Dynamisch combineren van Mean Reversion- en Momentum-strategieën in statistische arbitrage: wiskundige grondslagen en praktische implementatie

Samenvatting

Dit artikel presenteert een kwantitatief raamwerk voor het integreren van mean reversion- en momentum-strategieën in statistische arbitrage. Door PCA-gebaseerde signaaldecompositie, regime-switching modellen en dynamische portefeuille-optimalisatie te combineren, laten we zien hoe Sharpe-ratio's van 1,4–1,6 haalbaar zijn, met een reductie van maximale drawdowns van 30–40% ten opzichte van geïsoleerde strategieën. Belangrijke innovaties zijn onder meer een gesloten-vorm-oplossing voor adaptieve strategiegewichting en een op LSTM gebaseerde regimevoorspeller die 78% nauwkeurigheid behaalt op een horizon van 5 dagen.

Visualisatie van de synergie: Mean Reversion (cyaan sinusgolf) en Momentum (oranje trend) versmelten tot één krachtige, hoogpresterende strategie

Wiskundige grondslagen van signaaldecompositie

Op factoren gebaseerde scheiding van rendementen

Principal Component Analysis (PCA) isoleert idiosyncratische rendementen van systemische marktfactoren:

waarbij $K = \arg\max\left\{\sum_{i=1}^k \lambda_i / \sum \lambda_i \geq 0.95\right\}$ [^9]. Dit verklaart 82% van de variantie in rendementen terwijl het marktbèta wordt uitgefilterd, wat pure alfa-extractie mogelijk maakt [^1][^5].

PCA-visualisatie: het ontleden van assetrendementen in hoofdcomponenten om idiosyncratische alfa te isoleren van marktbrede risicofactoren

Adaptieve strategiegewichting

Optimale gewichten voor mean reversion (MR) en momentum (MOM) strategieën worden afgeleid van:

waarbij de covariantie $\sigma_{MR,MOM}$ wordt bijgewerkt via een voortschrijdend venster van 63 dagen [^5][^11]. Overschakelvoorwaarden:

• Momentum-dominantie: $ADX_{20} > 25$
• Mean reversion-signaal: $ADF_{p-value} 25$): Favoriseer MOM

3. Hoge volatiliteit ($\sigma > 25\%$): Verlaag hefboom

Overgangswaarschijnlijkheden tonen een persistentie van 0,85–0,92, wat maandelijkse herschatting vereist via het Baum-Welch-algoritme [^4][^17].

Hidden Markov Model (HMM) voor regimedetectie: dynamisch identificeren van Bull-, Bear- en Sideways-toestanden met geautomatiseerde overgangslogica

Implementatie van de strategie

Python-gebaseerde dynamische optimalisatie

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)  

Bayesiaanse hyperparameter-optimalisatie

Met behulp van de 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)  

Optimale bereiken die naar voren komen:

• Lookback: 45–60 dagen
• ADX-drempel: 23,5–26,8
• ADF p-waarde: 0,03–0,07

Risicobeheer-raamwerk

Dynamische conditionele VaR

waarbij $f(x)$ rendementen modelleert als een mengsel van t-verdelingen gewogen naar HMM-toestandswaarschijnlijkheden [^4][^16].

Kelly-geoptimaliseerde hefboom

waarbij de positiegrootte wordt beperkt tot 50% van de CVaR-limiet [^6][^14].

Prestatieanalyse

Backtestresultaten 2008–2009 tonen een absoluut rendement van 23% tegenover een daling van -37% voor de S&P 500 [^1][^5]

Verbetering met machine learning

LSTM-regimevoorspeller

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')  

Behaalt 78% nauwkeurigheid bij regimevoorspellingen over 5 dagen wanneer getraind op VIX, ADX en PCA-factoren [^17].

Conclusie en toekomstige richtingen

De synthese van mean reversion- en momentum-strategieën vereist:

1. Realtime covariantietracking via robuuste PCA
2. Niet-lineaire regimedetectie met HMM/LSTM-hybrides
3. Convexe optimalisatie met beperkingen op transactiekosten

Opkomende benaderingen zijn veelbelovend:

• Reinforcement learning voor online parameterafstemming
• Quantum annealing om hoogdimensionale portefeuille-optimalisaties op te lossen
• Integratie van alternatieve data (nieuwssentiment, satellietbeelden) voor het anticiperen op regimes

Door de signaalcomponenten strikt gescheiden te houden en zich continu aan te passen aan de marktdynamiek, kunnen quants consistente alfa-generatie realiseren over verschillende marktcycli heen.

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