Pairs trading to jedna z najbardziej znanych odmian statystycznego arbitrażu, w której inwestor zajmuje przeciwstawne pozycje na dwóch silnie powiązanych instrumentach z nadzieją, że ich relacja powróci do typowego poziomu. W ujęciu korelacyjnym bazuje się na tym, że ceny dwóch aktywów poruszają się podobnie w danym horyzoncie, dzięki czemu można polować na krótkotrwałe odchylenia i tworzyć pozycje rynkowo neutralne. Poniżej znajdziesz kompletny przewodnik po tym, jak projektować i wdrażać korelacyjne strategie pairs tradingu w praktyce, jak identyfikować zbieżne pary, mierzyć rozjazdy cen oraz zarządzać ryzykiem i kosztami.
Dlaczego pairs trading i skąd bierze się przewaga
Sednem podejścia jest mean reversion relacji pomiędzy dwiema seriami cen. Nawet jeśli poziom cen każdego z aktywów jest błądzeniem losowym, ich spread bywa bliski procesowi stacjonarnemu, szczególnie w parach powiązanych ekonomicznie (spółki z tej samej branży, fundusze ETF na ten sam indeks, kontrakty na powiązane surowce). Gdy spread odchyla się od przeciętnego pasma, strategia zakłada pozycję long na względnie tanim aktywie i short na względnie drogim, oczekując powrotu relacji do średniej. Właśnie na takim mechanizmie buduje się strategie pairs trading korelacyjny.
Przewaga może wynikać z:
- Powiązań fundamentalnych i wspólnych czynników ryzyka, które zacieśniają zachowanie cen.
- Efektów technicznych i mikrostrukturalnych, np. różnic w płynności, opóźnieniach reakcji lub przepływach kapitału.
- Niedopasowania wycen w krótkim terminie oraz automatycznego powrotu do równowagi dzięki arbitrażystom.
Korelacyjne podejście w praktyce
Wersja korelacyjna pairs tradingu traktuje korelację jako kluczowy filtr do wyboru par i bieżącą miarę podobieństwa zachowania. To ramy lekkie obliczeniowo i łatwe do wdrożenia w narzędziach typu Python, R czy platformach backtestowych, co czyni je atrakcyjnymi dla wielu zespołów budujących strategie pairs trading korelacyjny.
Korelacja jako filtr wstępny
Najprostsze kryterium to wysoka korelacja Pearsona dziennych lub intradayowych stóp zwrotu. Alternatywnie można stosować korelację Spearmana odporniejszą na odstające obserwacje. Typowe progi dla selekcji to np. 0.7–0.95, w zależności od uniwersum i horyzontu. Ważne, by:
- Liczyć korelację w ruchomym oknie (rolling), np. 60–120 dni dla dziennych danych, aby reagować na zmiany reżimu.
- Unikać zbyt krótkich okien, które narażają na losowy szum i przeszacowanie podobieństwa.
- Weryfikować stabilność korelacji w czasie oraz sprawdzać, czy korelacja w okresie testowym nie zanika.
Dobór uniwersum par
W strategie pairs trading korelacyjny warto zawęzić rynek do logicznych klas aktywów, by zwiększyć szanse na rzeczywistą zbieżność:
- ETF-y na ten sam lub pokrewny indeks (np. szeroki rynek, sektor, region) – z reguły wysoka korelacja i łatwiejsze krótkie pozycje.
- Spółki z tej samej branży lub o podobnym modelu biznesowym – np. producenci napojów, banki, spółki energetyczne.
- Kontrakty terminowe na blisko spokrewnione instrumenty (np. ropę Brent i WTI, indeksy o podobnym składzie).
Dobór uniwersum usprawnia korzystanie z filtrów typu korelacja, co wspiera skuteczność typowej konfiguracji, takiej jak strategie pairs trading korelacyjny.
Jakość miary korelacji i alternatywy
Korelacja Pearsona mierzy związek liniowy i bywa wrażliwa na outliery. Warto rozważyć:
- Spearman (korelacja rangowa) – lepsza przy nieliniowościach i odstających wynikach.
- Korelację ważoną czasowo (większy ciężar nowszych obserwacji) dla szybszej adaptacji.
