Mean reversion: um conceito essencial em estatística e finanças

Imagine que você está acompanhando o spread entre duas ações de companhias aéreas, empresas que tendem a se mover juntas porque compartilham custos de combustível, rotas e demanda de passageiros. Em uma manhã, o spread se alarga de forma acentuada: algo idiossincrático afetou um ticker enquanto o outro mal se mexeu. Um trader quantitativo olha para isso e faz uma pergunta bem específica: é provável que esse spread volte a se estreitar ou houve alguma mudança estrutural?

Mean reversion é a tendência de uma variável voltar ao seu nível de longo prazo depois de se desviar dele. Esse conceito sustenta uma ampla gama de modelos de séries temporais e estratégias de trading quantitativo, e é o motor estatístico por trás de toda uma família de abordagenss conhecidas como statistical arbitrage. O ponto crítico para manter em mente — e este artigo vai reforçar isso várias vezes — é: mean reversion é uma propriedade que você testa, não uma suposição que você faz sobre preços.

O que é mean reversion?

Mean reversion descreve uma tendência dinâmica: quando uma variável se afasta do seu nível de equilíbrio, forças tendem a puxá-la de volta. Esse equilíbrio pode ser uma média estatística de longo prazo, um valor justo implícito pelos fundamentos ou uma relação de cointegração entre duas séries. Um desvio positivo (o valor acima da média) tende a ser seguido por uma queda. Um desvio negativo tende a ser seguido por uma alta.

O interessante da mean reversion é o que ela implica sobre choques. Em um processo mean-reverting, um choque é temporário. Seu efeito se dissipa ao longo do tempo e a série eventualmente retorna ao equilíbrio. Isso é bem diferente de um passeio aleatório (random walk), em que todo choque é permanente e a série não tem “casa” para onde voltar. Já já vamos tratar dessa distinção com mais detalhe.

Como a mean reversion funciona

Aqui vai a intuição básica. Uma variável oscila ao redor de um nível de equilíbrio. Um choque (resultado abaixo do esperado, surpresa de política econômica, aperto de liquidez) a empurra para longe desse nível. Quanto mais ela se afasta, mais forte pode ser a força de retorno. Com o tempo, o efeito do choque se esvai e a variável volta a se aproximar do equilíbrio.

Compare isso a um random walk. O valor de cada período é igual ao valor do período anterior mais um choque aleatório — e esse choque nunca desaparece. Não há um equilíbrio para retornar; a série simplesmente vagueia. A diferença é enorme para previsão: séries mean-reverting são, ao menos em princípio, um pouco previsíveis em horizontes mais longos. Random walks não são.

Como identificar mean reversion

Sair da intuição e ir para a evidência exige análise estatística. Nenhum teste isolado basta. O ideal é ter múltiplas evidências apontando na mesma direção.

Plote a série temporal

Comece visualmente. Uma série mean-reverting tende a oscilar ao redor de um nível relativamente estável em vez de derivar persistentemente para cima ou para baixo. Mas o visual engana fácil: uma série com tendência pode parecer mean-reverting em janelas curtas, e um processo com mean reversion lenta pode ser quase indistinguível de um random walk. O gráfico é um primeiro passo, não um veredito.

Examine a autocorrelação

Autocorrelação mede a correlação entre uma série e seus próprios valores defasados. Em um processo mean-reverting, a função de autocorrelação (ACF) decai rapidamente para zero, refletindo a natureza transitória dos desvios. Em contraste, um processo com raiz unitária mostra autocorrelação que persiste próxima de 1,0 mesmo em defasagens longas. O gráfico da ACF pode revelar esse padrão — uma queda rápida é consistente com mean reversion; já um declínio lento e quase linear sugere não estacionariedade. Dito isso, autocorrelação sozinha não confirma estacionariedade. É apenas uma parte da evidência.

Teste de estacionariedade

O teste Augmented Dickey-Fuller (ADF) é o ponto de partida padrão. Ele testa a hipótese nula de que a série tem uma raiz unitária, ou seja, que é um random walk. Rejeitar a nula sugere que a série pode ser estacionária, o que está intimamente associado a comportamento mean-reverting. Um p-valor abaixo de 0,05 te dá base para avançar, embora não seja certeza.

