Mean reversion: qualcosa da conoscere per statistica e finanza
Scopri cos'è la mean reversion, come identificare un comportamento mean-reverting nelle serie temporali e come il concetto viene usato in statistica, trading e finanza quantitativa.
Immagina di osservare lo spread tra due titoli aerei, società che tendono a muoversi insieme perché condividono gli stessi costi del carburante, rotte e domanda dei passeggeri. Una mattina, lo spread si allarga bruscamente: qualcosa di idiosincratico ha colpito un ticker mentre l'altro è rimasto quasi fermo. Un trader quant si chiede una cosa molto specifica: è probabile che quello spread torni a restringersi, o è cambiato qualcosa di strutturale?
La mean reversion è la tendenza di una variabile a tornare verso un livello di lungo periodo dopo essersene allontanata. Sostiene un'ampia gamma di modelli di serie temporali e strategie di trading quantitativo, ed è il motore statistico dietro un'intera famiglia di approcci nota come arbitraggio statistico. La cosa critica da ricordare, e a cui questo articolo tornerà spesso: la mean reversion è una proprietà da testare, non un'assunzione da fare sui prezzi.
Che cos'è la mean reversion?
La mean reversion descrive una tendenza dinamica: quando una variabile si allontana dal suo livello di equilibrio, forze tendono a riportarla indietro. Quell'equilibrio può essere una media statistica di lungo periodo, un fair value implicito dai fondamentali o una relazione di cointegrazione tra due serie. Una deviazione positiva (valore al di sopra della media) tende a essere seguita da un calo. Una deviazione negativa tende a essere seguita da un rialzo.
Ciò che rende interessante la mean reversion è ciò che implica sugli shock. In un processo mean-reverting, uno shock è temporaneo. Il suo effetto si attenua nel tempo e la serie alla fine torna verso l'equilibrio. È molto diverso da un random walk, in cui ogni shock è permanente e la serie non ha una "casa" a cui tornare. Tra poco affronteremo correttamente questa distinzione.
Come funziona la mean reversion
Ecco l'intuizione di base. Una variabile oscilla attorno a un livello di equilibrio. Uno shock (utili deludenti, sorpresa di politica economica, stretta di liquidità) la spinge lontano da quel livello. Più si allontana, più forte può essere la forza di richiamo. Nel tempo, l'effetto dello shock svanisce e la variabile torna gradualmente indietro.
Confrontalo con un random walk. Il valore di ciascun periodo è pari al valore del periodo precedente più uno shock casuale, e quello shock non scompare mai. Non c'è un equilibrio a cui tornare; la serie vaga. La differenza conta enormemente per le previsioni: le serie mean-reverting sono, almeno in linea di principio, in parte prevedibili su orizzonti più lunghi. I random walk no.
Come identificare la mean reversion
Passare dall'intuizione all'evidenza richiede analisi statistiche. Nessun test singolo è sufficiente. Vuoi più forme di evidenza che puntino nella stessa direzione.
Traccia la serie temporale
Inizia visivamente. Una serie mean-reverting tende a oscillare attorno a un livello relativamente stabile piuttosto che a deviare in modo persistente verso l'alto o il basso. Ma l'ispezione visiva può ingannare: una serie in trend può sembrare mean-reverting su finestre brevi, e un processo di lenta mean reversion può sembrare quasi indistinguibile da un random walk. Il grafico è un primo passaggio, non una sentenza.
Esamina l'autocorrelazione
L'autocorrelazione misura la correlazione tra una serie e i suoi valori ritardati. In un processo mean-reverting, la funzione di autocorrelazione (ACF) decade rapidamente verso zero, riflettendo la natura transitoria delle deviazioni. Al contrario, un processo con unit root mostra autocorrelazioni che restano vicine a 1,0 anche a ritardi lunghi. Il grafico ACF può rivelare questo schema: un calo rapido è coerente con la mean reversion, mentre un declino lento e lineare suggerisce non stazionarietà. Detto ciò, l'autocorrelazione da sola non conferma la stazionarietà. È un pezzo del puzzle.
Testa la stazionarietà
Il test Augmented Dickey-Fuller (ADF) è il punto di partenza standard. Verifica l'ipotesi nulla che la serie abbia una unit root, cioè che sia un random walk. Rigettare l'ipotesi nulla suggerisce che la serie possa essere stazionaria, proprietà strettamente associata a un comportamento mean-reverting. Un p-value inferiore a 0,05 ti dà basi per procedere, anche se non certezza.
Stima la velocità di mean reversion
Se i test supportano la mean reversion, la domanda successiva è quanto velocemente avviene. Il parametro di velocità (spesso indicato con κ nei modelli in tempo continuo, o θ in alcune parametrizzazioni) indica la rapidità con cui le deviazioni decadono. Alta velocità significa che le deviazioni si riducono rapidamente; bassa velocità significa che il processo vaga parecchio prima di rientrare. Questo conta in pratica: un processo di mean reversion molto lento potrebbe non essere negoziabile su orizzonti realistici.
Mean reversion vs. random walk
Questa distinzione merita una sezione a parte perché è quella che più spesso viene fraintesa.
Un random walk non ha una media di lungo periodo a cui tornare. Gli shock sono permanenti. La serie è non stazionaria, cioè le sue proprietà statistiche (media, varianza) cambiano nel tempo. Prevedere oltre il brevissimo termine è inutile. Un processo mean-reverting è stazionario (o almeno trend-stationary): le sue proprietà sono stabili, gli shock sono transitori e le previsioni su orizzonti più lunghi hanno contenuto informativo reale.
Ecco la trappola: una serie di prezzi che è tornata più volte a un certo livello nella storia non è necessariamente mean-reverting. Vagando abbastanza a lungo, qualsiasi random walk rivisiterà il suo valore iniziale. La domanda è se esista una forza di richiamo strutturale verso l'equilibrio, e questo richiede test statistici, non riconoscimento di pattern.
