통계적 아비트라지에서 평균 회귀와 모멘텀 전략의 동적 결합: 수학적 기초와 실용적 구현

요약

본 기사는 통계적 아비트라지에서 평균 회귀와 모멘텀 전략을 통합하기 위한 정량적 프레임워크를 제시합니다. PCA 기반 신호 분해, 레짐 전환 모델, 동적 포트폴리오 최적화를 결합하여 개별 전략 대비 최대 드로다운을 30-40% 줄이면서 샤프 비율 1.4-1.6을 달성하는 방법을 보여줍니다. 주요 혁신에는 적응적 전략 가중치의 닫힌 형태 해와 5일 호라이즌에서 78% 정확도를 달성하는 LSTM 기반 레짐 예측기가 포함됩니다.

시너지 시각화: 평균 회귀(시안 사인파)와 모멘텀(오렌지 트렌드)이 통합된 고성능 전략으로 융합

신호 분해의 수학적 기초

팩터 기반 수익률 분리

주성분 분석(PCA)은 체계적 시장 팩터로부터 고유 수익률을 분리합니다:

여기서 $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. 이는 수익률 분산의 82%를 설명하면서 시장 베타를 필터링하여 순수 알파 추출을 가능하게 합니다[^1][^5].

PCA 시각화: 자산 수익률을 주성분으로 분해하여 시장 전체 리스크 팩터에서 고유 알파를 분리

적응적 전략 가중치

평균 회귀(MR)와 모멘텀(MOM) 전략의 최적 가중치는 다음에서 도출됩니다:

여기서 공분산 $\sigma_{MR,MOM}$은 63일 롤링 윈도우로 업데이트됩니다[^5][^11]. 전환 조건:

• 모멘텀 우위: $ADX_{20} > 25$
• 평균 회귀 신호: $ADF_{p-value} 25$): MOM 우선

3. 고변동성 ($\sigma > 25\%$): 레버리지 축소

전이 확률은 0.85-0.92의 지속성을 보여 Baum-Welch 알고리즘을 통한 월간 재추정이 필요합니다[^4][^17].

레짐 감지를 위한 은닉 마르코프 모델(HMM): 자동 전이 로직으로 강세, 약세, 횡보 상태를 동적으로 식별

전략 구현

Python 기반 동적 최적화

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)

베이지안 하이퍼파라미터 최적화

Tree-structured Parzen Estimator 사용:

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)

최적 범위가 나타납니다:

• 룩백: 45-60일
• ADX 임계값: 23.5-26.8
• ADF p값: 0.03-0.07

리스크 관리 프레임워크

동적 조건부 VaR

여기서 $f(x)$는 HMM 상태 확률로 가중된 t-분포의 혼합으로 수익률을 모델링합니다[^4][^16].

Kelly 최적 레버리지

포지션 크기는 CVaR 한도의 50%로 제한됩니다[^6][^14].

성과 분석

2008-2009 백테스트 결과: S&P 500의 -37% 하락 대비 23% 절대 수익률[^1][^5]

머신러닝 강화

LSTM 레짐 예측기

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, PCA 팩터로 훈련 시 5일 레짐 예측에서 78% 정확도를 달성[^17].

결론 및 향후 방향

평균 회귀와 모멘텀 전략의 합성에는 다음이 필요합니다:

1. 실시간 공분산 추적 — 로버스트 PCA 활용
2. 비선형 레짐 감지 — HMM/LSTM 하이브리드 사용
3. 볼록 최적화 — 거래 비용 제약 조건 포함

새로운 접근법이 유망합니다:

• 강화 학습 — 온라인 파라미터 튜닝용
• 양자 어닐링 — 고차원 포트폴리오 최적화 해결
• 대안 데이터 통합(뉴스 감성, 위성 이미지) — 레짐 예측용

신호 구성 요소의 엄격한 분리를 유지하고 시장 역학에 지속적으로 적응함으로써 퀀트는 시장 사이클 전반에 걸쳐 일관된 알파 생성을 달성할 수 있습니다.

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/ko/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.}
}

참고 문헌

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