Post Selection Estimation of Sharpe Ratios

Résumé Technique : Estimation du Ratio de Sharpe par Post-Sélection

Énoncé du Problème
L'article traite du défi statistique que représente l'estimation du véritable ratio signal sur bruit (ratio de Sharpe) d'une stratégie de trading sélectionnée spécifiquement parce qu'elle a présenté le ratio de Sharpe observé le plus élevé parmi un large ensemble de stratégies candidates. Ce « biais de sélection » entraîne une surestimation de la performance réelle de la stratégie gagnante. Les auteurs formulent le problème comme l'estimation du $k$-ième élément d'un vecteur de signaux $\zeta$ (où $\zeta_k$ correspond à la stratégie ayant le ratio de Sharpe observé maximum $\hat{\zeta}_k$) conditionnellement à l'ordonnancement $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$. L'objectif est de trouver un estimateur qui soit soit non biaisé, soit doté d'une faible erreur quadratique moyenne (MSE) dans des conditions de marché réalistes, incluant des tailles d'échantillon ($n$), des nombres de stratégies ($k$) et des distributions de vrais ratios de Sharpe variables.

Méthodologie
Les auteurs adaptent et évaluent plusieurs techniques d'estimation statistique existantes au contexte spécifique de la sélection du ratio de Sharpe. Ils supposent que les rendements des actifs sont approximativement distribués de manière elliptique, ce qui permet de modéliser le vecteur des ratios de Sharpe observés $\hat{\zeta}$ comme une distribution normale multivariée avec une moyenne $\zeta$ et une covariance proportionnelle à la matrice identité (dans le cas de rendements indépendants) ou une structure de symétrie composée (dans le cas des rendements corrélés).

L'étude compare les estimateurs suivants :

1. Biaisé : Le maximum observé brut $\hat{\zeta}_k$.
2. Moyenne Globale (Grand Mean) : La moyenne de tous les ratios de Sharpe observés $\bar{\zeta}$.
3. James-Stein (JS) : Un estimateur de contraction (shrinkage) qui contracte $\hat{\zeta}_k$ vers la moyenne globale $\bar{\zeta}$ en utilisant un facteur dérivé de la distance euclidienne au carré du vecteur par rapport à la moyenne.
4. GMLEB : L'estimateur bayésien empirique par maximum de vraisemblance généralisé (Jiang et Zhang), une méthode basée sur le seuillage.
5. SURE : L'estimateur de l'estimation du risque non biaisé de Stein (Donoho et Johnstone), adapté pour se contracter vers la moyenne globale.
6. Bayésien Empirique : Un estimateur de seuillage basé sur une loi a priori avec une masse ponctuelle à zéro (Johnstone et Silverman).
7. Maximum Attendu (Expected Max) : Un estimateur qui soustrait la valeur attendue théorique du maximum de Gaussiennes indépendantes (Bailey et al.) de $\hat{\zeta}_k$.
8. Médiane Polyédrique et MLE : Des estimateurs dérivés du « lemme polyédrique » (Lee et al., Reid et al.), utilisant la distribution normale tronquée conditionnellement à l'ordonnancement observé.

L'évaluation est conduite via des simulations de Monte Carlo approfondies. Les auteurs testent ces estimateurs à travers diverses « configurations » (layouts) du vecteur de signal réel $\zeta$ : distributions Gaussienne, Uniforme et Bimodale, ainsi que des configurations fixes (tous bons, un bon, deux bons). Ils font varier la taille de l'échantillon ($n$), le nombre de stratégies ($k$), l'écart des vrais ratios de Sharpe ($\sigma_\zeta$) et la corrélation des rendements des actifs ($\rho$). La performance est mesurée via le biais, la racine de l'erreur quadratique moyenne (RMSE) et la corrélation de rang (tau de Kendall et rho de Spearman) par rapport au vrai $\zeta_k$.

Résultats Clés

• Supériorité de James-Stein : À travers une large gamme de paramètres réalistes, l'estimateur de James-Stein démontre systématiquement la meilleure performance. Il est effectivement non biaisé pour les configurations gaussiennes et atteint la plus faible RMSE. Il domine également en corrélation de rang, ce qui en fait l'outil le plus fiable pour comparer la qualité relative des stratégies sélectionnées par différentes équipes.
• Performance de GMLEB : L'estimateur GMLEB arrive généralement en deuxième position, montrant une performance robuste, particulièrement dans les scénarios à fort écart ($\sigma_\zeta$) ou les configurations non gaussiennes spécifiques (ex: Bimodale).
• Échec des méthodes polyédriques : Les estimateurs de la Médiane Polyédrique et du MLE Polyédrique présentent une RMSE élevée et une instabilité. Les auteurs attribuent cela à des problèmes numériques lorsque les deux premiers ratios de Sharpe observés ($\hat{\zeta}_k$ et $\hat{\zeta}_{k-1}$) sont très proches, provoissant que la vraisemblance de la normale tronquée devienne extrême.
• Impact de la Corrélation : Lorsque les rendements des actifs sont corrélés (symétrie composée), la performance de la plupart des estimateurs se dégrade à mesure que la corrélation $\rho$ augmente. Cependant, l'estimateur de James-Stein reste le meilleur choix pour un $k$ fixe ou un $n$ élevé. Dans le cas extrême d'une corrélation très élevée ($\rho \to 1$), l'estimateur « Biaisé » simple devient presque non biaisé car le processus de sélection reflète alors l'ordre réel, et l'estimateur « Biaisé » est recommandé dans ce régime spécifique.
• Corrélation de Rang : La capacité des estimateurs à classer correctement les stratégies s'améliore avec des tailles d'échantillon ($n$) plus grandes et un nombre de stratégies ($k$) plus important. Lorsque l'écart des compétences réelles ($\sigma_\zeta$) est faible, la sélection est dominée par la chance, et tous les estimateurs présentent une faible corrélation de rang.

Signification et Revendications
L'article prétend fournir un guide pratique et empirique pour les praticiens engagés dans la sélection de stratégies quantitatives. Il n'introduit pas de nouvelles méthodes théoriques mais adapte des techniques d'apprentissage statistique et de contraction existantes à l'économétrie du ratio de Sharpe.

La conclusion principale est que l'estimateur de James-Stein est l'outil général recommandé tant pour estimer le véritable ratio de Sharpe d'une stratégie sélectionnée que pour classer les résultats de différents processus de sélection. Il est privilégié pour son équilibre entre faible biais, faible MSE et simplicité de calcul (nécessitant uniquement $k$, $n$, $\hat{\zeta}_k$, $\bar{\zeta}$ et la variance empirique).

Les auteurs déclarent explicitement que leurs résultats sont « assez robustes » aux corrélations de rendements d'actifs mais reconnaissent des limites. Ils avertissent que les estimateurs basés sur les polyèdres sont instables et que l'estimateur « Maximum Attendu » performe mal dans de nombreux contextes réalistes. L'article se positionne comme une étude préliminaire, notant que des travaux futurs pourraient inclure une meilleure gestion des structures de corrélation, le seuillage des stratégies non pertinentes et des méthodes d'ensemble pour réduire davantage la MSE. Les auteurs soulignent que bien que les résultats soient robustes, ils reposent sur des paramètres de simulation spécifiques et doivent être considérés comme une recommandation empirique forte plutôt que comme une preuve théorique définitive pour toutes les conditions de marché.