Proprietà
Mean-reverting
Random walk
Comportamento di lungo periodo
Oscilla attorno a un livello stabile
Deriva senza limiti
Persistenza dello shock
Transitoria
Permanente
Stazionarietà
Stazionaria
Non stazionaria
Prevedibilità
Sì, su orizzonti più lunghi
Molto limitata
Mean reversion e stazionarietà
Mean reversion e stazionarietà sono un'altra fonte di confusione. Sono strettamente correlate, ma non sono la stessa cosa. La stazionarietà è una proprietà statistica formale: un processo stazionario ha media costante, varianza costante e autocovarianza che dipende solo dal ritardo, non dal periodo di tempo. La mean reversion è una tendenza dinamica, la forza di richiamo verso l'equilibrio.
La maggior parte dei modelli mean-reverting assume la stazionarietà, e la maggior parte dei processi stazionari mostra una qualche forma di comportamento mean-reverting. Ma la relazione non è perfettamente biunivoca. Un processo può essere stazionario senza dinamiche di mean reversion particolarmente forti, e l'etichetta "mean-reverting" a volte viene applicata in modo approssimativo a processi solo debolmente stazionari. Vale la pena mantenere chiara la distinzione quando si legge la letteratura.
Mean reversion vs. momentum
Mean reversion e momentum tirano in direzioni opposte. La mean reversion presume che movimenti insolitamente ampi abbiano maggiori probabilità di invertire. Un'azione che è scesa bruscamente rispetto al suo intervallo storico ci si aspetta (in questa visione) che recuperi, non perché i prezzi "debbano" tornare indietro, ma perché la deviazione dal fair value crea un'opportunità di rendimento.
Il momentum assume l'opposto: il movimento direzionale recente ha maggiori probabilità di continuare. Un'azione che è salita con forza negli ultimi dodici mesi dovrebbe continuare a sovraperformare.
Le evidenze a favore del momentum sono piuttosto solide su orizzonti di medio termine (da uno a dodici mesi), mentre la mean reversion tende a emergere più chiaramente su orizzonti brevi (giorni o settimane) e molto lunghi (multiannuali). I mercati possono, e lo fanno, mostrare entrambi i comportamenti contemporaneamente su scale temporali diverse. Nessuno dei due è una legge universale.
Il processo di Ornstein-Uhlenbeck
Il modello standard in tempo continuo per il comportamento mean-reverting è il processo di Ornstein-Uhlenbeck (OU):
Ogni termine ha un ruolo specifico. La parte κ(μ − Xt) è la forza di richiamo: quando Xt sta al di sopra della media di lungo periodo μ, il processo viene tirato verso il basso; quando sta al di sotto, verso l'alto. Il parametro κ controlla l'intensità di quel richiamo, cioè la velocità di mean reversion. Il termine σ dWt aggiunge rumore casuale con volatilità σ.
Simulare traiettorie OU con valori di κ diversi rende l'intuizione vivida. Con κ alto, le traiettorie restano vicine alla media e le deviazioni collassano rapidamente. Con κ basso, le traiettorie vagano ampiamente e, su finestre brevi, sembrano quasi indistinguibili da un random walk. Ecco perché stimare κ con cura è importante: un κ statisticamente significativo ma minuscolo può non essere azionabile in pratica.
Half-life della mean reversion
Il modello OU ci fornisce κ, ma κ da solo è difficile da interpretare intuitivamente. L'half-life traduce quella velocità astratta in qualcosa di concreto: il tempo atteso perché una deviazione dall'equilibrio si riduca della metà.
Un'half-life di tre giorni significa che il processo è rapido; le deviazioni collassano entro una settimana. Un'half-life di sei mesi implica che servirebbe un periodo di detenzione lungo per catturare la reversione, con rischi annessi. I trader quant confrontano le half-life stimate con i loro orizzonti di detenzione target prima di impegnarsi in una strategia.
Una cautela: l'half-life è un valore atteso, non una garanzia. Qualsiasi deviazione potrebbe persistere molto più a lungo, soprattutto in presenza di cambi di regime o rotture strutturali.
Mean reversion in finanza
Dove compare concretamente la mean reversion nei mercati finanziari? In alcuni ambiti le evidenze sono solide; in altri, meno.
Spread tra asset. Gli spread tra asset correlati (la differenza di prezzo tra due titoli dello stesso settore, o lo spread di rendimento tra due obbligazioni simili) sono tra i candidati più plausibili alla mean reversion. Nessun singolo prezzo deve essere stazionario; lo spread tra di essi può esserlo, se gli asset condividono una relazione di lungo periodo.
Tassi d'interesse. I tassi a breve mostrano storicamente un forte comportamento mean-reverting. Le banche centrali hanno range obiettivo e i tassi che se ne allontanano troppo tendono a essere riportati indietro dalla politica. I tassi a più lungo termine sono più dibattuti.
Volatilità. La volatilità implicita e realizzata è ampiamente riconosciuta come mean-reverting. Gli spike di volatilità, come quelli di marzo 2020, sono drammatici ma temporanei. Il VIX torna infine su livelli più normali, e i trader di volatilità ne approfittano regolarmente.
Rapporti di valutazione. Price-to-earnings, price-to-book e metriche simili mostrano mean reversion di lungo periodo, anche se il "lungo periodo" può essere davvero lungo. Affidarsi alla mean reversion delle valutazioni su orizzonti brevi è una fonte ben documentata di perdite iniziali.
Prezzi delle commodity. I prezzi delle commodity (petrolio, gas naturale, prodotti agricoli) sono spesso modellati come mean-reverting verso il costo marginale di produzione di lungo periodo. Quando i prezzi superano ampiamente il costo di produzione, arriva nuova offerta; quando crollano sotto, l'offerta si riduce. Il meccanismo è reale, ma lo è anche l'incertezza su dove si trovi la "vera" media in un dato momento.
Una cosa da sottolineare: i prezzi azionari individuali sono generalmente non stazionari. Sono gli spread, i rendimenti, le misure di volatilità o altre trasformazioni a mostrare più spesso un comportamento mean-reverting, non i livelli di prezzo grezzi.
Mean reversion, correlazione e cointegrazione
C'è un'ulteriore distinzione concettuale che fa inciampare anche persone esperte, e sbagliarla porta a strategie mal costruite.
