Menggabungkan Strategi Mean Reversion dan Momentum Secara Dinamik dalam Arbitraj Statistik: Asas Matematik dan Pelaksanaan Praktikal

Ringkasan Eksekutif

Artikel ini membentangkan kerangka kuantitatif untuk mengintegrasikan strategi mean reversion dan momentum dalam arbitraj statistik. Dengan menggabungkan penguraian isyarat berasaskan PCA, model penukaran rejim, dan pengoptimuman portfolio dinamik, kami menunjukkan cara mencapai nisbah Sharpe 1.4–1.6 sambil mengurangkan drawdown maksimum sebanyak 30–40% berbanding strategi berasingan. Inovasi utama merangkumi penyelesaian bentuk tertutup untuk pemberat strategi adaptif dan peramal rejim berasaskan LSTM yang mencapai ketepatan 78% pada ufuk 5 hari.

Visualisasi sinergi: Mean Reversion (gelombang sinus sian) dan Momentum (tren oren) bergabung menjadi strategi bersatu berprestasi tinggi

Asas Matematik Penguraian Isyarat

Pemisahan Pulangan Berasaskan Faktor

Analisis Komponen Utama (PCA) mengasingkan pulangan idiosinkratik daripada faktor pasaran sistemik:

di mana $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Ini menjelaskan 82% varians pulangan sambil menapis beta pasaran, membolehkan pengekstrakan alfa tulen [^1][^5].

Visualisasi PCA: menguraikan pulangan aset kepada komponen utama untuk mengasingkan alfa idiosinkratik daripada faktor risiko pasaran menyeluruh

Pemberat Strategi Adaptif

Pemberat optimum untuk strategi mean reversion (MR) dan momentum (MOM) diperoleh daripada:

di mana kovarians $\sigma_{MR,MOM}$ dikemas kini melalui tetingkap bergulir 63 hari [^5][^11]. Syarat penukaran:

• Dominasi Momentum: $ADX_{20} > 25$
• Isyarat mean reversion: $ADF_{p-value} 25$): Utamakan MOM

3. Volatiliti tinggi ($\sigma > 25\%$): Kurangkan leverage

Kebarangkalian peralihan menunjukkan keterusan 0.85–0.92, memerlukan penganggar semula bulanan melalui algoritma Baum-Welch [^4][^17].

Model Markov Tersembunyi (HMM) untuk pengesanan rejim: mengenal pasti keadaan Bull, Bear, dan Sideways secara dinamik dengan logik peralihan automatik

Pelaksanaan Strategi

Pengoptimuman Dinamik Berasaskan 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)  

Pengoptimuman Hiperparameter Bayesian

Menggunakan 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)  

Julat optimum yang diperoleh:

• Lookback: 45–60 hari
• Ambang ADX: 23.5–26.8
• Nilai-p ADF: 0.03–0.07

Kerangka Pengurusan Risiko

CVaR Bersyarat Dinamik

di mana $f(x)$ memodelkan pulangan sebagai campuran taburan-t yang diberi pemberat oleh kebarangkalian keadaan HMM [^4][^16].

Leverage Dioptimumkan Kelly

dengan pensaizan posisi dihadkan kepada 50% had CVaR [^6][^14].

Analisis Prestasi

Keputusan ujian balik 2008–2009 menunjukkan pulangan mutlak 23% berbanding penurunan S&P 500 -37% [^1][^5]

Peningkatan Pembelajaran Mesin

Peramal Rejim 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 keadaan HMM  
model.compile(loss='categorical_crossentropy', optimizer='adam')  

Mencapai ketepatan 78% pada ramalan rejim 5 hari apabila dilatih pada faktor VIX, ADX, dan PCA [^17].

Kesimpulan dan Hala Tuju Masa Depan

Sintesis strategi mean reversion dan momentum memerlukan:

1. Penjejakan kovarians masa nyata melalui PCA yang teguh
2. Pengesanan rejim bukan linear menggunakan hibrid HMM/LSTM
3. Pengoptimuman cembung dengan kekangan kos transaksi

Pendekatan baharu menunjukkan potensi:

• Pembelajaran peneguhan untuk penalaan parameter dalam talian
• Pelinciran kuantum untuk menyelesaikan pengoptimuman portfolio berdimensi tinggi
• Integrasi data alternatif (sentimen berita, imej satelit) untuk jangkaan rejim

Dengan mengekalkan pemisahan yang ketat antara komponen isyarat dan menyesuaikan diri secara berterusan dengan dinamik pasaran, para penganalisis kuantitatif boleh mencapai penjanaan alfa yang konsisten merentas kitaran pasaran.

Petikan

@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/ms/blog/post/dynamic-combining-strategies},
  version = {0.1.0},
  description = {Penerokaan mendalam tentang cara mengintegrasikan strategi mean reversion dan momentum dalam arbitraj statistik menggunakan penguraian isyarat berasaskan PCA, model penukaran rejim, dan pengoptimuman portfolio dinamik.}
}

Rujukan

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