Semivita di Ornstein–Uhlenbeck: ritorno alla media nel trading

Supponiamo che uno spread sia sopra la sua media stimata di lungo periodo. Un modello di ritorno alla media indica che, in media, lo spread tende a riavvicinarsi a quel livello con il passare del tempo. La semivita risponde a una domanda circoscritta: secondo il modello stimato, quanto tempo occorre perché la deviazione attesa si dimezzi? Se la deviazione iniziale è di 100 punti base, una semivita di quattro periodi significa che dopo quattro periodi la deviazione attesa condizionata dal modello è di circa 50 punti base.

Questa affermazione riguarda una media calcolata su possibili percorsi. Uno spread realizzato può prima salire, attraversare rapidamente la media oppure restare lontano molto più a lungo. La semivita dipende anche dall’unità di osservazione: una stima ottenuta con dati giornalieri è espressa in giorni, mentre una ottenuta con dati orari è espressa in ore. Indica sempre l’intervallo di campionamento e il modello usato per stimare la velocità.

Un processo OU a un fattore si può scrivere così:

\[ dX_t = \kappa(\mu-X_t)\,dt + \sigma\,dW_t, \]

dove \(\mu\) è la media di lungo periodo, \(\kappa>0\) la velocità del ritorno alla media, \(\sigma\) controlla l’ampiezza delle variazioni casuali istantanee e \(W_t\) è un moto browniano. La deriva punta verso \(\mu\): sopra la media la direzione condizionata è verso il basso, mentre sotto la media è verso l’alto.

La deviazione attesa condizionata segue

\[ \mathbb{E}[X_{t+\tau}-\mu\mid X_t] = e^{-\kappa\tau}(X_t-\mu). \]

Imposta il moltiplicatore a un mezzo, \(e^{-\kappa h}=1/2\), e risolvi rispetto al tempo trascorso:

\[ h_{1/2}=\frac{\ln 2}{\kappa}. \]

La semivita non include \(\sigma\). La volatilità influenza l’ampiezza delle oscillazioni dei singoli percorsi attorno alla media condizionata, mentre \(\kappa\) determina il tasso di calo atteso in questo modello. L’analisi del moto browniano di Uhlenbeck e Ornstein costituisce la base classica del processo stocastico; in seguito Vasicek ha usato un processo di tipo OU per modellare il tasso d’interesse a breve termine.

Con osservazioni equidistanti di intervallo \(\Delta\), un campione esatto del processo OU ha la forma

\[ X_{t+\Delta}-\mu = \phi(X_t-\mu)+\eta_{t+\Delta}, \qquad \phi=e^{-\kappa\Delta}. \]

Nel modello OU scalare, se \(\kappa>0\), allora \(0<\phi<1\). La semivita discreta, espressa in numero di osservazioni, è

\[ h_{1/2}=\frac{\ln(1/2)}{\ln(\phi)}, \]

e il tempo trascorso si ottiene moltiplicando questo valore per \(\Delta\). Se il coefficiente AR(1) stimato è zero, negativo o pari almeno a uno, questa semplice conversione a una velocità positiva di ritorno alla media OU non è applicabile. Può essere necessario un altro modello dinamico, invece di forzare un’interpretazione OU.

La stessa equazione può essere stimata in forma di variazioni, \(\Delta X_t=a+bX_{t-1}+\epsilon_t\). Per un AR(1) stazionario che soddisfi anche \(0<1+b<1\), poni \(\phi=1+b\), \(\kappa=-\ln(\phi)/\Delta\), mentre la media di lungo periodo implicita è \(-a/b\) se \(b\ne0\). Mantieni l’intervallo di campionamento nella conversione: passare da dati giornalieri a dati settimanali cambia la scala temporale del coefficiente.

L’unità di tempo è definita da \(\Delta\). In una serie azionaria giornaliera, un’osservazione corrisponde in genere a una sessione di negoziazione, non a 24 ore di calendario. Perciò una semivita di quattro osservazioni non va descritta automaticamente come quattro giorni di calendario se nel mezzo cade un fine settimana o una festività di mercato. Se le barre hanno durate irregolari, come nel campionamento basato su eventi o volumi, la conversione a intervallo costante potrebbe non essere applicabile. Specifica l’attività, il calendario di campionamento e se l’unità riportata è un’osservazione, una sessione di negoziazione o il tempo trascorso.