La correlazione misura come due variabili si muovono insieme. Alta correlazione significa che tendono a salire e scendere nello stesso momento. Ma non dice nulla sul fatto che lo spread tra loro sia mean-reverting. Due titoli possono avere una correlazione di 0,9 e comunque essere una pessima coppia per il pairs trade, perché la correlazione non dice nulla sulla stabilità dello spread nel tempo.
La cointegrazione è un'affermazione più forte. Due serie non stazionarie sono co-integrate se una loro combinazione lineare è stazionaria, il che significa che condividono una relazione di equilibrio di lungo periodo e non possono divergere permanentemente. Entrambe le azioni possono salire insieme per anni, poi divergere in modo permanente: è alta correlazione senza cointegrazione, e senza un trade affidabile. Testare la cointegrazione con il test di Engle-Granger o la procedura di Johansen ti offre una base più difendibile per assumere che lo spread si riporterà verso la media. Questa è la base statistica del pairs trading.
Puoi avere due asset con correlazione 0,95 il cui spread è un random walk. Testa sempre.
Mean reversion e pairs trading
Il pairs trading è l'esempio più chiaro di mean reversion messa in pratica, e potresti essere arrivato a questo articolo proprio per questa connessione.
Si parte identificando due asset con una plausibile relazione economica di lungo periodo: due major petrolifere, due banche large cap, due società di beni di consumo primario. Qui conta la logica economica. Selezionare solo in base alle correlazioni storiche senza una base fondamentale tende a produrre relazioni spurie che crollano fuori campione. Si costruisce uno spread, tipicamente un rapporto o una combinazione lineare dei due prezzi, usando un hedge ratio stimato tramite regressione anziché l'assunzione ingenua uno-a-uno. Poi si testa se quello spread è mean-reverting usando gli strumenti visti sopra: test ADF, analisi dell'autocorrelazione, stima dell'half-life. Se l'evidenza è favorevole, si procede.
Il trade in sé è abbastanza lineare. Quando lo spread si allarga in modo insolito rispetto alla sua media storica, misurato usando uno z-score che standardizza la deviazione come (spread corrente meno media mobile) diviso per la deviazione standard, vai long sul sotto-performer e short sull'outperformer, aspettandoti che lo spread si restringa. Uno z-score di +2 segnala che lo spread è due deviazioni standard sopra la norma storica; un approccio comune è entrare a ±2,0 e uscire quando torna verso zero. Il punto chiave, che spesso si perde nelle spiegazioni semplicistiche: è lo spread che ci si aspetta sia mean-reverting, non i singoli titoli. La struttura long/short riduce anche l'esposizione ai movimenti del mercato in generale. Il profitto deriva dal movimento relativo, non dalla direzione del mercato.
Arbitraggio statistico: andare oltre
Il pairs trading è il punto d'ingresso più intuitivo alle strategie di mean reversion, ma è un'istanza di una famiglia più ampia di approcci nota come arbitraggio statistico.
L'arbitraggio statistico (stat arb) utilizza relazioni statistiche tra strumenti per individuare mispricing relativi: quando due strumenti storicamente collegati divergono temporaneamente dalla relazione attesa, scommetti che convergeranno. Una precisazione importante: l'arbitraggio statistico non è arbitraggio privo di rischio. L'arbitraggio tradizionale sfrutta discrepanze di prezzo quasi meccaniche, lo stesso asset che scambia a prezzi diversi su due borse, dove il profitto è quasi certo se riesci a eseguire abbastanza in fretta. L'arbitraggio statistico scommette su una convergenza probabilistica. Profili di rischio completamente diversi.
Strategie di trading mean-reverting
Ci sono diverse idee di trading basate sulla mean reversion. Eccone alcune:
Strategie basate sullo z-score. Standardizza le deviazioni rispetto a una media storica mobile tramite la deviazione standard mobile. Uno z-score superiore a +2 segnala che la variabile è insolitamente estesa; inferiore a −2 segnala che è insolitamente depressa. Il trading basato su soglie di z-score è una delle implementazioni più semplici della mean reversion ed è ampiamente usato per singoli asset, spread e portafogli fattoriali.
Strategie con Bande di Bollinger. Le Bande di Bollinger posizionano inviluppi superiore e inferiore intorno a una media mobile, a due deviazioni standard. Quando il prezzo tocca la banda superiore, la serie è estesa rispetto alla storia recente; quando tocca la banda inferiore, è depressa. La strategia scambia il ritorno atteso verso la media mobile. Tieni a mente che la media mobile è la "media" a cui si torna, quindi la domanda rilevante è sempre se un dato asset effettivamente mean-reverta, non solo se tocca la banda.
Pairs trading. Già trattato sopra. L'oggetto di interesse è lo spread, e la posizione è market-neutral per costruzione.
Arbitraggio statistico multi-asset. La stessa logica del pairs trading, estesa a portafogli di molti asset. Usi l'analisi delle componenti principali su una grande matrice di covarianza, ma l'intuizione è la stessa.
Vale la pena dirlo chiaramente: un segnale statistico non garantisce una convergenza profittevole. Costi di transazione, costi di prestito titoli e cambi di regime possono annullare del tutto i presunti edge. Le strategie sopra descrivono le condizioni di ingresso in posizione, non le condizioni per guadagnare.
