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.

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:

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].

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:

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

3. 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].

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):  
        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)  

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

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

Kelly-Optimize Edilmiş Kaldıraç

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

Performans Analizi

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:

1. Gerçek zamanlı kovaryans takibi: sağlam PCA aracılığıyla
2. Doğrusal olmayan rejim tespiti: HMM/LSTM hibrit kullanarak
3. 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.}
}

Kaynaklar

1. Hudson Thames - Ortalamaya Dönüş ve Momentum Yatırım Stratejilerinin Dinamik Birleştirilmesi
2. Stratejik Varlık Tahsisinde Momentum ve Ortalamaya Dönüş
3. Kantitatif Yöntemi Yeniden Değerlendirme Gerekçesi
4. SSRN - Stratejik Varlık Tahsisi Makalesi
5. SSRN - İstatistiksel Arbitraj Makalesi
6. Investopedia - İstatistiksel Arbitraj
7. Investopedia - Ortalamaya Dönüş
8. VP Bank - Momentum Yatırımı
9. QuestDB - Portföy Riski için PCA
10. Science Direct - Finansal Piyasa Araştırması
11. SSRN - İstatistiksel Arbitraj Teslimatı
12. Wikipedia - İstatistiksel Arbitraj
13. Hudson Thames - İstatistiksel Arbitraj Kategorisi
14. QuestDB - İstatistiksel Arbitraj Sözlüğü
15. Wundertrading - İstatistiksel Arbitraj
16. CiteSeerX - İstatistiksel Araştırma Makalesi