Post Selection Estimation of Sharpe Ratios

Resumen Técnico: Estimación de la Relación de Sharpe mediante Post-Selección

Planteamiento del Problema
El artículo aborda el desafío estadístico de estimar la verdadera relación señal-ruido (ratio de Sharpe) de la población de una estrategia de trading seleccionada específicamente porque exhibió la mayor ratio de Sharpe observada in-sample entre un gran conjunto de estrategias candidatas. Este "sesgo de selección" conduce a la sobreestimación del rendimiento real de la estrategia ganadora. Los autores plantean el problema como la estimación del $k$-ésimo elemento de un vector de señal $\zeta$ (donde $\zeta_k$ corresponde a la estrategia con la máxima ratio de Sharpe observada $\hat{\zeta}_k$) condicionado a la ordenación $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$. El objetivo es encontrar un estimador que sea, ya sea insesgado o posea un error cuadrático medio (MSE) bajo en condiciones de mercado realistas, incluyendo variaciones en el tamaño de la muestra ($n$), el número de estrategias ($k$) y la distribución de las verdaderas ratios de Sharpe.

Metodología
Los autores adaptan y evalúan diversas técnicas de estimación estadística existentes al contexto específico de la selección de la ratio de Sharpe. Asumen que los rendimientos de los activos están distribuidos aproximadamente de forma elíptica, lo que permite modelar el vector de ratios de Sharpe observadas $\hat{\zeta}$ como una distribución normal multivariante con media $\zeta$ y una covarianza proporcional a la matriz identidad (en el caso de rendimientos independientes) o una estructura de simetría compuesta (en el caso de correlación).

El estudio compara los siguientes estimadores:

1. Sesgado: La máxima observada bruta $\hat{\zeta}_k$.
2. Media Global (Grand Mean): El promedio de todas las ratios de Sharpe observadas $\bar{\zeta}$.
3. James-Stein (JS): Un estimador de contracción (shrinkage) que contrae $\hat{\zeta}_k$ hacia la media global $\bar{\zeta}$ utilizando un factor derivado de la distancia euclidiana al cuadrado del vector respecto a la media.
4. GMLEB: El estimador Bayesiano Empírico de Máxima Verosimilitud Generalizada (Jiang y Zhang), un método basado en el umbral (thresholding).
5. SURE: El estimador de la Estimación de Riesgo No Sesgada de Stein (Donoho y Johnstone), adaptado para contraerse hacia la media global.
6. Bayesiano Empírico: Un estimador de umbral basado en una distribución a priori con una masa puntual en cero (Johnstone y Silverman).
7. Máximo Esperado (Expected Max): Un estimador que resta el valor esperado teórico del máximo de Gaussianas independientes (Bailey et al.) de $\hat{\zeta}_k$.
8. Mediana Poliedrica y MLE: Estimadores derivados del "lema poliedro" (Lee et al., Reid et al.), que utilizan la distribución normal truncada condicionada a la ordenación observada.

La evaluación se realiza mediante extensas simulaciones de Monte Carlo. Los autores prueban estos estimadores a través de varios "diseños" (layouts) del vector de señal real $\zeta$: distribuciones Gaussianas, Uniformes y Bimodales, así como configuraciones fijas (todo-bueno, uno-bueno, dos-buenos). Varían el tamaño de la muestra ($n$), el número de estrategias ($k$), la dispersión de las verdaderas ratios de Sharpe ($\sigma_\zeta$) y la correlación ($\rho$) de los rendimientos de los activos. El rendimiento se mide mediante sesgo, error cuadrático medio raíz (RMSE) y correlación de rango (Tau de Kendall y Rho de Spearman) contra el $\zeta_k$ real.

Resultajes Clave

• Superioridad de James-Stein: A través de una amplia gama de parámetros realistas, el estimador de James-Stein demuestra consistentemente el mejor desempeño. Es efectivamente insesgado para diseños Gaussianos y logra el RMSE más bajo. También domina en la correlación de rango, convirtiéndose en la herramienta más fiable para comparar la calidad relativa de las estrategias seleccionadas por diferentes equipos.
• Desempeño de GMLEB: El estimador GMLEB generalmente ocupa el segundo lugar, mostrando un desempeño robusto, particularmente en escenarios con alta dispersión ($\sigma_\zeta$) o diseños no Gaussianos específicos (por ejemplo, Bimodal).
• Fallo de los Métodos Poliedros: Los estimadores de Mediana Poliedrica y MLE exhiben un alto RMSE e inestabilidad. Los autores atribuyen esto a problemas numéricos cuando las dos primeras ratios de Sharpe observadas ($\hat{\zeta}_k$ y $\hat{\zeta}_{k-1}$) están muy cerca, causando que la verosimilitud de la normal truncada se vuelva extrema.
• Impacto de la Correlación: Cuando los rendimientos de los activos están correlacionados (simetría compuesta), el desempeño de la mayoría de los estimadores se degrada a medida que aumenta la correlación $\rho$. Sin embargo, el estimador de James-Stein sigue siendo la mejor opción para un $k$ fijo o un $n$ grande. En el caso extremo de correlación muy alta ($\rho \to 1$), el simple estimador "Sesgado" se vuelve casi insesgado porque el proceso de selección refleja efectivamente el orden real, y se recomienda el estimador "Sesgado" en este régimen específico.
• Correlación de Rango: La capacidad de los estimadores para clasificar correctamente las estrategias mejora con tamaños de muestra ($n$) más grandes y un mayor número de estrategias ($k$). Cuando la dispersión de las habilidades reales ($\sigma_\zeta$) es baja, la selección está dominada por la suerte, y todos los estimadores muestran una baja correlación de rango.

Significancia y Reivindicaciones
El artículo afirma proporcionar una guía práctica y empírica para los profesionales dedicados a la selección de estrategias cuantitativas. No introduce nuevos métodos teóricos, sino que adapta técnicas existentes de aprendizaje estadístico y de contracción (shrinkage) a la econometría de la ratio de Sharpe.

La conclusión principal es que el estimador de James-Stein es la herramienta de propósito general recomendada tanto para estimar la verdadera ratio de Sharpe de una estrategia seleccionada como para clasificar los resultados de diferentes procesos de selección. Se prefiere por su equilibrio entre bajo sesgo, bajo MSE y simplicidad computacional (requiere solo $k$, $n$, $\hat{\zeta}_k$, $\bar{\zeta}$ y la varianza empírica).

Los autores declaran explícitamente que sus resultados son "bastante robustos" a las correlaciones de los rendimientos de los activos, pero reconocen limitaciones. Advierten que los estimadores basados en poliedros son inestables y que el estimador "Máximo Esperado" tiene un desempeño deficiente en muchos entornos realistas. El artículo posiciona este trabajo como un estudio preliminar, señalando que trabajos futuros podrían incluir un mejor manejo de las estructuras de correlación, el umbralizado de estrategias irrelevantes y métodos de ensamble para reducir aún más el MSE. Los autores enfatizan que, si bien sus resultados son robustos, se basan en parámetros de simulación específicos y deben verse como una recomendación empírica sólida más que como una prueba teórica definitiva para todas las condiciones de mercado.