Come analizzare la mean reversion in Python
Qui diventa pratico. Il codice seguente conduce un'analisi compatta di mean reversion su uno spread simulato, coprendo gli essenziali: grafico, media mobile, test ADF e stima dell'half-life. Sostituisci con uno spread reale tra coppie, ad esempio il rapporto dei log-prezzi di due titoli co-integrati, e si applica la stessa pipeline.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.regression.linear_model import OLS
# Simulate a mean-reverting spread using an AR(1) process
np.random.seed(42)
n =500
phi =0.92# AR coefficient; close to 1 = slow mean reversion
spread = np.zeros(n)for t inrange(1, n):
spread[t]= phi * spread[t-1]+ np.random.normal(0,1)
spread_series = pd.Series(spread, name="spread")# --- Step 1: Plot the series with its rolling mean ---
rolling_mean = spread_series.rolling(window=60).mean()
plt.figure(figsize=(10,4))
plt.plot(spread_series, label="Spread", alpha=0.7)
plt.plot(rolling_mean, label="60-period rolling mean", linewidth=2)
plt.axhline(0, color="black", linestyle="--", linewidth=0.8)
plt.title("Simulated Mean-Reverting Spread")
plt.legend()
plt.tight_layout()
plt.show()# --- Step 2: ADF test for stationarity ---
adf_result = adfuller(spread_series.dropna())print(f"ADF statistic : {adf_result[0]:.4f}")print(f"p-value : {adf_result[1]:.4f}")print("Reject unit root?","Yes"if adf_result[1]<0.05else"No")# --- Step 3: Estimate half-life via AR(1) regression —
lagged = spread_series.shift(1).dropna()
delta = spread_series.diff().dropna()
model = OLS(delta, lagged).fit()
kappa =-model.params.iloc[0]# speed of mean reversion
half_life = np.log(2)/ kappa
print(f"\nEstimated half-life: {half_life:.1f} periods")Offerto da
Eseguendo questo codice con il seed sopra si ottiene un p-value ben al di sotto di 0,05 e un'half-life di circa sette periodi. Il valore teorico per φ = 0,92 è circa 8,7 periodi; le singole esecuzioni varieranno attorno a quello. Ricorda solo: l'interpretazione conta più della meccanica. Un risultato ADF statisticamente significativo su una finestra storica non significa che la relazione terrà in futuro. Questa regressione omette l'intercetta, il che è valido per dati a media zero. Per spread reali con media non zero, aggiungi una costante usando add_constant(lagged) ed estrai il secondo coefficiente.
La mean reversion fallisce in modi prevedibili. Conoscere le modalità di fallimento è utile quanto conoscere la strategia.
La media può cambiare
I livelli di equilibrio storici sono stimati dai dati, e i dati riflettono il passato. Rotture strutturali (una fusione, un cambiamento normativo, uno spostamento della dinamica competitiva) possono invalidare del tutto la media storica. Lo spread che pensavi mean-reverting verso zero potrebbe ora avere un equilibrio a +50 punti base. Applicare una strategia costruita sulla vecchia media è un modo affidabile per perdere denaro. Nel pairs trading in particolare, le aziende si fondono, divergono o cambiano modello di business, e una coppia strettamente co-integrata per cinque anni può decouplarsi dall'oggi al domani.
I trend possono essere scambiati per mean reversion
Su un campione breve, una serie in trend può sembrare mean-reverting semplicemente perché torna a una media mobile locale. Questo è particolarmente comune nei backtest che usano una finestra di lookback fissa. Il rimedio è testare su più periodi campione ed essere scettici sui risultati che compaiono solo su finestre strette.
Costi di transazione
Il trading frequente erode i rendimenti. Una strategia con half-life di due giorni potrebbe richiedere ribilanciamenti quotidiani, e i costi round-trip possono facilmente superare il profitto atteso per trade. Lo short aggiunge ulteriori costi: commissioni di prestito titoli e rischio di buy-in da parte del broker. Lo slippage tra prezzi modellati e riempimenti reali si accumula su centinaia di operazioni. I rendimenti su carta e quelli live possono differire drasticamente per strategie mean-reverting ad alta frequenza.
Trade affollati
Quando molti fondi adottano strategie simili, diventano esposti al comportamento reciproco. Il meltdown quant di agosto 2007 è avvenuto proprio perché troppi desk di stat arb azionari hanno liquidato simultaneamente, e la conseguente cascata non aveva nulla a che fare con le relazioni sottostanti su cui quelle strategie erano costruite. Quando una strategia funziona, attrae capitale; quando ne attrae troppo, smette di funzionare, a volte gradualmente e a volte all'improvviso.
Cambi di regime
I modelli di stat arb sono calibrati su un particolare ambiente di mercato: un regime di volatilità, un ciclo dei tassi, una struttura di correlazione. Quando quell'ambiente cambia, si muovono tutte le assunzioni insieme. Non è una singola coppia che si rompe; è l'intero portafoglio che si comporta male perché le proprietà statistiche su cui è stato costruito non valgono più. Le finestre storiche di lookback non ti avviseranno in anticipo.
Sensibilità ai parametri
I risultati dipendono molto dalla finestra di lookback usata per stimare la media, dalla soglia di ingresso e dalla regola di uscita. Piccoli cambiamenti in uno qualsiasi di questi possono trasformare una strategia da profittevole a non profittevole. Stress test espliciti prima di fidarti di qualsiasi backtest.
Overfitting del backtest
Il rischio più subdolo. Con abbastanza parametri e dati storici, puoi adattare una strategia a quasi qualsiasi periodo passato, e degraderà nettamente nel trading live. Walk-forward testing e validazione out-of-sample non sono opzionali.
Conclusione
La mean reversion è uno di quei concetti che sembrano semplici finché non provi a usarli. L'idea di base, che le deviazioni dall'equilibrio tendano a invertire, è intuitiva. Più difficile è stabilire se una determinata serie abbia davvero quella proprietà, stimare quanto velocemente rientri e costruire strategie che sopravvivano a costi di transazione, cambi di regime e incertezza sui parametri. L'arbitraggio statistico formalizza questa sfida in una disciplina di trading, ma la difficoltà centrale resta la stessa: le relazioni che scambi competono con chiunque altro abbia trovato le stesse.
Qualche takeaway: testa prima di assumere; presta attenzione a ciò che sta facendo la reversione (spread e trasformazioni, non prezzi grezzi); distingui correlazione da cointegrazione, perché non sono intercambiabili; e tratta i rischi sopra come parte della strategia, non come un ripensamento. Il nostro corso Time Series Analysis in Python copre in profondità test di stazionarietà, modelli ARIMA e forecasting. Per applicazioni al trading in particolare, Financial Trading in Python copre l'implementazione e la valutazione pratica di strategie quantitative.