Estime a velocidade da mean reversion

Se os testes sustentarem mean reversion, a próxima pergunta é: com que rapidez ela acontece? O parâmetro de velocidade (muitas vezes denotado por κ em modelos em tempo contínuo, ou θ em algumas parametrizações) indica quão depressa os desvios se dissipam. Velocidade alta significa que os desvios encolhem rapidamente; velocidade baixa significa que o processo perambula bastante antes de retornar. Isso importa na prática: um processo com mean reversion muito lenta pode não ser negociável em horizontes realistas.

Mean reversion vs. random walk

Essa distinção merece uma seção própria porque é a que mais gera confusão.

Um random walk não tem média de longo prazo para a qual reverter. Choques são permanentes. A série é não estacionária, ou seja, suas propriedades estatísticas (média, variância) mudam ao longo do tempo. Fazer previsões além do curtíssimo prazo é inútil. Um processo mean-reverting é estacionário (ou pelo menos trend-stationary): suas propriedades são estáveis, choques são transitórios e previsões de horizonte mais longo carregam informação real.

Aqui está a armadilha: uma série de preços que voltou a um determinado nível várias vezes na história não é necessariamente mean-reverting. Se você vagar por tempo suficiente, qualquer random walk revisitará seu valor inicial. A pergunta é se há uma força estrutural que puxa de volta para o equilíbrio — e isso exige teste, não reconhecimento de padrão.

Mean reversion e estacionariedade

Mean reversion e estacionariedade é outro ponto que gera confusão. São conceitos próximos, mas não idênticos. Estacionariedade é uma propriedade estatística formal: um processo estacionário tem média constante, variância constante e autocovariância que depende apenas da defasagem, não do período. Mean reversion é uma tendência dinâmica, a força que puxa de volta ao equilíbrio.

A maioria dos modelos mean-reverting assume estacionariedade, e a maior parte dos processos estacionários exibe alguma forma de mean reversion. Mas a relação não é perfeitamente um-para-um. Um processo pode ser estacionário sem dinâmicas de mean reversion especialmente fortes, e o rótulo “mean-reverting” às vezes é usado de forma frouxa para processos que são apenas fracamente estacionários. Vale manter a distinção clara ao ler a literatura.

Mean reversion vs. momentum

Mean reversion e momentum puxam em direções opostas. Mean reversion parte da premissa de que movimentos excepcionalmente grandes tendem a reverter. Uma ação que caiu forte em relação ao seu histórico deve (nessa visão) se recuperar — não porque os preços “precisam” reverter, mas porque o desvio do valor justo cria uma oportunidade de retorno.

Momentum assume o oposto: o movimento direcional recente tende a continuar. Uma ação que subiu bastante nos últimos doze meses tende a seguir superando o mercado.

A evidência de momentum é bem forte em horizontes médios (de um a doze meses), enquanto mean reversion costuma aparecer mais claramente em horizontes curtos (dias a semanas) e muito longos (multianuais). Os mercados podem — e de fato — exibem ambos os comportamentos simultaneamente em diferentes escalas de tempo. Nenhum deles é uma lei universal.

O processo de Ornstein-Uhlenbeck

O modelo padrão em tempo contínuo para comportamento mean-reverting é o processo de Ornstein-Uhlenbeck (OU):

Cada termo tem um papel específico. A parte κ(μ − X_t) é a força restauradora: quando X_t está acima da média de longo prazo μ, o processo é puxado para baixo; quando está abaixo, para cima. O parâmetro κ controla a intensidade dessa força — a velocidade da mean reversion. O termo σ dW_t adiciona ruído aleatório com volatilidade σ.

Simular trajetórias de OU com diferentes valores de κ torna a intuição vívida. Com κ alto, as trajetórias ficam coladas na média, e os desvios colapsam rapidamente. Com κ baixo, as trajetórias vagueiam amplamente e, em janelas curtas, parecem quase indistinguíveis de um random walk. É por isso que estimar κ com cuidado importa: um κ estatisticamente significativo, porém minúsculo, pode não ser acionável na prática.

Meia-vida da mean reversion

O modelo OU nos dá κ, mas κ isoladamente é pouco intuitivo. A meia-vida traduz essa velocidade abstrata em algo concreto: o tempo esperado para que um desvio do equilíbrio se reduza pela metade.

