💰 quantitative finance

Post Selection Estimation of Sharpe Ratios

यह शोध पत्र उस संपत्ति के वास्तविक शार्प अनुपात (Sharpe ratio) का अनुमान लगाने के लिए विभिन्न सांख्यिकीय विधियों का मूल्यांकन करता है जिसे इसके उच्चतम देखे गए इन-सैंपल प्रदर्शन के लिए चुना गया है, जिसमें यह पाया गया है कि जेम्स स्टेन एस्टिमेटर (James Stein estimator) विविध सिमुलेशन परिदृश्यों में डिबायसिंग (debiasing), थ्रेशोल्डिंग (thresholding) और एम्पिरिकल बेयस (empirical Bayes) जैसे विकल्पों की तुलना में आम तौर पर बेहतर प्रदर्शन करता है।

मूल लेखक: Steven E. Pav

प्रकाशित 2026-06-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Steven E. Pav

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक टैलेंट स्काउट हैं जो अगले बड़े स्टार एथलीट की तलाश में हैं। आपके पास 1,000 खिलाड़ियों का एक विशाल डेटाबेस है। आप उन सभी को एक सीज़न तक खेलते हुए देखते हैं (आपका "इन-सैंपल" डेटा) और उस एक खिलाड़ी को चुनते हैं जिसका स्कोर सबसे अधिक था।

यहाँ समस्या है: वह खिलाड़ी सिर्फ भाग्यशाली हो सकता है।

क्योंकि आपने बहुत से खिलाड़ियों को देखा, इसलिए यह सांख्यिकीय रूप से अनिवार्य था कि बिना किसी वास्तविक कौशल के भी, केवल संयोग से ही कोई न कोई बेहतरीन प्रदर्शन कर जाए। यदि आप केवल यह कहते हैं, "यह खिलाड़ी एक स्टार है क्योंकि इसका स्कोर सबसे अधिक था," तो आप उसकी वास्तविक प्रतिभा का अत्यधिक आकलन (overestimate) कर रहे हैं। यह इस समस्या का मूल है जिसे यह पेपर संबोधित करता है: जब आप एक विशाल भीड़ में से किसी को चुनते हैं, तो आप विजेता के वास्तविक कौशल का सटीक अनुमान कैसे लगाते हैं?

लेखक, स्टीवन पाव, इस अति-आशावाद (over-optimism) को ठीक करने के लिए कई अलग-अलग गणितीय "नियमों" का परीक्षण करते हैं। यहाँ वे इसे सरल उपमाओं (analogies) का उपयोग करके समझाते हैं:

दावेदार (Estimators)