Vinod Chugani ha iniziato la sua carriera a Tokyo come il più giovane Head dell'Hedge Fund Sales Desk di JPMorgan e in seguito ha stabilito un record personale di vendite a Lehman Brothers, poi ha costruito un'attività di distribuzione di elettronica in 30 paesi superando i 100 milioni di SG$ di fatturato prima di passare ai dati. Laureato in Economia alla Duke e diplomato alla NYC Data Science Academy, è stato uno dei tre beneficiari di borsa di studio su oltre 100 candidati per il corso Building AI Applications di Hugo Bowne-Anderson su Maven. Oggi scrive per DataCamp, KDnuggets, Machine Learning Mastery e Statology su argomenti che vanno dalla statistica all'AI agentica, e fa da mentor a professionisti dei dati alla NYC Data Science Academy con oltre 1.000 sessioni one-to-one all'attivo.
Domande frequenti sulla mean reversion
La mean reversion è la stessa cosa della stazionarietà?⌄
Non esattamente. La stazionarietà è una proprietà statistica formale: una serie stazionaria ha media costante, varianza costante e una struttura di autocovarianza invariabile nel tempo. La mean reversion descrive una tendenza dinamica, la forza di richiamo verso l'equilibrio dopo una deviazione. La maggior parte dei modelli di mean reversion assume la stazionarietà, e la maggior parte dei processi stazionari mostra un certo comportamento mean-reverting, ma i termini non sono intercambiabili. Un processo può essere stazionario senza dinamiche di mean reversion forti, e talvolta si usa "mean-reverting" in modo approssimativo dove "stazionario" sarebbe più preciso.
I prezzi dei singoli titoli possono essere mean-reverting?⌄
In generale, no. I prezzi dei singoli titoli sono tipicamente non stazionari: fanno trend, derivano e non si assestano attorno a un livello stabile. Ciò che può essere mean-reverting è una trasformazione, come lo spread tra due titoli co-integrati, un rapporto di valutazione come il P/E o i rendimenti su finestre brevi. Quando qualcuno sostiene che un'azione "torna sempre su", di solito confonde le occasionali rivisitazioni di livelli passati tipiche di un random walk con un vero processo mean-reverting.
Come interpreto il p-value di un test ADF?⌄
L'ipotesi nulla del test ADF è che la serie abbia una unit root, cioè si comporti come un random walk. Un p-value basso (sotto 0,05 per convenzione) ti dà basi per rigettare quell'ipotesi nulla, evidenza a favore della stazionarietà e della possibile mean reversion. Un p-value alto significa che non puoi rigettare l'ipotesi di random walk. Una nota: il test ADF ha bassa potenza su campioni piccoli e contro serie con mean reversion lenta, quindi non rigettare non prova definitivamente che la serie sia un random walk.
Qual è la differenza tra pairs trading e arbitraggio statistico?⌄
Il pairs trading è una strategia specifica a due asset. Vai long su un asset e short su un altro quando il loro spread devia dalla sua media storica, aspettandoti che si restringa. L'arbitraggio statistico generalizza questo a portafogli di molti asset, gestendo molte posizioni mean-reverting simultaneamente e facendo leva sulla diversificazione tra segnali non correlati. I desk di stat arb negli hedge fund tipicamente gestiscono centinaia di posizioni alla volta. Il pairs trading è il mattone concettuale; lo stat arb è la versione industriale.
Perché i costi di transazione contano così tanto per le strategie mean-reverting?⌄
Perché le strategie mean-reverting fanno trading spesso. Entri ed esci man mano che gli spread si muovono dentro e fuori dalle bande soglia, e ogni round-trip comporta costi di bid-ask, commissioni e impatto di mercato. Una strategia con half-life di due giorni può fare decine di operazioni al mese per coppia. Se il profitto atteso per trade è piccolo (come di solito in mercati ben arbitrati), i costi di transazione possono facilmente superare i rendimenti lordi. Ecco perché molte strategie di mean reversion che in backtest sembrano ottime deludono nel trading live.
Come si collega il processo di Ornstein-Uhlenbeck ai modelli dei tassi d'interesse?⌄
Il processo OU è il fondamento in tempo continuo di diversi modelli classici dei tassi d'interesse, in particolare il modello di Vasicek. In Vasicek, il tasso a breve segue un processo OU, che deriva verso una media di lungo periodo alla velocità κ con volatilità σ. Questo cattura l'intuizione economica che le banche centrali hanno target impliciti e che i tassi non possono derivare all'infinito. Il modello è trattabile analiticamente e produce formule di pricing obbligazionario in forma chiusa, motivo per cui è diventato uno standard nonostante permetta tassi negativi.
Cosa mi indica praticamente l'half-life per una strategia di trading?⌄
L'half-life ti dà una stima approssimativa di quanto a lungo dovresti mantenere una posizione affinché la deviazione si riduca della metà. Un'half-life di cinque giorni suggerisce un trade di breve periodo che richiede gestione attiva; un'half-life di tre mesi indica una posizione più lenta, di lungo periodo. In pratica, i trader confrontano l'half-life stimata con la loro tolleranza ai costi di transazione e con i vincoli di holding period. Una relazione mean-reverting statisticamente valida con un'half-life di due anni raramente vale la pena di essere tradata a meno che tu possa permetterti di sopportare lunghi drawdown.
Mean reversion e momentum possono coesistere nello stesso mercato?⌄
Sì, e spesso coesistono su orizzonti temporali diversi. Il momentum tende a dominare su orizzonti di medio termine (circa da uno a dodici mesi), in cui i recenti vincenti continuano a sovraperformare. La mean reversion tende a dominare su orizzonti molto brevi (giorni o settimane, guidata da rimbalzi bid-ask ed effetti di liquidità) e molto lunghi (multiannuali, in cui le valutazioni tornano ai fondamentali). Un mercato può mostrare entrambi i pattern senza contraddizione poiché operano a frequenze diverse. È anche il motivo per cui una strategia di momentum ingenua può sembrare mean-reverting su una finestra di backtest breve.
Scopri i 15 migliori server MCP remoti che stanno trasformando lo sviluppo AI nel 2026. Scopri come migliorano automazione, ragionamento, sicurezza e velocità dei workflow.
Immagina di osservare lo spread tra due titoli aerei, società che tendono a muoversi insieme perché condividono gli stessi costi del carburante, rotte e domanda dei passeggeri. Una mattina, lo spread si allarga bruscamente: qualcosa di idiosincratico ha colpito un ticker mentre l'altro è rimasto quasi fermo. Un trader quant si chiede una cosa molto specifica: è probabile che quello spread torni a restringersi, o è cambiato qualcosa di strutturale?
