Arbitraggio statistico: come funzionano le strategie di trading quantitativo

L'arbitraggio statistico, spesso abbreviato in stat arb, è una famiglia di strategie di trading quantitativo che usa le relazioni statistiche tra titoli per individuare potenziali opportunità di trading. L'idea centrale non è prevedere se un'azione salirà o scenderà da sola. È individuare un mispricing relativo: quando due titoli storicamente collegati divergono temporaneamente dalla loro relazione attesa, e scommettere sulla loro convergenza.

Una precisazione subito: l'arbitraggio statistico non è arbitraggio privo di rischio. Le opportunità sono probabilistiche e le relazioni alla base di una strategia possono rompersi del tutto. L'ho visto in prima persona gestendo posizioni nei mercati dei capitali asiatici a BlueCrest, dove un'operazione che sulla carta sembrava statisticamente solida poteva disfarsi nel momento in cui cambiava il regime macro.

Questo articolo spiega come funziona lo stat arb tramite pairs trading e mean reversion, perché la cointegrazione conta più della correlazione e quali sono i rischi reali nella pratica.

Cos'è l'arbitraggio statistico?

L'arbitraggio statistico usa dati storici e in tempo reale per identificare relazioni statistiche tra titoli. Quando tali relazioni deviano dallo stato atteso, il trader apre posizioni lunghe e corte contrapposte, comprando il titolo relativamente sottovalutato e shortando quello relativamente sopravvalutato, poi attende che la relazione si normalizzi.

La struttura long/short è ciò che riduce l'esposizione ai movimenti ampi di mercato. Se il mercato scende del 5%, entrambe le gambe sono influenzate in modo grosso modo simile, quindi il profitto o la perdita deriva dal movimento relativo tra i due titoli, non dalla direzione del mercato.

Come funziona l'arbitraggio statistico

Il flusso di lavoro generale: identificare titoli correlati, modellare la loro relazione storica, rilevare quando lo spread attuale devia dalle norme storiche, aprire posizioni long e short contrapposte, poi attendere la convergenza o il verificarsi di una condizione di uscita.

Un esempio semplice: se Pepsi all'improvviso quota con uno sconto insolitamente ampio rispetto a Coke senza una ragione fondamentale evidente, una strategia stat arb compra Pepsi e shorta Coke, aspettandosi che lo spread torni indietro. Il profitto deriva dal restringimento di quello spread, non dal movimento in una direzione specifica di ciascun titolo.

Pairs trading: un semplice esempio di arbitraggio statistico

Con quel flusso di base in mente, il pairs trading è il modo più intuitivo per vederlo in azione. Scegli due titoli storicamente correlati, costruisci uno spread tra i loro prezzi e operi quando quello spread si allontana in modo insolito dal suo comportamento storico: compri quello a sconto, shorti quello caro, chiudi se lo spread converge.

Da sottolineare: la sola correlazione non stabilisce una relazione stabile e negoziabile. Due azioni possono essere altamente correlate e comunque allontanarsi definitivamente. È esattamente ciò di cui tratta la sezione successiva.

Prezzi delle Azioni A e B (in alto) e il loro spread (in basso), con segnali di entrata e uscita marcati nei principali punti di reversione. Immagine dell'autore.

Mean reversion nell'arbitraggio statistico

Il pairs trading funziona, quando funziona, grazie alla mean reversion: la tendenza di uno spread che si allontana dalla sua media storica a tornarvi nel tempo. La misura chiave è lo z-score: (spread attuale − media mobile) / deviazione standard. Uno z-score di +2 indica che lo spread è due deviazioni standard sopra la norma storica, una lettura insolita che alcune strategie trattano come segnale short.

Lo z-score è utile perché standardizza il segnale. Invece di chiederti "Questo spread è ampio?" ti chiedi "Questo spread è insolitamente ampio rispetto a come si comporta di solito?". È questa la domanda a cui una strategia di mean reversion cerca davvero di rispondere.

Cointegrazione vs. correlazione nell'arbitraggio statistico

La mean reversion ci dà la logica operativa, ma solleva una domanda scomoda: come fai a sapere che uno spread tornerà davvero indietro invece di allontanarsi definitivamente? È qui che correlazione e cointegrazione si separano. Vale la pena farci attenzione:

Correlazione

La correlazione misura l'intensità della relazione lineare tra due variabili. Due azioni possono avere una correlazione di 0,9 e comunque essere un pessimo pairs trade, perché la correlazione non dice nulla sulla stabilità o la mean reversion dello spread tra di esse.