Uma meia-vida de três dias indica um processo rápido; os desvios se dissipam dentro de uma semana. Uma meia-vida de seis meses implica um período de carregamento longo para capturar a reversão, o que traz riscos próprios. Traders quantitativos comparam meias-vidas estimadas com seus horizontes-alvo de holding antes de comprometer capital a uma estratégia.

Um alerta: a meia-vida é um valor esperado, não uma garantia. Qualquer desvio específico pode persistir muito mais, especialmente em mudanças de regime ou quebras estruturais.

Mean reversion em finanças

Onde a mean reversion realmente aparece nos mercados financeiros? Em alguns lugares, a evidência é sólida; em outros, nem tanto.

• Spreads de ativos. Spreads entre ativos relacionados (a diferença de preço entre duas ações do mesmo setor ou o spread de yield entre dois títulos similares) estão entre os candidatos mais plausíveis a mean reversion. Nenhum preço individual precisa ser estacionário; o spread entre eles pode ser, se os ativos compartilham uma relação de longo prazo.
• Taxas de juros. Taxas de curto prazo mostram historicamente forte comportamento mean-reverting. Bancos centrais têm faixas-alvo, e taxas que se afastam demais tendem a ser puxadas de volta pela política. Taxas de longo prazo são mais debatidas.
• Volatilidade. Volatilidade implícita e realizada são amplamente entendidas como mean-reverting. Picos de volatilidade, como os de março de 2020, são dramáticos, mas temporários. O VIX eventualmente retorna a níveis mais normais, e traders de volatilidade exploram isso rotineiramente.
• Múltiplos de valuation. Indicadores como preço/lucro (P/L), preço/valor patrimonial e semelhantes mostram mean reversion no longo prazo, embora o “longo prazo” possa ser realmente longo. Confiar em mean reversion de valuation em horizontes curtos é uma fonte bem documentada de perdas precoces.
• Preços de commodities. Preços de commodities (petróleo, gás natural, agrícolas) são frequentemente modelados como mean-reverting ao custo marginal de produção de longo prazo. Quando os preços disparam bem acima do custo de produção, nova oferta entra; quando despencam abaixo, a oferta contrai. O mecanismo é real, mas também é real a incerteza sobre onde está a “verdadeira” média em cada momento.

Um ponto importante: preços individuais de ações são geralmente não estacionários. O que tende a mostrar mean reversion são spreads, retornos, medidas de volatilidade ou outras transformações, não níveis de preços brutos.

Mean reversion, correlação e cointegração

Há ainda outra distinção conceitual que derruba até gente experiente na área — e confundi-la leva a estratégias mal construídas.

• Correlação mede como duas variáveis se movem juntas. Correlação alta significa que elas tendem a subir e cair ao mesmo tempo. Mas isso não diz nada sobre se o spread entre elas é mean-reverting. Duas ações podem ter correlação de 0,9 e ainda assim formar um par ruim para negociação, porque correlação não diz se o spread entre elas é estável ao longo do tempo.
• Cointegração é uma afirmação mais forte. Duas séries não estacionárias são co-integradas se uma combinação linear delas é estacionária, o que significa que compartilham um relacionamento de equilíbrio de longo prazo e não podem se distanciar permanentemente. Ambas as ações podem ter tendência de alta por anos e depois divergir de vez: isso é alta correlação sem cointegração — e sem trade confiável. Testar cointegração usando o teste de Engle-Granger ou o procedimento de Johansen dá uma base mais defensável para supor que o spread vai reverter. Essa é a base estatística para pairs trading.

Você pode ter dois ativos com correlação de 0,95 cujo spread é um random walk. Sempre teste.

Mean reversion e pairs trading

Pairs trading é o exemplo mais claro de mean reversion aplicada na prática — e talvez você tenha chegado a este artigo por causa dessa conexão.

Você começa identificando dois ativos com um relacionamento econômico plausível de longo prazo: duas petroleiras integradas, dois bancos de grande capitalização, duas empresas de bens de consumo. A justificativa econômica importa aqui. Fazer triagem só por correlações históricas sem base fundamental tende a produzir relacionamentos espúrios que desmoronam fora da amostra. Você constrói um spread, geralmente um índice (razão) ou uma combinação linear dos dois preços, usando uma razão de hedge estimada por regressão em vez da suposição ingênua de 1:1. Em seguida, testa se esse spread é mean-reverting usando as ferramentas acima: teste ADF, análise de autocorrelação, estimativa de meia-vida. Se a evidência for favorável, você avança.

