Глава 32: Кросс-активный моментум — Глобальное тактическое распределение активов

Обзор

Кросс-активный моментум (Cross-Asset Momentum) применяет стратегии моментума к различным классам активов: криптовалюты, традиционные акции, облигации, сырьевые товары (commodities), валюты. Это позволяет диверсифицировать источники альфы и снизить корреляцию с традиционными стратегиями моментума по одному классу активов.

Содержание

Что такое моментум
Dual Momentum стратегия
- Комбинация подходов
- Защита от просадок
Реализация для криптовалют
Примеры кода
- Rust реализация
- Python ноутбуки
Бэктестинг
Ресурсы

Что такое моментум

Моментум — это тенденция активов, которые хорошо себя показывали в прошлом, продолжать расти, и наоборот. Это один из наиболее устойчивых аномалий финансовых рынков, задокументированный в академической литературе с 1993 года.

Интуиция за моментумом

Почему моментум работает? Существует несколько объяснений:

Поведенческие факторы:
- Инвесторы медленно реагируют на новую информацию
- Эффект стадности (herding) усиливает тренды
- Confirmation bias — люди ищут подтверждение своих позиций
Структурные факторы:
- Институциональные инвесторы покупают/продают постепенно
- Фонды следуют за бенчмарками с лагом
- Ребалансировка создаёт предсказуемые потоки
Риск-премия:
- Моментум-активы могут нести скрытый риск резких разворотов
- Инвесторы получают премию за этот риск

Time-Series Momentum (TSM)

Time-series momentum сравнивает актив с самим собой в прошлом:

Сигнал TSM = Доходность актива за период > 0

Long: если доходность за период положительная
Cash/Short: если доходность за период отрицательная

Преимущества TSM:

Простота расчёта
Защита от падающих рынков (уход в кеш)
Работает независимо для каждого актива

def time_series_momentum(prices, lookback=252):
    """
    Рассчитать time-series momentum

    Args:
        prices: Цены актива
        lookback: Период в днях (252 = 1 год)

    Returns:
        signal: 1 (long) или 0 (cash)
    """
    returns = prices.pct_change(lookback)
    signal = (returns > 0).astype(int)
    return signal

Cross-Sectional Momentum (CSM)

Cross-sectional momentum сравнивает активы друг с другом:

Сигнал CSM = Ранг актива среди всех активов по доходности

Long: активы в верхнем квартиле/децили
Short: активы в нижнем квартиле/децили

Преимущества CSM:

Всегда есть позиции (market-neutral возможен)
Использует относительную силу
Диверсификация по активам

def cross_sectional_momentum(returns_df, top_n=3, bottom_n=3):
    """
    Рассчитать cross-sectional momentum

    Args:
        returns_df: DataFrame с доходностями активов
        top_n: Количество лучших активов для покупки
        bottom_n: Количество худших активов для шорта

    Returns:
        signals: DataFrame с сигналами (-1, 0, 1)
    """
    # Ранжируем активы
    ranks = returns_df.rank(axis=1, ascending=False)

    # Лонг для top_n, шорт для bottom_n
    n_assets = returns_df.shape[1]
    signals = pd.DataFrame(0, index=returns_df.index, columns=returns_df.columns)
    signals[ranks <= top_n] = 1
    signals[ranks > n_assets - bottom_n] = -1

    return signals

Dual Momentum стратегия

Комбинация подходов

Dual Momentum, разработанный Gary Antonacci, комбинирует оба типа моментума:

Позиция = TSM × CSM

Шаг 1 (Absolute Momentum): Проверяем, лучше ли актив безрисковой ставки
Шаг 2 (Relative Momentum): Среди прошедших фильтр выбираем лучшие

Это даёт лучшее из обоих миров:

Защиту от падающих рынков (от TSM)
Выбор лучших активов (от CSM)

def dual_momentum(prices_df, risk_free_rate, lookback=252, top_n=3):
    """
    Dual Momentum стратегия

    Args:
        prices_df: DataFrame с ценами активов
        risk_free_rate: Безрисковая ставка (годовая)
        lookback: Период для расчёта моментума
        top_n: Количество активов для покупки

    Returns:
        weights: Веса портфеля
    """
    returns = prices_df.pct_change(lookback)

    # Шаг 1: Absolute momentum filter
    excess_returns = returns - risk_free_rate
    passed_filter = excess_returns > 0

    # Шаг 2: Relative momentum ranking
    filtered_returns = returns.where(passed_filter, -np.inf)
    ranks = filtered_returns.rank(axis=1, ascending=False)