Cointegrazione

La cointegrazione descrive una relazione di equilibrio di lungo periodo tra serie temporali non stazionarie. Due serie di prezzi sono co-integrate se una loro combinazione lineare è stazionaria, oscillando attorno a una media stabile anziché derivare. È proprio questa la proprietà di cui hai bisogno.

Entrambe le azioni possono trendare al rialzo per anni, poi divergere definitivamente. Alta correlazione, nessuna cointegrazione, nessuna operazione affidabile. Testare la cointegrazione con il test di Engle-Granger o la procedura di Johansen offre una base più difendibile per assumere che lo spread tornerà indietro. Nota che la PCA è un'altra storia qui, e non è un tema che affronterò in questo articolo.

Come costruire una strategia di arbitraggio statistico

Capire la teoria è una cosa; tradurla in una strategia funzionante è un'altra. Passare dall'intuizione a un flusso di lavoro quantitativo realistico richiede cinque passaggi, e saltarne anche solo uno tende a produrre strategie che sulla carta sembrano ottime ma che nella pratica si sfaldano.

1. Parti dalla logica economica: settori comuni, fornitori condivisi, driver di ricavi simili. Fare screening solo su correlazioni storiche senza una ragione fondamentale produce relazioni spurie.
2. Testa la relazione con un test di Dickey-Fuller aumentato sullo spread stesso. Se non è stazionario, sta derivando, non tornando alla media.
3. Costruisci lo spread con un hedge ratio, non assumendo un rapporto prezzo uno-a-uno. Stimato dai dati tramite regressione, l'hedge ratio determina quante unità di un titolo detenere per unità dell'altro. Se lo sbagli, la coppia non è davvero market neutral.
4. Definisci regole di entrata e uscita attorno a soglie di z-score. Entra a ±2,0, esci quando lo spread torna verso zero, stop a ±3,0. Uno spread che continua a muoversi oltre ±3 di solito indica una relazione che si sta rompendo, non un punto di ingresso migliore. Conta anche un periodo massimo di detenzione. Se lo spread non è tornato entro una finestra definita, chiudi la posizione invece di aspettare all'infinito una reversione che potrebbe non arrivare mai.
5. Dimensiona per la neutralità in dollari, esegui backtest su dati storici con costi di transazione realistici e aspettati che le performance live siano inferiori al backtest (non superiori).

Come le strategie di arbitraggio statistico diventano più avanzate

Il semplice pairs trading è il punto d'ingresso, non il soffitto. Una volta che ti senti a tuo agio con le meccaniche di base, l'approccio tende a espandersi in due direzioni.

Arbitraggio statistico multi-asset e modelli fattoriali

Gli approcci multi-asset modellano le relazioni tra panieri di titoli anziché tra singole coppie. Gli approcci basati sui fattori eliminano i ritorni sistematici usando fattori di mercato o di settore comuni, quindi scambiano il mispricing residuo. La PCA scala questo su centinaia di asset: identifica le principali fonti di variazione comune, poi opera sui rendimenti non spiegati da quei componenti.

La scommessa di fondo è la stessa (le misvalutazioni residue tornano), ma il quadro statistico per trovarle è diverso. Non stai più testando se due serie sono co-integrate. Stai scomponendo un intero cross-section di rendimenti e scommettendo che il rumore residuo sia temporaneo.

Approcci di machine learning

Il ML è entrato nella cassetta degli attrezzi per la scoperta di relazioni, la generazione di segnali e il rilevamento dei regimi. Non migliora automaticamente i rendimenti e introduce un proprio rischio di modello. Le strategie dipendono comunque dalla mean reversion. Il ML è un modo più complesso per cercare lo stesso segnale.

Rischi e limitazioni dell'arbitraggio statistico

Strategie più sofisticate non eliminano i rischi sottostanti. Spesso li rendono solo più difficili da vedere fino a quando è troppo tardi. Questi sono i modi in cui le strategie possono fallire che vale la pena comprendere prima di eseguire qualsiasi stat arb.