La mean reversion è la tendenza di una variabile a tornare verso un livello di lungo periodo dopo essersene allontanata. Sostiene un'ampia gamma di modelli di serie temporali e strategie di trading quantitativo, ed è il motore statistico dietro un'intera famiglia di approcci nota come arbitraggio statistico. La cosa critica da ricordare, e a cui questo articolo tornerà spesso: la mean reversion è una proprietà da testare, non un'assunzione da fare sui prezzi.
Che cos'è la mean reversion?
La mean reversion descrive una tendenza dinamica: quando una variabile si allontana dal suo livello di equilibrio, forze tendono a riportarla indietro. Quell'equilibrio può essere una media statistica di lungo periodo, un fair value implicito dai fondamentali o una relazione di cointegrazione tra due serie. Una deviazione positiva (valore al di sopra della media) tende a essere seguita da un calo. Una deviazione negativa tende a essere seguita da un rialzo.
Ciò che rende interessante la mean reversion è ciò che implica sugli shock. In un processo mean-reverting, uno shock è temporaneo. Il suo effetto si attenua nel tempo e la serie alla fine torna verso l'equilibrio. È molto diverso da un random walk, in cui ogni shock è permanente e la serie non ha una "casa" a cui tornare. Tra poco affronteremo correttamente questa distinzione.
Come funziona la mean reversion
Ecco l'intuizione di base. Una variabile oscilla attorno a un livello di equilibrio. Uno shock (utili deludenti, sorpresa di politica economica, stretta di liquidità) la spinge lontano da quel livello. Più si allontana, più forte può essere la forza di richiamo. Nel tempo, l'effetto dello shock svanisce e la variabile torna gradualmente indietro.
Confrontalo con un random walk. Il valore di ciascun periodo è pari al valore del periodo precedente più uno shock casuale, e quello shock non scompare mai. Non c'è un equilibrio a cui tornare; la serie vaga. La differenza conta enormemente per le previsioni: le serie mean-reverting sono, almeno in linea di principio, in parte prevedibili su orizzonti più lunghi. I random walk no.
Come identificare la mean reversion
Passare dall'intuizione all'evidenza richiede analisi statistiche. Nessun test singolo è sufficiente. Vuoi più forme di evidenza che puntino nella stessa direzione.
Traccia la serie temporale
Inizia visivamente. Una serie mean-reverting tende a oscillare attorno a un livello relativamente stabile piuttosto che a deviare in modo persistente verso l'alto o il basso. Ma l'ispezione visiva può ingannare: una serie in trend può sembrare mean-reverting su finestre brevi, e un processo di lenta mean reversion può sembrare quasi indistinguibile da un random walk. Il grafico è un primo passaggio, non una sentenza.
Esamina l'autocorrelazione
L'autocorrelazione misura la correlazione tra una serie e i suoi valori ritardati. In un processo mean-reverting, la funzione di autocorrelazione (ACF) decade rapidamente verso zero, riflettendo la natura transitoria delle deviazioni. Al contrario, un processo con unit root mostra autocorrelazioni che restano vicine a 1,0 anche a ritardi lunghi. Il grafico ACF può rivelare questo schema: un calo rapido è coerente con la mean reversion, mentre un declino lento e lineare suggerisce non stazionarietà. Detto ciò, l'autocorrelazione da sola non conferma la stazionarietà. È un pezzo del puzzle.
Testa la stazionarietà
Il test Augmented Dickey-Fuller (ADF) è il punto di partenza standard. Verifica l'ipotesi nulla che la serie abbia una unit root, cioè che sia un random walk. Rigettare l'ipotesi nulla suggerisce che la serie possa essere stazionaria, proprietà strettamente associata a un comportamento mean-reverting. Un p-value inferiore a 0,05 ti dà basi per procedere, anche se non certezza.
Stima la velocità di mean reversion
Se i test supportano la mean reversion, la domanda successiva è quanto velocemente avviene. Il parametro di velocità (spesso indicato con κ nei modelli in tempo continuo, o θ in alcune parametrizzazioni) indica la rapidità con cui le deviazioni decadono. Alta velocità significa che le deviazioni si riducono rapidamente; bassa velocità significa che il processo vaga parecchio prima di rientrare. Questo conta in pratica: un processo di mean reversion molto lento potrebbe non essere negoziabile su orizzonti realistici.
Mean reversion vs. random walk
Questa distinzione merita una sezione a parte perché è quella che più spesso viene fraintesa.
Un random walk non ha una media di lungo periodo a cui tornare. Gli shock sono permanenti. La serie è non stazionaria, cioè le sue proprietà statistiche (media, varianza) cambiano nel tempo. Prevedere oltre il brevissimo termine è inutile. Un processo mean-reverting è stazionario (o almeno trend-stationary): le sue proprietà sono stabili, gli shock sono transitori e le previsioni su orizzonti più lunghi hanno contenuto informativo reale.
Ecco la trappola: una serie di prezzi che è tornata più volte a un certo livello nella storia non è necessariamente mean-reverting. Vagando abbastanza a lungo, qualsiasi random walk rivisiterà il suo valore iniziale. La domanda è se esista una forza di richiamo strutturale verso l'equilibrio, e questo richiede test statistici, non riconoscimento di pattern.
Proprietà
Mean-reverting
Random walk
Comportamento di lungo periodo
Oscilla attorno a un livello stabile
Deriva senza limiti
Persistenza dello shock
Transitoria
Permanente
Stazionarietà
Stazionaria
Non stazionaria
Prevedibilità
Sì, su orizzonti più lunghi
Molto limitata
Mean reversion e stazionarietà
Mean reversion e stazionarietà sono un'altra fonte di confusione. Sono strettamente correlate, ma non sono la stessa cosa. La stazionarietà è una proprietà statistica formale: un processo stazionario ha media costante, varianza costante e autocovarianza che dipende solo dal ritardo, non dal periodo di tempo. La mean reversion è una tendenza dinamica, la forza di richiamo verso l'equilibrio.