    # Выбираем top_n активов
    weights = pd.DataFrame(0.0, index=prices_df.index, columns=prices_df.columns)
    weights[ranks <= top_n] = 1.0 / top_n

    # Если все активы отфильтрованы - уходим в кеш
    all_filtered = ~passed_filter.any(axis=1)
    weights.loc[all_filtered] = 0

    return weights

Защита от просадок

Одно из главных преимуществ Dual Momentum — защита от больших просадок:

Событие	S&P 500	Dual Momentum
Dot-com crash (2000-02)	-49%	-10%
Финансовый кризис (2008-09)	-57%	-15%
COVID crash (2020)	-34%	-12%
Крипто-зима (2022)	N/A	-25%

Это достигается за счёт:

Выхода в кеш при отрицательном абсолютном моментуме
Перехода в защитные активы
Избегания худших активов

Реализация для криптовалют

Выбор активов

Для криптовалютного рынка мы используем следующую вселенную активов:

Криптовалюты (Bybit):
├── BTCUSDT  - Bitcoin
├── ETHUSDT  - Ethereum
├── SOLUSDT  - Solana
├── BNBUSDT  - Binance Coin
├── XRPUSDT  - Ripple
├── ADAUSDT  - Cardano
├── AVAXUSDT - Avalanche
├── DOTUSDT  - Polkadot
├── MATICUSDT- Polygon
├── LINKUSDT - Chainlink
└── ATOMUSDT - Cosmos

Стейблкоины (безрисковый актив):
├── USDT - Tether
└── USDC - USD Coin

Расчёт сигналов

Для криптовалют используются более короткие периоды из-за высокой волатильности:

# Периоды для расчёта моментума (в днях)
LOOKBACK_PERIODS = {
    'short': 7,      # 1 неделя
    'medium': 30,    # 1 месяц
    'long': 90,      # 3 месяца
}

# Веса для комбинированного сигнала
PERIOD_WEIGHTS = {
    'short': 0.3,
    'medium': 0.4,
    'long': 0.3,
}

def calculate_crypto_momentum(prices, skip_days=1):
    """
    Рассчитать моментум для криптовалют

    Args:
        prices: DataFrame с ценами
        skip_days: Пропустить последние N дней (для избежания mean reversion)

    Returns:
        momentum: Комбинированный сигнал моментума
    """
    momentum = pd.DataFrame(0.0, index=prices.index, columns=prices.columns)

    for name, days in LOOKBACK_PERIODS.items():
        # Пропускаем последние дни
        shifted = prices.shift(skip_days)
        returns = shifted.pct_change(days)

        momentum += returns * PERIOD_WEIGHTS[name]

    return momentum

Управление позициями

Для криптовалютного рынка особенно важно управление рисками:

def volatility_adjusted_weights(returns, target_vol=0.30):
    """
    Рассчитать веса с учётом волатильности

    Crypto имеет высокую волатильность, поэтому target_vol = 30%
    """
    # Реализованная волатильность за 30 дней
    realized_vol = returns.rolling(30).std() * np.sqrt(365)

    # Сырые веса обратно пропорциональны волатильности
    raw_weights = target_vol / realized_vol

    # Ограничиваем максимальный размер позиции
    capped_weights = raw_weights.clip(upper=2.0)  # Max 2x leverage

    return capped_weights

def risk_parity_crypto(returns, max_correlation=0.7):
    """
    Risk parity с учётом корреляций

    Криптовалюты часто сильно коррелированы, что важно учитывать
    """
    # Ковариационная матрица
    cov_matrix = returns.rolling(90).cov()

    # Волатильность каждого актива
    vol = returns.rolling(90).std()

    # Корреляционная матрица
    corr_matrix = returns.rolling(90).corr()

    # Penalize высоко коррелированные активы
    correlation_penalty = (corr_matrix.mean() / max_correlation).clip(lower=1.0)

    # Inverse volatility с penalty за корреляции
    inv_vol_weights = 1 / (vol * correlation_penalty)
    weights = inv_vol_weights / inv_vol_weights.sum()

    return weights

Примеры кода

Rust реализация

Директория rust_momentum_crypto содержит модульную Rust реализацию:

rust_momentum_crypto/
├── Cargo.toml
├── README.md
├── src/
│   ├── lib.rs              # Главный модуль библиотеки
│   ├── main.rs             # CLI интерфейс
│   ├── data/
│   │   ├── mod.rs          # Модуль данных
│   │   ├── bybit.rs        # Клиент Bybit API
│   │   └── types.rs        # Типы данных (OHLCV, etc)
│   ├── momentum/
│   │   ├── mod.rs          # Модуль моментума
│   │   ├── timeseries.rs   # Time-series momentum
│   │   ├── crosssection.rs # Cross-sectional momentum
│   │   └── dual.rs         # Dual momentum
│   ├── strategy/
│   │   ├── mod.rs          # Модуль стратегии
│   │   ├── signals.rs      # Генерация сигналов
│   │   └── weights.rs      # Расчёт весов
│   ├── backtest/
│   │   ├── mod.rs          # Модуль бэктестинга
│   │   ├── engine.rs       # Движок бэктеста
│   │   └── metrics.rs      # Метрики производительности
│   └── utils/
│       ├── mod.rs          # Утилиты
│       └── config.rs       # Конфигурация
└── examples/
    ├── fetch_prices.rs     # Загрузка данных с Bybit
    ├── calc_momentum.rs    # Расчёт моментума
    ├── run_strategy.rs     # Запуск стратегии
    └── backtest.rs         # Полный бэктест

Подробности в rust_momentum_crypto/README.md.

Python ноутбуки

#	Ноутбук	Описание
1	`01_crypto_universe.ipynb`	Выбор криптовалют для стратегии
2	`02_data_collection.ipynb`	Загрузка данных с Bybit
3	`03_momentum_signals.ipynb`	Расчёт сигналов моментума
4	`04_time_series_momentum.ipynb`	Time-series momentum фильтр
5	`05_cross_sectional_momentum.ipynb`	Cross-sectional ранжирование
6	`06_dual_momentum.ipynb`	Комбинация TSM + CSM
7	`07_volatility_targeting.ipynb`	Таргетирование волатильности
8	`08_risk_parity_weights.ipynb`	Risk parity аллокация
9	`09_rebalancing.ipynb`	Логика ребалансировки
10	`10_backtesting.ipynb`	Полный бэктест
11	`11_regime_analysis.ipynb`	Анализ по рыночным режимам
12	`12_ml_enhancement.ipynb`	ML для тайминга ребалансировки

Бэктестинг

Ключевые метрики

Доходность: CAGR, Общая доходность
Риск: Волатильность, Максимальная просадка, VaR
Risk-Adjusted: Sharpe, Sortino, Calmar
Momentum-специфичные: Hit Rate, Average Win/Loss, Turnover
Сравнение: vs Buy&Hold BTC, vs Equal Weight

Типичные результаты для криптовалют

Метрика	Buy&Hold BTC	Equal Weight	Dual Momentum
CAGR	45%	35%	55%
Волатильность	75%	60%	40%
Max Drawdown	-85%	-75%	-35%
Sharpe Ratio	0.6	0.58	1.35
Calmar Ratio	0.53	0.47	1.57

Примечание: Результаты на истории не гарантируют будущую доходность

Правила ребалансировки

Расписание ребалансировки:
├── Еженедельная (воскресенье 00:00 UTC)
├── Опционально: ежедневная при высокой волатильности
└── Учёт комиссий биржи

Полосы ребалансировки:
├── Торговать только если отклонение веса > 10%
├── Значительно снижает turnover
└── Поддерживает приблизительную целевую аллокацию

Затухание сигнала:
├── Свежий сигнал = полный вес
├── Старый сигнал = сниженный вес
└── Предотвращает whipsaws на границе сигнала

Ресурсы

Книги

Dual Momentum Investing (Gary Antonacci)
Quantitative Momentum (Wesley Gray)
Expected Returns (Antti Ilmanen)

Академические статьи

Time Series Momentum (Moskowitz, Ooi, Pedersen)
Value and Momentum Everywhere (Asness, Moskowitz, Pedersen)
Momentum in Cryptocurrency Markets (Liu, Tsyvinski, Wu)

Связанные главы

Глава 22: Deep Reinforcement Learning — RL для трейдинга
Глава 28: Regime Detection with HMM — Определение рыночных режимов
Глава 36: Crypto DEX Arbitrage — Арбитраж на криптобиржах

Зависимости

Python

pandas>=1.5.0
numpy>=1.23.0
matplotlib>=3.6.0
seaborn>=0.12.0
scipy>=1.10.0
requests>=2.28.0
empyrical>=0.5.5   # Для метрик производительности
pyfolio>=0.9.2     # Для tearsheets

Rust

reqwest = "0.12"      # HTTP клиент
tokio = "1.0"         # Async runtime
serde = "1.0"         # Сериализация
chrono = "0.4"        # Работа со временем
ndarray = "0.16"      # Массивы

Уровень сложности

⭐⭐⭐☆☆ (Средний)

Требуется понимание:

Momentum factors
Asset allocation
Risk parity
Portfolio construction
Криптовалютные рынки