A operação em si é relativamente direta. Quando o spread se alarga demais em relação à sua média histórica, medido por um z-score que padroniza o desvio como (spread atual menos média móvel) dividido pelo desvio padrão, você compra o underperformer e vende a descoberto o outperformer, esperando que o spread se estreite. Um z-score de +2 sinaliza que o spread está duas desvios-padrão acima do normal histórico; uma abordagem comum é entrar a ±2,0 e sair quando ele reverter em direção a zero. O ponto-chave, que se perde em explicações simplistas: é o spread que se espera reverter à média, não cada ação individualmente. A estrutura long/short também reduz a exposição a movimentos amplos de mercado. O lucro vem do movimento relativo, não da direção do mercado.

Statistical arbitrage: indo além

Pairs trading é a porta de entrada mais intuitiva para estratégias de mean reversion, mas é apenas um caso dentro de uma família mais ampla de abordagens conhecidas como statistical arbitrage.

Statistical arbitrage (stat arb) usa relações estatísticas entre ativos para identificar mispricing relativo: quando dois ativos historicamente ligados se desviam temporariamente do relacionamento esperado, você aposta que vão convergir. Um esclarecimento importante: statistical arbitrage não é arbitragem sem risco. Arbitragem tradicional explora discrepâncias quase mecânicas de preço — o mesmo ativo negociado a preços diferentes em duas bolsas — onde o lucro é quase certo se você executar rápido o suficiente. Statistical arbitrage aposta em convergência probabilística. Perfis de risco totalmente distintos.

Estratégias de trading por mean reversion

Existem diferentes ideias de negociação por mean reversion. Aqui estão algumas delas:

• Estratégias baseadas em z-score. Padronize desvios em relação a uma média histórica móvel pelo desvio-padrão móvel. Um z-score acima de +2 sinaliza que a variável está esticada de forma incomum; abaixo de −2, que está deprimida de forma incomum. Operar com base em limiares de z-score é uma das implementações mais simples de mean reversion e é amplamente usada para ativos individuais, spreads e carteiras de fatores.
• Estratégias com Bandas de Bollinger. As Bandas de Bollinger colocam envelopes superior e inferior ao redor de uma média móvel, a dois desvios-padrão. Quando o preço toca a banda superior, a série está esticada em relação ao histórico recente; quando toca a inferior, está deprimida. A estratégia negocia o retorno esperado em direção à média móvel. Lembre-se de que a média móvel é a “média” para a qual se reverte, então a pergunta relevante é sempre se um determinado ativo de fato é mean-reverting, não apenas se tocou a banda.
• Pairs trading. Já abordado acima. O objeto de interesse é o spread, e a posição é, por construção, neutra ao mercado.
• Stat arb multiativo. A mesma lógica do pairs trading, estendida para carteiras com muitos ativos. Você aplica análise de componentes principais a uma grande matriz de covariância, mas a intuição é a mesma.

Vale dizer com todas as letras: um sinal estatístico não garante convergência lucrativa. Custos de transação, custos de empréstimo e mudanças de regime podem eliminar totalmente aparentes vantagens. As estratégias acima descrevem condições de entrada na posição, não condições para ganhar dinheiro.

Como analisar mean reversion em Python

Agora fica prático. O código abaixo percorre uma análise compacta de mean reversion em um spread simulado, cobrindo o essencial: plotagem, média móvel, teste ADF e estimativa de meia-vida. Substitua por um spread real de pares — por exemplo, a razão de preços logarítmicos de duas ações co-integradas — e o mesmo pipeline se aplica.

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 in range(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] < 0.05 else "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")

Executar isso com a semente acima gera um p-valor bem abaixo de 0,05 e uma meia-vida por volta de sete períodos. O valor teórico para φ = 0,92 é cerca de 8,7 períodos; execuções individuais vão variar em torno disso. Lembre-se: a interpretação importa mais do que a mecânica. Um ADF estatisticamente significativo em uma janela histórica não garante que a relação se mantenha daqui para frente. Esta regressão omite intercepto, o que é válido para dados com média zero. Para spreads reais com média diferente de zero, adicione constante com add_constant(lagged) e extraia o segundo coeficiente.

