılacağını gösteriyoruz. Temel yenilikler arasında adaptif strateji ağırlıklandırması için kapalı form çözümü ve 5 günlük ufuklarda %78 doğruluk oranı elde eden LSTM tabanlı rejim tahmin edici yer almaktadır.

Ortalamaya Dönüş ve Momentum Sinerjisi Sinerjinin görselleştirilmesi: Ortalamaya Dönüş (camgöbeği sinüs dalgası) ve Momentum (turuncu trend) birleşik, yüksek performanslı bir stratejide buluşuyor

Sinyal Ayrıştırmanın Matematiksel Temelleri

Faktör Tabanlı Getiri Ayrımı

Temel Bileşen Analizi (PCA), sistematik piyasa faktörlerinden idiosinkratik getirileri izole eder:

r_{it} = \sum_{k=1}^K \beta_{ik}F_{kt} + \epsilon_{it}

burada $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Bu, saf alfa çıkarımını sağlarken piyasa betasını filtreleyerek getiri varyansının %82'sini açıklar [^1][^5].

Kantitatif Finansta Temel Bileşen Analizi PCA görselleştirmesi: Piyasa genelindeki risk faktörlerinden idiosinkratik alfayı izole etmek için varlık getirilerini temel bileşenlere ayrıştırma

Adaptif Strateji Ağırlıklandırması

Ortalamaya dönüş (MR) ve momentum (MOM) stratejileri için optimal ağırlıklar şundan türetilir:

w_t^{MR} = \frac{\sigma_{MOM}^2 - \sigma_{MR,MOM}}{\sigma_{MR}^2 + \sigma_{MOM}^2 - 2\sigma_{MR,MOM}}

burada kovaryans $\sigma_{MR,MOM}$ 63 günlük kayan pencere aracılığıyla güncellenir [^5][^11]. Geçiş koşulları:

Momentum baskınlığı: $ADX_{20} > 25$
Ortalamaya dönüş sinyali: $ADF_{p-value} 25$ ): MOM'u tercih et

Yüksek volatilite ( $\sigma > 25\%$ ): Kaldıracı azalt

Geçiş olasılıkları 0,85–0,92 kalıcılık gösterir ve Baum-Welch algoritması aracılığıyla aylık yeniden tahmin gerektirir [^4][^17].

Piyasa Rejimi Geçişi HMM Rejim tespiti için Gizli Markov Modeli (HMM): Otomatik geçiş mantığıyla Boğa, Ayı ve Yatay durumların dinamik olarak belirlenmesi

Strateji Uygulaması

Python Tabanlı Dinamik Optimizasyon

class AdaptiveArbStrategy:  
    def __init__(self, lookback=63):  
        self.lookback = lookback  
        self.pca = PCA(n_components=0.95)  
        
    def update_weights(self, returns):  
        # PCA ayrıştırması  
        self.pca.fit(returns)  
        idiosyncratic = self.pca.transform(returns)  
        
        # Strateji kovaryanslarını hesapla  
        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)

Bayesci Hiperparametre Optimizasyonu

Ağaç Yapılandırılmış Parzen Tahmin Edici kullanarak:

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)

Optimal aralıklar ortaya çıkar:

Geriye dönük bakış: 45–60 gün
ADX eşiği: 23,5–26,8
ADF p-değeri: 0,03–0,07

Risk Yönetimi Çerçevesi

Dinamik Koşullu VaR

CVaR_\alpha = \frac{1}{1-\alpha}\int_{VaR_\alpha}^\infty x f(x) dx

burada $f(x)$ getirileri, HMM durum olasılıklarıyla ağırlıklandırılmış t-dağılımlarının karışımı olarak modeller [^4][^16].

Kelly-Optimize Edilmiş Kaldıraç

f^* = \frac{\mu}{\sigma^2} \cdot \frac{w_{MR} \cdot IR_{MR} + w_{MOM} \cdot IR_{MOM}}{2}

CVaR limitinin %50'si ile kısıtlanmış pozisyon boyutlandırması ile [^6][^14].

Performans Analizi

Metrik	Yalnızca MR	Yalnızca MOM	Birleşik
Sharpe Oranı	0,8	1,1	1,4
Maksimum Düşüş	-35%	-28%	-19%
Kazanma Oranı	%58	%52	%63

S&P 500'ün -%37 düşüşüne karşı %23 mutlak getiri gösteren 2008–2009 geriye dönük test sonuçları [^1][^5]

Makine Öğrenmesi Geliştirmesi

LSTM Rejim Tahmin Edici

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 durumu  
model.compile(loss='categorical_crossentropy', optimizer='adam')

VIX, ADX ve PCA faktörleri üzerinde eğitildiğinde 5 günlük rejim tahminlerinde %78 doğruluk elde eder [^17].

Sonuç ve Gelecek Yönleri

Ortalamaya dönüş ve momentum stratejilerinin sentezi şunları gerektirir:

Gerçek zamanlı kovaryans takibi: sağlam PCA aracılığıyla
Doğrusal olmayan rejim tespiti: HMM/LSTM hibrit kullanarak
Dışbükey optimizasyon: işlem maliyeti kısıtlamalarıyla

Yeni yaklaşımlar umut vaat etmektedir:

Pekiştirmeli öğrenme: çevrimiçi parametre ayarı için
Kuantum tavlama: yüksek boyutlu portföy optimizasyonlarını çözmek için
Alternatif veri entegrasyonu (haber duyarlılığı, uydu görüntülemesi): rejim öngörüsü için

Sinyal bileşenlerinin titiz ayrımını koruyarak ve piyasa dinamiklerine sürekli adapte olarak, kantitatif analistler piyasa döngüleri boyunca tutarlı alfa üretimi elde edebilir.

Atıf

@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/tr/blog/post/dynamic-combining-strategies},
  version = {0.1.0},
  description = {PCA tabanlı sinyal ayrıştırma, rejim değiştirme modelleri ve dinamik portföy optimizasyonu kullanarak istatistiksel arbitrajda ortalamaya dönüş ve momentum stratejilerinin nasıl entegre edileceğine dair ileri düzey bir keşif.}
}