"नाइव" (Naive) दृष्टिकोण (पक्षपाती/Biased):
- उपमा: आप बस विजेता के स्कोर को लेते हैं और कहते हैं, "यह बिल्कुल वैसा ही है जैसा वे वास्तव पर हैं।"
- परिणाम: यह लगभग हमेशा गलत होता है। यह यह मानने जैसा है कि एक नौसिखिया जिसने एक भाग्यशाली सप्ताह में कुछ होम रन मारे हैं, वह अगला बेब रूथ है। यह इस तथ्य को अनदेखा करता है कि उन्हें 1,000 लोगों की भीड़ में से चुना गया था।
"औसत जो" (Average Joe - ग्रैंड मीन):
- उपमा: आप विजेता के विशिष्ट स्कोर को अनदेखा कर देते हैं और बस अनुमान लगाते हैं कि वे औसत हैं, जैसे बाकी सब हैं।
- परिणाम: यह बहुत निराशावादी (pessimistic) है। यदि विजेता वास्तव में एक जीनियस था, तो आप उनका कम आकलन कर रहे हैं।
"श्रिंकेज" (Shrinkage) विधि (जेम्स-स्टीन एस्टिमेटर):
- उपमा: यह इस पेपर का पसंदीदा टूल है। कल्पना करें कि आपके पास एक बहुत ही प्रतिभाशाली खिलाड़ी है, लेकिन आप जानते हैं कि 1,000 लोगों के समूह में, सबसे अच्छा स्कोर आमतौर पर भाग्य के कारण बढ़ा हुआ (inflated) होता है। इसलिए, आप उनके स्कोर को लेते हैं और उसे समूह के औसत की ओर थोड़ा "सिकोड़" (shrink) देते हैं।
- तर्क: आप यह नहीं कह रहे हैं कि वे औसत हैं; आप कह रहे हैं, "वे महान हैं, लेकिन शायद इतने महान नहीं हैं जितना दिख रहे हैं।"
- परिणाम: पेपर ने पाया कि यह विधि सबसे विश्वसनीय है। यह अत्यधिक आशावाद और अत्यधिक निराशावाद के बीच एक आदर्श संतुलन बनाता है। यह तब सबसे अच्छा काम करता है जब आपके पास बहुत सारा डेटा हो और विभिन्न कौशल स्तरों का मिश्रण हो।
"थ्रेशोल्ड" (Threshold) विधियाँ (GMLEB, SURE, एम्पेरिकल बेयस):
- उपमा: ये सख्त गेटकीपर की तरह हैं। वे कहते हैं, "यदि आपका स्कोर औसत से बहुत ऊपर नहीं है, तो आप शायद सिर्फ भाग्यशाली हैं, इसलिए हम आपको अनदेखा कर देंगे।" वे शोर (noise) को अधिक आक्रामक रूप से फ़िल्टर करने की कोशिश करते हैं।
- परिणाम: ये अच्छे हैं, लेकिन पेपर ने पाया कि ये आमतौर पर जेम्स-स्टीन विधि से एक कदम पीछे रहते हैं। ये विशिष्ट, कठिन स्थितियों में (जैसे जब कई खराब खिलाड़ियों के बीच केवल कुछ ही वास्तव में अच्छे खिलाड़ी हों) अच्छी तरह काम करते हैं, लेकिन ये "ऑल-राउंडर" चैंपियन नहीं हैं।
"गणितीय जाल" (Polyhedral Lemma और MLE):
- उपमा: ये उस पहेली को हल करने की कोशिश करने जैसा है जहाँ टुकड़े अपना आकार बदलते रहते हैं। गणित चयन के नियमों के बारे में अत्यंत सटीक होने की कोशिश करता है, लेकिन यदि विजेता का स्कोर दूसरे स्थान वाले खिलाड़ी के स्कोर के बहुत करीब है, तो गणित टूट जाता है और अजीब, पागल कर देने वाले उत्तर देता है।
- परिणाम: पेपर इनके उपयोग के विरुद्ध सलाह देता है। ये बहुत अस्थिर हैं और अक्सर सरल विधियों की तुलना में खराब परिणाम देते हैं।

"कोरिलेशन" (Correlation) का मोड़

पेपर ने यह भी परीक्षण किया कि क्या होता है यदि खिलाड़ी स्वतंत्र (independent) नहीं हैं। कल्पना करें कि सभी खिलाड़ी एक ही टीम पर खेल रहे हैं, या मौसम सभी के स्कोर को समान रूप से प्रभावित करता है।

निष्कर्ष: जब सभी सह-संबंधित (correlated) होते हैं (बाहरी कारकों से प्रभावित होते हैं), तो "नाइव" दृष्टिकोण वास्तव में बेहतर काम करने लगता है क्योंकि भाग्य साझा होता है, व्यक्तिगत नहीं। हालांकि, अधिकांश वास्तविक दुनिया के परिदृश्यों के लिए जहाँ रणनीतियाँ कुछ हद तक स्वतंत्र हैं, जेम्स-स्टीन विधि ही राजा बनी रहती है।

अंतिम निर्णय

यदि आप एक क्वांटिटेटिव ट्रेडर (या टैलेंट स्काउट) हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या आपकी "सर्वश्रेष्ठ" रणनीति वास्तव में अच्छी है:

भरोसा न करें विजेता के कच्चे स्कोर पर।
निर्भर न रहें उस जटिल गणित पर जो स्कोर करीब आने पर टूट जाता है।
जेम्स-स्टीन एस्टिमेटर का उपयोग करें। यह "गोल्डीलॉक्स" (Goldilocks) समाधान है: यह विजेता के स्कोर को लेता है और उसे धीरे से औसत की ओर वापस खींचता है, जिससे वास्तविक कौशल के संकेत को फेंके बिना भाग्य के प्रभाव को सुधारा जा सके।

संक्षेप में: जब आप एक बड़ी भीड़ में से एक विजेता चुनते हैं, तो वे लगभग हमेशा दिखने की तुलना में थोड़े अधिक भाग्यशाली होते हैं। जेम्स-स्टीन विधि यह पता लगाने के लिए सबसे अच्छा उपकरण है कि इसमें कितना भाग्य शामिल था।

तकनीकी सारांश: शार्प रेशियो का पोस्ट-सिलेक्शन एस्टीमेशन (Post-Selection Estimation of Sharpe Ratios)

समस्या विवरण
यह शोध पत्र एक ट्रेडिंग रणनीति के वास्तविक जनसंख्या सिग्नल-टू-नॉइज़ रेशियो (शार्प रेशियो) के अनुमान की सांख्यिकीय चुनौती को संबोधित करता है, जिसे विशेष रूप से इसलिए चुना गया है क्योंकि उसने बड़ी संख्या में संभावित रणनीतियों के बीच उच्चतम देखे गए इन-सैंपल शार्प रेशियो का प्रदर्शन किया है। यह "चयन पूर्वाग्रह" (selection bias) चुनी गई रणनीति के वास्तविक प्रदर्शन का अतिरंजित अनुमान लगाने की ओर ले जाता है। लेखक समस्या को एक सिग्नल वेक्टर $\zeta$ के $k$ -वें तत्व का अनुमान लगाने के रूप में देखते हैं (जहाँ $\zeta_k$ उस रणनीति के अनुरूप है जिसका देखा गया अधिकतम $\hat{\zeta}_k$ है) जो कि क्रम $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$ पर आधारित है। लक्ष्य एक ऐसा एस्टिमेटर (estimator) खोजना है जो यथार्थवादी बाजार स्थितियों के तहत या तो निष्पक्ष (unbiased) हो या कम मीन स्क्वायर एरर (MSE) रखता हो, जिसमें नमूना आकार ( $n$ ), रणनीतियों की संख्या ( $k$ ), और वास्तविक शार्प रेशियो के वितरण के विभिन्न स्तर शामिल हैं।

कार्यप्रणाली (Methodology)
लेखक मौजूदा सांख्यिकीय अनुमान तकनीकों को शार्प रेशियो चयन के विशिष्ट संदर्भ में अनुकूलित और मूल्यांकित करते हैं। वे मानते हैं कि परिसंपत्ति रिटर्न लगभग एलिप्टिकल (elliptically) वितरित हैं, जिससे देखे गए शार्प रेशियो के वेक्टर $\hat{\zeta}$ को एक मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन के रूप में मॉडल किया जा सकता है जिसका माध्य $\zeta$ है और सहप्रसरण (covariance) स्वतंत्र रिटर्न के मामले में पहचान मैट्रिक्स (identity matrix) के समानुपाती है या सहसंबद्ध (correlated) मामले में एक कंपाउंड सिमेट्रिक संरचना है।

अध्ययन निम्नलिखित एस्टिमेटर्स की तुलना करता है:

बायस्ड (Biased): कच्चा देखा गया अधिकतम $\hat{\zeta}_k$ ।
ग्रैंड मीन (Grand Mean): सभी देखे गए शार्प रेशियो का औसत $\bar{\zeta}$ ।
जेम्स-स्टीन (James-Stein - JS): एक श्रिंकेज एस्टिमेटर जो $\hat{\zeta}_k$ को ग्रैंड मीन $\bar{\zeta}$ की ओर तब सिकोड़ता है जब माध्य से वेक्टर की स्क्वेर्ड यूक्लिडियन दूरी का उपयोग किया जाता है।
GMLEB: जनरललाइज्ड मैक्सिमम लाइकलीहुड एम्पिरिकल बेयस एस्टिमेटर (Jiang and Zhang), जो एक थ्रेशोल्डिंग-आधारित विधि है।
SURE: स्टाइन का अनबायस्ड रिस्क एस्टिमेट (Donoise and Johnstone) एस्टिमेटर, जिसे ग्रैंड मीन की ओर सिकोड़ने के लिए अनुकूलित किया गया है।
एम्पिरिकल बेयस (Empirical Bayes): जीरो पर पॉइंट मास वाले प्रायर (prior) पर आधारित एक थ्रेशोल्डिंग एस्टिमेटर (Johnstone and Silverman)।
एक्स्पेक्टेड मैक्स (Expected Max): एक एस्टिमेटर जो स्वतंत्र गौसियन्स के अधिकतम के सैद्धांतिक अपेक्षित मान (Bailey et al.) को $\hat{\zeta}_k$ से घटा देता है।
पॉलीहेड्रल मीडियन और MLE (Polyhedral Median & MLE): पॉलीहेड्रल लेम्मा (Lee et al., Reid et al.) से प्राप्त एस्टिमेटर्स, जो देखे गए क्रम की स्थिति में ट्रंकेटेड नॉर्मल डिस्ट्रीब्यूशन का उपयोग करते हैं।

मूल्यांकन व्यापक मोंटे कार्लो सिमुलेशन के माध्यम से किया गया है। लेखक इन एस्टिमेटर्स का परीक्षण वास्तविक सिग्नल वेक्टर $\zeta$ के विभिन्न "लेआउट्स" (layouts) के माध्यम से करते हैं: गॉसियन, यूनिफॉर्म, और बाइमोडल (Bimodal) वितरण, साथ ही फिक्स्ड कॉन्फ़िगरेशन (ऑल-गुड, वन-गुड, टू-गुड)। वे नमूना आकार ( $n$ ), रणनीतियों की संख्या ( $k$ ), वास्तविक शार्प रेशियो के प्रसार ( $\sigma_\zeta$ ), और परिसंपत्ति रिटर्न के सहसंबंध ( $\rho$ ) को भी बदलते हैं। प्रदर्शन का मापन बायस (bias), रूट मीन स्क्वायर एरर (RMSE), और रैंक कोरिलेशन (केंडल्स $\tau$ और स्पीयरमैन का $\rho$ ) के माध्यम से किया जाता है।

मुख्य परिणाम

जेम्स-स्टीन की श्रेष्ठता: वास्तविक मापदंडों की एक विस्तृत श्रृंखला में, जेम्स-स्टीन एस्टिमेटर लगातार सर्वोत्तम प्रदर्शन प्रदर्शित करता है। यह गॉसियन लेआउट के लिए प्रभावी रूप से निष्पक्ष (unbiased) है और निम्नतम RMSE प्राप्त करता है। यह रैंक कोरिलेशन में भी हावी है, जो इसे विभिन्न टीमों द्वारा चुनी गई रणनीतियों की सापेक्ष गुणवत्ता की तुलना करने के लिए सबसे विश्वसनीय उपकरण बनाता है।
GMLEB का प्रदर्शन: GMLEB एस्टिमेटर आम तौर पर दूसरे स्थान पर रहता है, जो उच्च प्रसार ( $\sigma_\zeta$ ) या विशिष्ट गैर-गॉसियन लेआउट (जैसे बाइमोडल) के मामलों में मजबूत प्रदर्शन दिखाता है।
पॉलीहेड्रल विधियों की विफलता: पॉलीहेड्रल मीडियन और पॉलीहेड्रल MLE एस्टिमेटर्स उच्च RMSE और अस्थिरता प्रदर्शित करते हैं। लेखक इसका कारण यह बताते हैं कि जब शीर्ष दो देखे गए शार्प रेशियो ( $\hat{\zeta}_k$ और $\hat{\zeta}_{k-1}$ ) बहुत करीब होते हैं, तो ट्रंकेटेड नॉर्मल लाइकलीहुड अत्यधिक (extreme) हो जाती है।
सहसंबंध का प्रभाव: जब परिसंपत्ति रिटर्न सहसंबद्ध होते हैं (कंपाउंड सिमेट्री), तो अधिकांश एस्टिमेटर्स का प्रदर्शन $\rho$ बढ़ने के साथ घटता जाता है। हालांकि, फिक्स्ड $k$ या बड़े $n$ के लिए जेम्स-स्टीन एस्टिमेटर शीर्ष विकल्प बना रहता है। बहुत उच्च सहसंबंध ( $\rho \to 1$ ) के चरम मामले में, सरल "बायस्ड" एस्टिमेटर लगभग निष्पक्ष हो जाता है क्योंकि चयन प्रक्रिया वास्तविक क्रम को प्रतिबिंबित करती है, और इस विशिष्ट शासन (regime) में "बायस्ड" एस्टिमेटर की सिफारिश की जाती है।
रैंक कोरिलेशन: रणनीतियों को सही ढंग से रैंक करने की क्षमता बड़े नमूना आकार ( $n$ ) और रणनीतियों की बड़ी संख्या ( $k$ ) के साथ सुधरती है। जब वास्तविक कौशल का प्रसार ( $\sigma_\zeta$ ) कम होता है, तो चयन भाग्य (luck) द्वारा संचालित होता है, और सभी एस्टिमेटर्स में निम्न रैंक कोरिलेशन दिखाई देता है।