Nosso curso de Time Series Analysis in Python aprofunda bastante essas técnicas, incluindo modelagem ARIMA, testes de estacionariedade e previsão.

Riscos e limitações da mean reversion

Mean reversion falha de formas previsíveis. Conhecer os modos de falha é tão útil quanto conhecer a estratégia.

A média pode mudar

Níveis históricos de equilíbrio são estimados a partir de dados — e dados refletem o passado. Quebras estruturais (uma fusão, uma mudança regulatória, um novo quadro competitivo) podem invalidar totalmente a média histórica. O spread que você achava que revertia para zero pode agora ter equilíbrio em +50 pontos-base. Aplicar uma estratégia baseada na média antiga é receita certa para perder dinheiro. Em pairs trading especificamente, empresas se fundem, divergem ou mudam de modelo de negócio, e um par que foi fortemente co-integrado por cinco anos pode se descasar da noite para o dia.

Tendências podem ser confundidas com mean reversion

Em uma amostra curta, uma série com tendência pode parecer mean-reverting simplesmente porque reverte para uma média móvel local. Isso é especialmente comum em backtests com janela fixa. A solução é testar em múltiplos períodos de amostra e desconfiar de resultados que só aparecem em janelas estreitas.

Custos de transação

Negociação frequente corrói retornos. Uma estratégia com meia-vida de dois dias pode exigir rebalanceamento diário, e os custos de ida e volta facilmente superam o lucro esperado por trade. Vender a descoberto adiciona mais custos: taxa de aluguel de ações e o risco de recall pelo corretor. Slippage entre preços modelados e de execução real se acumula ao longo de centenas de operações. Retornos em papel e ao vivo podem divergir bastante em estratégias de mean reversion de alta frequência.

Trades congestionados

Quando muitos fundos rodam estratégias semelhantes, ficam expostos ao comportamento uns dos outros. O crash quantitativo de agosto de 2007 aconteceu justamente porque muitos fundos de stat arb em ações liquidaram simultaneamente, e a cascata resultante nada teve a ver com os relacionamentos subjacentes em que as estratégias se baseavam. Quando uma estratégia funciona, ela atrai capital; quando atrai capital demais, para de funcionar — às vezes gradualmente, às vezes de uma vez.

Mudanças de regime

Modelos de stat arb são calibrados para um ambiente de mercado específico: um regime de volatilidade, um ciclo de juros, uma estrutura de correlações. Quando esse ambiente muda, todas as suposições se movem de uma vez. Não é um par quebrando; é a carteira inteira se comportando mal porque as propriedades estatísticas em que foi construída já não valem. Janelas históricas não vão te avisar com antecedência.

Sensibilidade a parâmetros

Os resultados dependem fortemente da janela usada para estimar a média, do limiar para entrar nos trades e da regra de saída. Pequenas mudanças em qualquer um desses pontos podem virar uma estratégia lucrativa em prejuízo. Faça stress tests explicitamente antes de confiar em qualquer backtest.

Overfitting em backtests

O risco mais insidioso. Com parâmetros demais e dados históricos suficientes, você consegue ajustar uma estratégia para quase qualquer período passado — e ela vai degradar fortemente no ao vivo. Teste walk-forward e validação fora da amostra não são opcionais.

Conclusão

Mean reversion é um daqueles conceitos que parecem simples até você tentar usar. A ideia básica — de que desvios do equilíbrio tendem a reverter — é intuitiva. O difícil é estabelecer se uma série específica realmente tem essa propriedade, estimar a velocidade de reversão e construir estratégias que sobrevivam a custos de transação, mudanças de regime e incerteza de parâmetros. Statistical arbitrage formaliza esse desafio em uma disciplina de trading, mas a dificuldade central permanece: os relacionamentos que você negocia competem com todo mundo que encontrou os mesmos.

Alguns pontos para levar: teste antes de assumir; preste atenção ao que está revertendo (spreads e transformações, não preços brutos); distinga correlação de cointegração — não são intercambiáveis; e trate os riscos acima como parte da estratégia, não como pós-escrito. Nosso curso de Time Series Analysis in Python cobre em profundidade testes de estacionariedade, modelagem ARIMA e previsão. Para aplicações em trading especificamente, Financial Trading in Python aborda a implementação e a avaliação de estratégias quantitativas na prática.