La maggior parte dei modelli mean-reverting assume la stazionarietà, e la maggior parte dei processi stazionari mostra una qualche forma di comportamento mean-reverting. Ma la relazione non è perfettamente biunivoca. Un processo può essere stazionario senza dinamiche di mean reversion particolarmente forti, e l'etichetta "mean-reverting" a volte viene applicata in modo approssimativo a processi solo debolmente stazionari. Vale la pena mantenere chiara la distinzione quando si legge la letteratura.
Mean reversion vs. momentum
Mean reversion e momentum tirano in direzioni opposte. La mean reversion presume che movimenti insolitamente ampi abbiano maggiori probabilità di invertire. Un'azione che è scesa bruscamente rispetto al suo intervallo storico ci si aspetta (in questa visione) che recuperi, non perché i prezzi "debbano" tornare indietro, ma perché la deviazione dal fair value crea un'opportunità di rendimento.
Il momentum assume l'opposto: il movimento direzionale recente ha maggiori probabilità di continuare. Un'azione che è salita con forza negli ultimi dodici mesi dovrebbe continuare a sovraperformare.
Le evidenze a favore del momentum sono piuttosto solide su orizzonti di medio termine (da uno a dodici mesi), mentre la mean reversion tende a emergere più chiaramente su orizzonti brevi (giorni o settimane) e molto lunghi (multiannuali). I mercati possono, e lo fanno, mostrare entrambi i comportamenti contemporaneamente su scale temporali diverse. Nessuno dei due è una legge universale.
Il processo di Ornstein-Uhlenbeck
Il modello standard in tempo continuo per il comportamento mean-reverting è il processo di Ornstein-Uhlenbeck (OU):
Ogni termine ha un ruolo specifico. La parte κ(μ − Xt) è la forza di richiamo: quando Xt sta al di sopra della media di lungo periodo μ, il processo viene tirato verso il basso; quando sta al di sotto, verso l'alto. Il parametro κ controlla l'intensità di quel richiamo, cioè la velocità di mean reversion. Il termine σ dWt aggiunge rumore casuale con volatilità σ.
Simulare traiettorie OU con valori di κ diversi rende l'intuizione vivida. Con κ alto, le traiettorie restano vicine alla media e le deviazioni collassano rapidamente. Con κ basso, le traiettorie vagano ampiamente e, su finestre brevi, sembrano quasi indistinguibili da un random walk. Ecco perché stimare κ con cura è importante: un κ statisticamente significativo ma minuscolo può non essere azionabile in pratica.
Half-life della mean reversion
Il modello OU ci fornisce κ, ma κ da solo è difficile da interpretare intuitivamente. L'half-life traduce quella velocità astratta in qualcosa di concreto: il tempo atteso perché una deviazione dall'equilibrio si riduca della metà.
Un'half-life di tre giorni significa che il processo è rapido; le deviazioni collassano entro una settimana. Un'half-life di sei mesi implica che servirebbe un periodo di detenzione lungo per catturare la reversione, con rischi annessi. I trader quant confrontano le half-life stimate con i loro orizzonti di detenzione target prima di impegnarsi in una strategia.
Una cautela: l'half-life è un valore atteso, non una garanzia. Qualsiasi deviazione potrebbe persistere molto più a lungo, soprattutto in presenza di cambi di regime o rotture strutturali.
Mean reversion in finanza
Dove compare concretamente la mean reversion nei mercati finanziari? In alcuni ambiti le evidenze sono solide; in altri, meno.
Una cosa da sottolineare: i prezzi azionari individuali sono generalmente non stazionari. Sono gli spread, i rendimenti, le misure di volatilità o altre trasformazioni a mostrare più spesso un comportamento mean-reverting, non i livelli di prezzo grezzi.
Mean reversion, correlazione e cointegrazione
C'è un'ulteriore distinzione concettuale che fa inciampare anche persone esperte, e sbagliarla porta a strategie mal costruite.
Puoi avere due asset con correlazione 0,95 il cui spread è un random walk. Testa sempre.
Mean reversion e pairs trading
Il pairs trading è l'esempio più chiaro di mean reversion messa in pratica, e potresti essere arrivato a questo articolo proprio per questa connessione.
Si parte identificando due asset con una plausibile relazione economica di lungo periodo: due major petrolifere, due banche large cap, due società di beni di consumo primario. Qui conta la logica economica. Selezionare solo in base alle correlazioni storiche senza una base fondamentale tende a produrre relazioni spurie che crollano fuori campione. Si costruisce uno spread, tipicamente un rapporto o una combinazione lineare dei due prezzi, usando un hedge ratio stimato tramite regressione anziché l'assunzione ingenua uno-a-uno. Poi si testa se quello spread è mean-reverting usando gli strumenti visti sopra: test ADF, analisi dell'autocorrelazione, stima dell'half-life. Se l'evidenza è favorevole, si procede.
Il trade in sé è abbastanza lineare. Quando lo spread si allarga in modo insolito rispetto alla sua media storica, misurato usando uno z-score che standardizza la deviazione come (spread corrente meno media mobile) diviso per la deviazione standard, vai long sul sotto-performer e short sull'outperformer, aspettandoti che lo spread si restringa. Uno z-score di +2 segnala che lo spread è due deviazioni standard sopra la norma storica; un approccio comune è entrare a ±2,0 e uscire quando torna verso zero. Il punto chiave, che spesso si perde nelle spiegazioni semplicistiche: è lo spread che ci si aspetta sia mean-reverting, non i singoli titoli. La struttura long/short riduce anche l'esposizione ai movimenti del mercato in generale. Il profitto deriva dal movimento relativo, non dalla direzione del mercato.
Arbitraggio statistico: andare oltre
Il pairs trading è il punto d'ingresso più intuitivo alle strategie di mean reversion, ma è un'istanza di una famiglia più ampia di approcci nota come arbitraggio statistico.
L'arbitraggio statistico (stat arb) utilizza relazioni statistiche tra strumenti per individuare mispricing relativi: quando due strumenti storicamente collegati divergono temporaneamente dalla relazione attesa, scommetti che convergeranno. Una precisazione importante: l'arbitraggio statistico non è arbitraggio privo di rischio. L'arbitraggio tradizionale sfrutta discrepanze di prezzo quasi meccaniche, lo stesso asset che scambia a prezzi diversi su due borse, dove il profitto è quasi certo se riesci a eseguire abbastanza in fretta. L'arbitraggio statistico scommette su una convergenza probabilistica. Profili di rischio completamente diversi.
