Начинающий алготрейдер - парный трейдинг на BIST

Идея простая:
   Если пара ведёт себя «правильно» с точки зрения статистики, она неизбежно будет прибыльной на большой выборке.

Что значит «правильно»:
   1. Наличие возврата к среднему (mean reversion)
   2. Адекватный half-life у спреда, максимум несколько дней
   3. Стабильные коэффициенты регрессии

Алгоритм:
    — Использую фильтр Калмана для нахождения коэффициентов регрессии. 
    — Сначала подбираю параметры в фильтре Калмана так, чтобы соблюдались все условия выше.
    — И только потом оптимизирую вход и выход по коэффициенту Шарпа.

Реализовал этот алгоритм на C#, с вызовом Python-процедуры для выполнения ADF-теста.

Тестировал на BIST (Турция):

25 случайных large-cap, все пары с одинаковым сектором
    — Средний CAGR: 2% на out-of-sample 
    — По всей видимости, в крупных бумагах сидят роботы, которые высасывают арбитраж.

25 случайных small-cap, все пары с одинаковым сектором
    — Средний CAGR: 38%, несмотря на падение индекса на –15% за тот же период.
    — Это уже интереснее!

Параметры:
    — Дневные данные
    — Обучение: 01.01.2023 — 01.06.2024
    — Тест: 01.06.2024 — 01.06.2025
   - Издержки (комиссии, проскальзывание, bid-ask спред) пока не включены в расчёты

Результаты:

Лучшая пара (по Шарпу на out-of-sample данных):

Худшая пара:

Задача: Найти статистический критерий, который отсеивал бы «плохие» пары ещё на этапе тестирования.

На глазок, остатки (residual) пары CEMTS — AFYON выглядят более «шумными». Возможно, стоит покопать в эту сторону — например, подключить экспоненту Херста или другие метрики, отражающие структуру шума.

Может быть, что-то почитать по этому поводу? Книги или статьи по парному трейдингу и статистическому арбитражу, или по временным рядам/эконометрике в целом? Нашёл Andrew Pole — Statistical Arbitrage (2007) и Vidyamurthy - Pairs Trading: Quantitative Methods and Analysis (2004), обе довольно старенькие.