- DCC-GARCH lub inne modele zmiennej w czasie korelacji, gdy dostępne są odpowiednie narzędzia i próba danych.
Zbieżność, rozjazdy i definicja spreadu
Po wyborze pary tworzymy spread, czyli wielkość opisującą względną wycenę. W korelacyjnym ujęciu używa się zazwyczaj:
- Spreadu różnicowego: S = log(P1) − log(P2).
- Spreadu beta-hedged: S = log(P1) − beta × log(P2), gdzie beta pochodzi z regresji w oknie.
Wariant beta-hedged bywa stabilniejszy, bo dopasowuje wagi pozycji do empirycznej relacji. Dla strategie pairs trading korelacyjny to często lepszy wybór, zwłaszcza gdy zmienność i siła sygnału w obu aktywach różnią się.
Normalizacja i sygnały
Aby porównywać rozjazdy w czasie, normalizujemy spread. Popularne podejścia:
- Z-score: z = (S − μ) / σ, gdzie μ i σ to średnia i odchylenie standardowe w ruchomym oknie.
- Pasy Bollingera na spreadzie, co jest równoważne z z-score przy założeniu stacjonarności w oknie.
- Quantile bands – odwołania do percentyli rozkładu spreadu.
Przykładowe reguły wejścia/wyjścia:
- Wejście: gdy |z| przekracza próg, np. 2.0 – zajmij long/short odpowiednio do znaku z.
- Wyjście: gdy z zawraca w kierunku 0 i wraca do pasma, np. |z| < 0.5.
- Time stop: jeśli mean reversion nie nastąpi w określonej liczbie dni, zamknij pozycję.
Szacowanie czasu powrotu
Do oceny dynamiki powrotu używa się modelu Ornsteina–Uhlenbecka lub regresji AR(1) na spreadzie, co pozwala obliczyć half-life – przeciętny czas potrzebny do połowicznego powrotu do średniej. Dzięki temu można lepiej dobrać:
- Okno do liczenia z-score.
- Horyzont utrzymywania pozycji i maksymalny czas stopu.
- Wielkość pozycji poprzez targetowanie zmienności spreadu.
Korelacja kontra kointegracja
Korelacja mierzy współzmienność, nie gwarantuje jednak stacjonarności spreadu. Kointegracja bada, czy liniowa kombinacja dwóch niestacjonarnych szeregów jest stacjonarna. W praktyce:
- Test Engle’a–Grangera – dwuetapowa procedura regresji i testu ADF reszt.
- Test Johansena – uogólnienie na wiele zmiennych i wektory kointegracji.
Jeśli celem są czysto strategie pairs trading korelacyjny, testy kointegracji można traktować jako filtr jakościowy. Gdy kointegracja nie występuje, nadal można handlować, ale ryzyko dryfu i zrywania relacji rośnie. Często stosuje się hybrydę: korelacja jako wstępny screening, a kointegracja jako warunek końcowy.
Kiedy korelacja zawodzi
W czasie stresu rynkowego korelacje mają tendencję do zbiegania ku jedności w cross-asset oraz do rozpadu w parach branżowych wskutek czynników idiosynkratycznych. Oznacza to większe ryzyko:
- Fałszywych sygnałów wynikających z przesunięć reżimu i zmian strukturalnych.
- Trwałych rozjazdów, jeśli czynnik podstawowy przestał łączyć aktywa (np. zmiana modelu biznesowego, regulacji, marż).
Aby się zabezpieczyć, w strategie pairs trading korelacyjny warto dodawać filtry jakości, np. minimalny wolumen, brak istotnych zdarzeń korporacyjnych, ograniczenia na odchylenia beta oraz monitorowanie newsów.
Dynamiczne hedgowanie i filtr Kalmana
Gdy relacja wag w parze ewoluuje, filtr Kalmana pozwala estymować zmienne w czasie beta i średnią spreadu. To narzędzie bywa skuteczne przy dłuższych horyzontach i parametrach, które nie są stabilne w jednym oknie, co poprawia jakość korelacyjnych setupów.