Strategie di trading mean-reverting
Ci sono diverse idee di trading basate sulla mean reversion. Eccone alcune:
Vale la pena dirlo chiaramente: un segnale statistico non garantisce una convergenza profittevole. Costi di transazione, costi di prestito titoli e cambi di regime possono annullare del tutto i presunti edge. Le strategie sopra descrivono le condizioni di ingresso in posizione, non le condizioni per guadagnare.
Come analizzare la mean reversion in Python
Qui diventa pratico. Il codice seguente conduce un'analisi compatta di mean reversion su uno spread simulato, coprendo gli essenziali: grafico, media mobile, test ADF e stima dell'half-life. Sostituisci con uno spread reale tra coppie, ad esempio il rapporto dei log-prezzi di due titoli co-integrati, e si applica la stessa pipeline.
Eseguendo questo codice con il seed sopra si ottiene un p-value ben al di sotto di 0,05 e un'half-life di circa sette periodi. Il valore teorico per φ = 0,92 è circa 8,7 periodi; le singole esecuzioni varieranno attorno a quello. Ricorda solo: l'interpretazione conta più della meccanica. Un risultato ADF statisticamente significativo su una finestra storica non significa che la relazione terrà in futuro. Questa regressione omette l'intercetta, il che è valido per dati a media zero. Per spread reali con media non zero, aggiungi una costante usando add_constant(lagged) ed estrai il secondo coefficiente.
Il nostro corso Time Series Analysis in Python approfondisce molto queste tecniche, inclusi modelli ARIMA, test di stazionarietà e forecasting.
Rischi e limiti della mean reversion
La mean reversion fallisce in modi prevedibili. Conoscere le modalità di fallimento è utile quanto conoscere la strategia.
La media può cambiare
I livelli di equilibrio storici sono stimati dai dati, e i dati riflettono il passato. Rotture strutturali (una fusione, un cambiamento normativo, uno spostamento della dinamica competitiva) possono invalidare del tutto la media storica. Lo spread che pensavi mean-reverting verso zero potrebbe ora avere un equilibrio a +50 punti base. Applicare una strategia costruita sulla vecchia media è un modo affidabile per perdere denaro. Nel pairs trading in particolare, le aziende si fondono, divergono o cambiano modello di business, e una coppia strettamente co-integrata per cinque anni può decouplarsi dall'oggi al domani.
I trend possono essere scambiati per mean reversion
Su un campione breve, una serie in trend può sembrare mean-reverting semplicemente perché torna a una media mobile locale. Questo è particolarmente comune nei backtest che usano una finestra di lookback fissa. Il rimedio è testare su più periodi campione ed essere scettici sui risultati che compaiono solo su finestre strette.
Costi di transazione
Il trading frequente erode i rendimenti. Una strategia con half-life di due giorni potrebbe richiedere ribilanciamenti quotidiani, e i costi round-trip possono facilmente superare il profitto atteso per trade. Lo short aggiunge ulteriori costi: commissioni di prestito titoli e rischio di buy-in da parte del broker. Lo slippage tra prezzi modellati e riempimenti reali si accumula su centinaia di operazioni. I rendimenti su carta e quelli live possono differire drasticamente per strategie mean-reverting ad alta frequenza.
Trade affollati
Quando molti fondi adottano strategie simili, diventano esposti al comportamento reciproco. Il meltdown quant di agosto 2007 è avvenuto proprio perché troppi desk di stat arb azionari hanno liquidato simultaneamente, e la conseguente cascata non aveva nulla a che fare con le relazioni sottostanti su cui quelle strategie erano costruite. Quando una strategia funziona, attrae capitale; quando ne attrae troppo, smette di funzionare, a volte gradualmente e a volte all'improvviso.
Cambi di regime
I modelli di stat arb sono calibrati su un particolare ambiente di mercato: un regime di volatilità, un ciclo dei tassi, una struttura di correlazione. Quando quell'ambiente cambia, si muovono tutte le assunzioni insieme. Non è una singola coppia che si rompe; è l'intero portafoglio che si comporta male perché le proprietà statistiche su cui è stato costruito non valgono più. Le finestre storiche di lookback non ti avviseranno in anticipo.
Sensibilità ai parametri
I risultati dipendono molto dalla finestra di lookback usata per stimare la media, dalla soglia di ingresso e dalla regola di uscita. Piccoli cambiamenti in uno qualsiasi di questi possono trasformare una strategia da profittevole a non profittevole. Stress test espliciti prima di fidarti di qualsiasi backtest.
Overfitting del backtest
Il rischio più subdolo. Con abbastanza parametri e dati storici, puoi adattare una strategia a quasi qualsiasi periodo passato, e degraderà nettamente nel trading live. Walk-forward testing e validazione out-of-sample non sono opzionali.
Conclusione
La mean reversion è uno di quei concetti che sembrano semplici finché non provi a usarli. L'idea di base, che le deviazioni dall'equilibrio tendano a invertire, è intuitiva. Più difficile è stabilire se una determinata serie abbia davvero quella proprietà, stimare quanto velocemente rientri e costruire strategie che sopravvivano a costi di transazione, cambi di regime e incertezza sui parametri. L'arbitraggio statistico formalizza questa sfida in una disciplina di trading, ma la difficoltà centrale resta la stessa: le relazioni che scambi competono con chiunque altro abbia trovato le stesse.
Qualche takeaway: testa prima di assumere; presta attenzione a ciò che sta facendo la reversione (spread e trasformazioni, non prezzi grezzi); distingui correlazione da cointegrazione, perché non sono intercambiabili; e tratta i rischi sopra come parte della strategia, non come un ripensamento. Il nostro corso Time Series Analysis in Python copre in profondità test di stazionarietà, modelli ARIMA e forecasting. Per applicazioni al trading in particolare, Financial Trading in Python copre l'implementazione e la valutazione pratica di strategie quantitative.