Supponiamo che un modello di spread giornaliero stimi \(\phi=0.84\) usando osservazioni giornaliere equidistanti. È un valore ipotetico a scopo didattico, non una stima attuale. La velocità giornaliera di ritorno alla media è \(\kappa=-\ln(0.84)\approx0.1744\), quindi

\[ h_{1/2}=\frac{\ln(0.5)}{\ln(0.84)}\approx3.98\text{ giorni di contrattazione}. \]

Dopo quattro giorni, la deviazione attesa è pari a \(0.84^4\approx0.498\) della sua dimensione iniziale. Una deviazione di 100 punti base ha quindi un valore atteso condizionato implicito nel modello di circa 49.8 punti base dopo quattro osservazioni, prima di considerare l’incertezza di stima o i cambiamenti del processo.

La figura seguente schematizza il decadimento esponenziale attorno a un equilibrio. La curva è concettuale, non è una cronologia dei prezzi e non afferma che ogni spread segua quel percorso. I risultati individuali possono oscillare molto attorno alla media condizionata.

Per prima cosa definisci \(X_t\). Un residuo di cointegrazione, una differenza di prezzi, uno spread di log-prezzi, un segnale corretto per la volatilità e un differenziale di rendimento sono serie diverse, con unità e dinamiche differenti. Un risultato di cointegrazione può sostenere una combinazione lineare stazionaria sotto le ipotesi del test, ma non dimostra che il residuo segua un processo OU con parametri costanti.

Prima di stimare, scegli frequenza di campionamento, finestra di formazione, specificazione della media e struttura dei ritardi. Un AR(1) semplice può nascondere autocorrelazione, volatilità variabile, salti, microstruttura intraday o cambi di regime. Controlla il comportamento dei residui e la stabilità dei parametri e segnala se la stima è condizionata a un particolare campione. Il confronto empirico di Chan, Karolyi, Longstaff e Sanders mostra perché le evidenze di ritorno alla media possano essere deboli e dipendere dal modello anche per i tassi a breve termine.

Per uno spread di trading, stima i parametri usando solo i dati disponibili a ciascuna data di formazione. Ristimare lo spread o la sua media usando osservazioni future introduce look-ahead bias. Se ricalibri il modello nel tempo, descrivi il calendario degli aggiornamenti e valuta l’intera procedura su dati successivi, invece di trattare il coefficiente stimato come noto.

La trasformazione da \(\phi\) alla semivita è non lineare. Quando \(\phi\) si avvicina a uno dal basso, \(\ln(\phi)\) tende a zero e la semivita implicita cresce rapidamente. Una piccola variazione del coefficiente stimato può quindi cambiare molto il tempo riportato. Per esempio, le stime ipotetiche \(\phi=0.80\), \(0.84\) e \(0.88\) implicano rispettivamente circa 3.11, 3.98 e 5.42 osservazioni per semivita.

Riporta l’incertezza della velocità o della semivita trasformata con un metodo inferenziale adatto allo stimatore e al campione. Se un intervallo di confidenza per \(\phi\) arriva a uno o lo supera, potrebbe non sostenere una semivita OU stazionaria, positiva e finita. Non riportare solo una stima puntuale e, se scegli la serie apparentemente più rapida da una ricerca ampia, considera l’effetto della selezione. Vicino a una radice unitaria, l’errore di stima può dominare la precisione apparente di un singolo valore di semivita.

Per dare una misura dell’incertezza, supponiamo che un intervallo ipotetico al 95% per il coefficiente campionario sia \([0.78,0.92]\). Nell’intervallo stazionario OU, la semivita trasformata aumenta con \(\phi\), quindi l’intervallo corrisponde a circa 2.79–8.31 osservazioni, anche se la stima puntuale \(0.84\) dà 3.98. È un’illustrazione, non un risultato empirico. Se l’intervallo del coefficiente tocca uno, il limite superiore della semivita può essere illimitato; valori pari o superiori a uno sono fuori da questa conversione stazionaria. Non tagliare quei valori per ottenere un intervallo finito artificiale. Il metodo per l’incertezza deve riflettere anche la dipendenza seriale e l’eventuale costruzione stimata dello spread; una ricerca tra molte coppie o finestre deve considerare la selezione.