Pełny workflow budowy strategii
Poniżej zarys krok po kroku, jak zbudować i przetestować strategie pairs trading korelacyjny od danych do wdrożenia produkcyjnego.
Krok 1. Dane i przygotowanie
- Pobierz dane cenowe i wolumenu na spójnych znacznikach czasu (close-to-close, intraday o ustalonej częstotliwości).
- Oczyść dane: brakujące wartości, split-adjust, dywidendy, usunięcie błędów cenowych.
- Upewnij się, że indeksacja czasowa i strefy czasowe są zgodne, a dane nie cierpią na lookahead bias.
Krok 2. Wybór uniwersum
- Zdefiniuj koszyk kandydatów: branża, region, ETF-y na ten sam benchmark.
- Nałóż filtry płynności i krótkiej sprzedaży: minimalny wolumen, free float, koszty borrow.
Krok 3. Screening korelacyjny
- Policz rolling correlation dla zwrotów w oknie N, np. 90 dni.
- Wybierz pary z korelacją powyżej progu, wymagaj stabilności w co najmniej M% dni.
- Opcjonalnie porównaj Pearsona i Spearmana; rozważ wagi czasowe.
Krok 4. Definicja spreadu i normalizacja
- Wyznacz beta w ruchomym oknie przez regresję log-cen lub zwrotów.
- Policz spread S i z-score w tym samym oknie.
Krok 5. Reguły wejścia/wyjścia
- Ustal progi wejścia, np. |z| ≥ 2.0, oraz wyjścia, np. |z| ≤ 0.5.
- Dodaj time stop i stop-loss na spreadzie, np. z < −3.5 dla pozycji long-spread.
Krok 6. Zarządzanie pozycją
- Targetuj zmienność spreadu do stałego celu (np. 10% rocznie), skalując wielkość pozycji.
- Utrzymuj dollar neutrality lub beta neutrality dla pary.
- Kontroluj leverage i limity koncentracji.
Krok 7. Backtest i weryfikacja
- Symuluj egzekucję ze slippage, spreadem bid-ask, prowizjami, kosztami borrow i dywidendami.
- Użyj walk-forward i out-of-sample, aby uniknąć overfittingu.
Krok 8. Monitoring i reżimy
- Monitoruj korelację i parametry; zatrzymuj handel na parze przy spadku jakości.
- Alarmy na zdarzenia korporacyjne i gwałtowne zmiany zmienności.
Backtest: pułapki i metryki
Dobry backtest dla strategie pairs trading korelacyjny musi uwzględniać pełne koszty i rzeczywiste warunki rynku. Kluczowe elementy:
Koszty transakcyjne i mikrostruktura
- Prowizje i opłaty – istotne przy wyższym turnoverze.
- Spread bid-ask – w parach o niższej płynności stanowi główne źródło slippage.
- Short borrow i opłaty za pożyczanie papierów.
- Dywidendy i odsetki – przepływy gotówkowe mogą wypaczać wyniki, jeśli nie są poprawnie modelowane.
Biasy i sanity-checki
- Survivorship bias – używaj historycznych koszyków i delistingu.
- Lookahead bias – nie korzystaj z danych, których nie znano w chwili decyzji.
- Data-snooping – walidacja na wielu okresach i rynkach, testy permutacyjne.
Metryki wydajności
- Sharpe i Sortino – relacja zysku do ryzyka.
- Max drawdown, czas odrabiania strat.
- Hit rate, średni zysk na transakcję, expectancy.
- Turnover i rotacja kapitału.
Stabilność parametrów
- Walk-forward z okresową rekalibracją beta i progów z-score.
- Rolling windows o różnej długości i test wrażliwości na parametry.
- Analiza reżimów – jak strategia zachowuje się w okresach paniki i hossy.
Zarządzanie ryzykiem
Kluczem do długowieczności strategii jest rygorystyczne zarządzanie ryzykiem i konserwatywne limity, nawet gdy w backteście wyniki wyglądają imponująco.
Neutralność i ekspozycje
- Dollar neutral – równa wartość long i short.
- Beta neutral – kompensacja ekspozycji rynkowej względem benchmarku.
- Industry neutral – ograniczenie dryfu międzybranżowego.
