Segun QuantInsti (Quant Trading Python), un proyecto académico desarrollado en el mercado de valores de India entre enero de 2015 y junio de 2025, implementa una estrategia de arbitraje estadístico mediante pares de acciones cointegrados. El enfoque se centra en 25 acciones de grandes capitales del mercado NSE, distribuidas entre sectores clave como banca, tecnología, farmacéutica, cemento y automotriz. La selección de pares se basa en una prueba de estacionaridad residual utilizando el test ADF(0) con valor p de MacKinnon, aplicado sobre un conjunto de entrenamiento. Para garantizar la robustez estadística y prevenir falsos descubrimientos, se aplica el criterio de tasa de falsos descubrimientos de Benjamini–Hochberg a un nivel del 5%. La estrategia opera mediante una retroalimentación continua, dividiendo el periodo en ventanas de entrenamiento de 252 días y pruebas de 21 días consecutivos. El trading se ejecuta a través de z-scores de la diferencia de precios entre pares, actuando sobre el comportamiento de reversiones de media. Cada operación considera costos de transacción explícitos: cinco puntos base por cada operación (5 bps) en cada extremo del movimiento. El capital asignado a cada par activo es de 500,000 rupias, distribuido de forma equitativa. Además, el modelo incluye una evaluación exhaustiva de métricas de riesgo a nivel de cartera, lo que permite una gestión transparente de exposiciones y volatilidad.
Este enfoque, aunque diseñado para el contexto indio, ofrece una estructura clara y verificable que puede adaptarse a mercados emergentes. Para inversores peruanos, el análisis revela la importancia de estrategias neutras al mercado, que reducen la exposición a movimientos generales del mercado. En un entorno como el de Perú, donde los mercados pueden presentar volatilidad por factores macroeconómicos o políticos, este tipo de estrategia permite mantener un equilibrio entre rentabilidad y estabilidad. La presencia de costos de transacción definidos y el uso de controles estadísticos robustos hacen que el modelo sea más aplicable en entornos con baja liquidez o fluctuaciones recurrentes. Además, el enfoque sin sesgos de anticipación (look-ahead bias) garantiza que las decisiones se tomen solo con datos disponibles en el momento, un aspecto crítico en mercados donde la información puede ser desbalanceada o tardía. Este modelo, aunque originado en el mercado indio, puede servir como base para el diseño de estrategias de inversión más ágiles y sostenibles en contextos latinoamericanos, especialmente en mercados que aún no han adoptado sistemas de automatización avanzada.
En un país como el Perú, donde las inversiones en acciones suelen ser gestionadas por pequeños inversores o familias, la aplicación de estrategias de arbitraje basadas en estadísticas puede ofrecer una forma más estructurada de tomar decisiones. Sin embargo, es fundamental que los inversores comprendan que estos modelos requieren análisis profundos y no deben ser vistos como garantías de retorno. La experiencia del proyecto demuestra que incluso en mercados con altas volatilidades, la combinación de pruebas estadísticas rigurosas y costos operativos reales puede generar un marco de evaluación sólido. Para el lector peruano, esto significa que la inversión no se limita a esperar movimientos de precios, sino que puede basarse en modelos que identifican desviaciones persistentes entre activos relacionados, siempre bajo un control de riesgo claro.