La semivita segue la dimensione attesa condizionata della deviazione. Il tempo di attraversamento chiede quando un percorso casuale raggiunge per la prima volta un livello, come la media stimata o una soglia di uscita. La distribuzione del primo passaggio dipende sia dalla deriva sia dalla volatilità e può essere molto ampia. L’analisi di William Bertram sull’arbitraggio statistico ottimale tratta durata delle operazioni e rendimento tramite calcoli del primo passaggio: è un oggetto distinto dalla formula della semivita esponenziale.

Un sistema di trading richiede comunque regole esplicite di ingresso e uscita, dimensionamento della posizione, limiti di rischio e una risposta alla rottura della relazione. Prima di tornare alla media, uno spread può allontanarsene ulteriormente e potrebbe non rientrare entro l’orizzonte rilevante. Il calcolo del decadimento atteso non fornisce un livello di stop, la probabilità di raggiungere un obiettivo di profitto prima dello stop né una stima dei rendimenti al netto delle commissioni.

Nel pairs trading, l’oggetto modellato è di solito uno spread costruito, non un singolo asset. Rapporto di copertura, valuta, aggiustamenti per operazioni societarie, finanziamento, disponibilità dei titoli da prendere a prestito e regole di ribilanciamento influenzano la posizione effettivamente realizzata. Verifica in finestre di convalida cronologiche che la relazione di lungo periodo dello spread resti plausibile: una semivita stimata breve non può correggere una rottura strutturale.

Considera spread denaro-lettera, impatto di mercato, commissioni, costi di funding o prestito e tempo necessario per eseguire entrambe le gambe. Questi costi si accumulano lungo il percorso realizzato, non solo durante la semivita attesa. La selezione tra molte coppie, finestre retrospettive e frequenze di campionamento può inoltre far sembrare più affidabile di quanto sia una stima breve ottenuta per caso. I risultati empirici di Chan e coautori sui modelli dei tassi d’interesse ricordano che una forma familiare di ritorno alla media non garantisce evidenze forti in un particolare insieme di dati.

Il quadro OU può organizzare un’ipotesi sulla dinamica attesa di uno spread. Il funzionamento di una regola di trading è una domanda empirica distinta, che dipende da stabilità, incertezza, esecuzione e risultati fuori campione.

Indica definizione della serie, convenzione di prezzo o rendimento, intervallo di campionamento, finestra del campione, media stimata, parametro di velocità e parametro di volatilità. Specifica se l’equazione OU è in tempo continuo o viene dedotta da un modello AR discreto. Riporta stima del coefficiente e incertezza, spiega come hai trasformato la semivita e mostra la sensibilità a una finestra o a un intervallo di campionamento alternativo ragionevole.

Per un’applicazione di trading, descrivi anche come è stato costruito lo spread, come vengono aggiornati i parametri, quali informazioni sono disponibili a ogni decisione e come vengono gestiti costi di transazione e mancata convergenza. Presenta la semivita come una sintesi implicita nel modello del decadimento atteso, con incertezza e unità. Non usarla da sola per giustificare ingressi, uscite o affermazioni di redditività.

L’articolo del 1930 di Uhlenbeck e Ornstein sul moto browniano sviluppa il processo stocastico di ritorno alla media sottostante. Il modello della struttura a termine di Vasicek90016-2) usa un processo di tipo OU per i tassi a breve termine. Chan, Karolyi, Longstaff e Sanders confrontano specificazioni continue dei tassi a breve e mostrano che evidenze e adattamento dipendono dalla scelta del modello. Bertram deriva risultati di arbitraggio statistico ottimale basati sui tempi di primo passaggio, mostrando che la durata di una posizione è una quantità distinta. Altre guide spiegano cointegrazione e correlazione nel pairs trading, radici unitarie e ritorno alla media e il test di cointegrazione di Engle–Granger.