Wielkość pozycji
- Target zmienności spreadu – skalowanie w dół w reżimach wysokiej zmienności.
- Kelly fraction w praktycznej, konserwatywnej wersji (np. 0.25–0.5 Kelly).
- Risk parity między parami, aby unikać dominacji jednej pary w portfelu.
Kontrola strat
- Hard stop-loss na z-score lub stracie nominalnej.
- Time stop – zamykanie pozycji po N dniach bez rewersji.
- Soft exit – częściowa redukcja przy podejściu do zera z-score.
Ryzyko korelacji
Korelacje bywają kruche. W kryzysach rynkowych mechanizmy przepływu kapitału mogą diametralnie zmienić relacje między aktywami. Dlatego w strategie pairs trading korelacyjny wdraża się:
- Alarmy na spadek rolling correlation poniżej progu.
- Przerwy w handlu (circuit breakers) dla par tracących stabilność.
- Limity wielkości i dźwigni w okresach skokowej zmienności.
Egzekucja i mikrostruktura
Świetny sygnał traci wartość przy słabej egzekucji. W parach istotne są kolejność zleceń i ryzyko niesymetrycznego wejścia.
Legging risk i rodzaje zleceń
- Legging risk – ryzyko, że jedna noga wejdzie, a druga nie. Pomaga użycie zleceń warunkowych i algorytmów parowych.
- Limit vs market – limity ograniczają koszt, ale zwiększają ryzyko braku realizacji.
- Iceberg i TWAP/VWAP – redukcja wpływu na rynek przy większych wolumenach.
Koszty ukryte
- Finansowanie pozycji krótkiej i stopy procentowe.
- Borrow availability – brak dostępności do krótkiej sprzedaży może zablokować strategię.
- Dywidendy i wydarzenia korporacyjne (split, rights issue) – wpływają na spread i PnL.
Fragmentacja i routing
- Na rynkach wielowęzłowych selekcja venue i smart routing mają znaczenie.
- Synchronizacja czasowa – opóźnienia w strumieniach danych mogą generować pozorne sygnały.
Przykłady i mini studia przypadków
Poniższe przykłady ilustrują proces myślowy, nie są rekomendacją inwestycyjną. Dane i parametry należy zweryfikować we własnym backteście.
ETF na szeroki rynek: SPY vs IVV
Dwa duże ETF-y śledzące ten sam indeks mają zwykle bardzo wysoką korelację i podobne ryzyko. Konfiguracja:
- Okno korelacji: 90 dni, próg min 0.95.
- Spread beta-hedged, z-score z okna 60 dni.
- Wejście: |z| ≥ 2.0; wyjście: |z| ≤ 0.5; time stop: 10 dni.
- Uwzględnij koszty: niskie, ale istotne przy wysokim obrocie.
W praktyce zyski na parze są niewielkie na transakcję, ale częste i stabilne; to dobry benchmark dla strategie pairs trading korelacyjny.
ETF sektorowe: XLE vs VDE
Fundusze na sektor energii. Istnieje ryzyko różnic w składzie i dywidendzie, ale zwykle zachowują zbieżność. Dobre środowisko do sprawdzenia odporności na rotację składu i różnice kosztów.
Spółki konsumpcyjne: Coca-Cola vs PepsiCo
Podobny model biznesowy, silna korelacja długoterminowa. Wymaga uwzględnienia dywidend, sezonowości oraz newsów korporacyjnych. Dobrym zabezpieczeniem jest filtr na zdarzenia (earnings blackout), zanim strategia uruchomi nowe wejścia.
Ulepszenia oparte na metodach ilościowych
Aby zwiększyć skuteczność strategie pairs trading korelacyjny, można dołożyć moduły uczenia maszynowego i analizy wielowymiarowej.
PCA i klastrowanie
- PCA do usuwania wspólnych czynników i wyboru par o podobnych ładunkach czynnikowych.
- K-means lub hierarchiczne klastrowanie do grupowania spółek według cech fundamentalnych i technicznych.
Regresje regularizowane do hedging ratio
- Lasso lub Ridge do estymacji beta z kontrolą przeuczenia.
- Elastic Net dla kompromisu między stabilnością a dopasowaniem.