महत्व और दावे
यह शोध पत्र उन अभ्यासकर्ताओं के लिए एक व्यावहारिक, अनुभवजन्य मार्गदर्शिका प्रदान करने का दावा करता है जो क्वांटिटेटिव स्ट्रैटेजी सिलेक्शन में लगे हुए हैं। यह नई सैद्धांतिक विधियाँ पेश नहीं करता है, बल्कि मौजूदा सांख्यिकीय लर्निंग और श्रिंकेज तकनीकों को शार्प रेशियो के अर्थशास्त्र (econometrics) के अनुकूल बनाता है।

प्राथमिक निष्कर्ष यह है कि जेम्स-स्टीन एस्टिमेटर चुनी गई रणनीति के वास्तविक शार्प रेशियो के अनुमान और विभिन्न चयन प्रक्रियाओं के आउटपुट को रैंक करने के लिए अनुशंसित सामान्य-उद्देश्य वाला टूल है। इसे इसके कम बायस, कम MSE और गणनात्मक सरलता (जिसके लिए केवल $k, n, \hat{\zeta}_k, \bar{\zeta}$ और एम्पिरिकल वेरिएंस की आवश्यकता होती है) के संतुलन के लिए पसंद किया जाता है।

लेखक स्पष्ट रूप से कहते हैं कि उनके परिणाम परिसंपत्ति रिटर्न सहसंबंधों के प्रति "काफी मजबूत" (fairly robust) हैं लेकिन सीमाओं को स्वीकार करते हैं। वे चेतावनी देते हैं कि पॉलीहेड्रल-आधारित एस्टिमेटर्स अस्थिर हैं और "एक्स्पेक्टेड मैक्स" एस्टिमेटर कई यथार्थवादी सेटिंग्स में खराब प्रदर्शन करता है। यह शोध पत्र एक प्रारंभिक अध्ययन के रूप में खुद को स्थापित करता है, यह नोट करते हुए कि भविष्य के कार्यों में सहसंबंध संरचनाओं का बेहतर प्रबंधन, अप्रासंगिक रणनीतियों की थ्रेशोल्डिंग, और MSE को और कम करने के लिए एन्सेम्बल विधियों (ensemble methods) का उपयोग शामिल हो सकता है। लेखक इस बात पर जोर देते हैं कि जबकि उनके परिणाम मजबूत हैं, वे विशिष्ट सिमुलेशन मापदंडों पर आधारित हैं और उन्हें एक निश्चित सैद्धांतिक प्रमाण के बजाय एक मजबूत अनुभवजन्य सिफारिश के रूप में देखा जाना चाहिए।

दावेदार (Estimators)

"कोरिलेशन" (Correlation) का मोड़

अंतिम निर्णय

इसी तरह के और पेपर