Le relazioni possono rompersi

La relazione storica su cui hai costruito la strategia descrive il passato. Consolidamento del settore, cambi normativi, un cambio nel modello di business di un'azienda: ognuno di questi può alterare definitivamente la relazione. Quando succede, lo spread non torna indietro. Continua a muoversi contro di te.

Rischio di modello e costi di transazione

Ogni strategia stat arb si basa su assunzioni statistiche. Se lo spread non è davvero stazionario, se l'hedge ratio è stimato male, se la finestra di lookback è scelta male, il modello genera segnali fuorvianti. E anche quando il modello è corretto, i costi di transazione erodono i rendimenti in modi che raramente emergono nei backtest ingenui.

Una strategia che appare profittevole prima dei costi può risultare in perdita dopo. L'ho visto anche nel reddito fisso. L'operazione teorica è pulita, quella reale no.

Attriti di esecuzione e operazioni affollate

Shortare non è gratis. Le commissioni di prestito titoli e il rischio di buy-in da parte del broker aggiungono costi reali. Lo slippage tra prezzi modellati e prezzi di esecuzione effettivi si accumula su centinaia di operazioni. E quando molti fondi utilizzano strategie simili, diventano esposti al comportamento reciproco.

Il meltdown quant dell'agosto 2007 è avvenuto proprio perché troppi fondi equity stat arb hanno liquidato simultaneamente, e la conseguente cascata non aveva nulla a che fare con le relazioni sottostanti su cui quelle strategie erano costruite.

Cambi di regime

I modelli stat arb sono calibrati su un particolare contesto di mercato (un regime di volatilità, un ciclo dei tassi, una struttura di correlazione). Quando quel contesto cambia, si muovono contemporaneamente tutte le assunzioni.

Non è una coppia che si rompe; è l'intero portafoglio che si comporta male perché le proprietà statistiche su cui era costruito non valgono più. Le dinamiche dello spread che sembravano stazionarie in un regime di bassa volatilità possono diventare instabili da un giorno all'altro quando la volatilità esplode, e le finestre storiche di lookback non ti avvertiranno in anticipo.

Overfitting del backtest

Il rischio più subdolo. Con abbastanza parametri e dati storici puoi adattare una strategia a quasi qualsiasi periodo passato, e questa degraderà bruscamente nel trading live. Il test out-of-sample è la salvaguardia minima, e a volte non basta comunque.

Arbitraggio statistico vs. strategie di trading correlate

Lo stat arb viene confuso con diverse strategie adiacenti.

Arbitraggio statistico vs. arbitraggio tradizionale

L'arbitraggio tradizionale sfrutta discrepanze di prezzo quasi meccaniche: lo stesso asset che quota a prezzi diversi su due exchange. 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.

Arbitraggio statistico vs. pairs trading

Il pairs trading è un tipo di arbitraggio statistico, non un sinonimo del campo. I termini vengono usati in modo intercambiabile, ma lo stat arb include modelli multifattoriali, strategie basate su PCA e approcci di machine learning su ampi portafogli. Il pairs trading è dove iniziano la maggior parte delle persone.

Arbitraggio statistico vs. trading algoritmico

Il trading algoritmico è una categoria più ampia che descrive qualsiasi strategia di esecuzione automatizzata. L'arbitraggio statistico è una famiglia specifica al suo interno. Il market making ad alta frequenza e il trend following sono anch'essi algoritmici, ma non sono stat arb.

Conclusione

L'arbitraggio statistico è, in sostanza, una scommessa sulla persistenza delle relazioni. Trovi due titoli che storicamente si muovono insieme, aspetti che divergano e ti posizioni affinché il divario si chiuda. La matematica formalizza quell'intuizione, ma è l'intuizione che ti tiene onesto quando la matematica dice di tenere, e il mercato dice di scappare.

Ciò che rende davvero difficile lo stat arb non sono le statistiche. È che le relazioni su cui operi competono con tutti gli altri che hanno trovato le stesse. Quando funzionano, attirano capitale.Quando attirano troppo capitale, smettono di funzionare, a volte gradualmente e a volte all'improvviso, come ha dimostrato il 2007.

Per le basi statistiche, i test di stazionarietà e la modellazione di serie temporali, il corso Time Series Analysis in Python è il prossimo passo giusto. Per backtest e flussi di lavoro quantitativi, il corso Financial Trading in Python copre l'implementazione e la valutazione delle strategie di trading nella pratica.