Predykcja prawdopodobieństwa rewersji
- Modele klasyfikacyjne (np. logit, GBM) przewidujące szansę powrotu w określonym horyzoncie.
- Cechy: wielkość odchylenia (z-score), zmienność, płynność, momentum relatywne, news sentiment.
Reżimowość i filtry
- Markov switching do identyfikacji reżimów mean reversion vs momentum.
- Filtry zmienności – próg VIX lub ATR spreadu jako warunek aktywacji sygnałów.
Typowe błędy i jak ich unikać
- Przeoptymalizowanie – zbyt wiele parametrów dopasowanych do historii. Używaj prostych reguł, testuj out-of-sample.
- Ignorowanie kosztów – bez uwzględnienia spreadu, prowizji i borrow strategia bywa iluzorycznie zyskowna.
- Brak kontroli reżimów – sygnały działają dobrze do czasu zmiany struktury zależności.
- Niedoszacowanie ryzyka egzekucji – brak synchronizacji nóg, brak płynności, poślizg cenowy.
- Nieadekwatne dane – błędy w splitach, dywidendach, opóźnienia w tickach.
Ramy prawne i operacyjne
Pairs trading, nawet w wariancie korelacyjnym, wymaga zrozumienia ograniczeń operacyjnych:
- Margines i dźwignia – regulacje i limity brokera wpływają na zwroty i ryzyko likwidacji.
- Short selling – dostępność borrow i koszty pożyczki są kluczowe.
- Compliance – wydarzenia korporacyjne, blackouty publikacji wyników, polityki instytucji.
Strategie mają charakter rynkowo neutralny, ale to nie zwalnia z dbałości o formalności oraz odpowiednie raportowanie i monitoring ryzyka.
Checklist przed wdrożeniem
- Określ uniwersum i przeprowadź screening korelacyjny.
- Zdefiniuj spread, beta i metodę normalizacji (z-score, pasma).
- Ustal progi wejścia, wyjścia, stop-loss i time stop.
- Przygotuj moduł position sizing z targetem zmienności.
- Przeprowadź backtest z pełnymi kosztami i biasami.
- Zweryfikuj stabilność parametrów w walk-forward.
- Skonfiguruj egzekucję parową i kontrolę legging risk.
- Wprowadź monitoring korelacji, alarmy reżimowe i governance.
Zaawansowane wskazówki projektowe
- Wieloskładnikowe filtry: oprócz korelacji dodaj podobieństwo fundamentalne, profil beta rynkowej i ekspozycję faktorową.
- Horyzonty wieloskalowe: strategie intraday i dzienne mogą koegzystować, dzieląc ryzyko.
- Dynamiczne progi: progi z-score uzależniaj od bieżącej zmienności spreadu.
- Ograniczenia ekspozycji: limity na sektor, kraj, pojedynczą parę, aby unikać kumulacji ryzyka.
- Stress-test: symuluj skoki zmienności i rozpady korelacji, sprawdzaj odporność PnL.
Podsumowanie
Korelacyjne pairs trading opiera się na prostym, ale skutecznym założeniu: relacje między silnie powiązanymi aktywami mają tendencję do powrotu do typowych poziomów po krótkotrwałych rozjazdach. Klucz do sukcesu to rygor w selekcji par, staranna definicja spreadu i normalizacja sygnału, uwzględnienie pełnych kosztów oraz żelazna dyscyplina w zarządzaniu ryzykiem. Wdrożenie praktyczne wymaga zrozumienia mikrostruktury, ryzyk short borrow i stabilności parametrów w czasie. Dobrze zaprojektowane strategie pairs trading korelacyjny mogą stanowić wartościową część portfela rynkowo neutralnego, o ile są oparte na wiarygodnych danych, realistycznym backteście i konsekwentnym nadzorze.
Niniejszy materiał ma charakter edukacyjny i nie stanowi rekomendacji inwestycyjnej. Zanim zastosujesz opisane podejścia w praktyce, wykonaj niezależny backtest, uwzględnij własne cele, ograniczenia, podatki i regulacje oraz skonsultuj się z licencjonowanym doradcą, jeśli jest to wymagane.
