Post Selection Estimation of Sharpe Ratios

Sintesi Tecnica: Stima del Rapporto di Sharpe tramite Post-Selezione

Definizione del Problema
Il documento affronta la sfida statistica di stimare il vero rapporto segnale-rumore (rapporto di Sharpe) della popolazione di un modello di trading, selezionato specificamente perché ha esibito il più alto rapporto di Sharpe osservato in-sample tra un vasto insieme di strategie candidate. Questo "bias di selezione" porta a una sovrastima delle reali prestazioni della strategia vincente. Gli autori inquadrano il problema come la stima dell'elemento $k$-esimo di un vettore di segnale $\zeta$ (dove $\zeta_k$ corrisponde alla strategia con il massimo rapporto di Sharpe osservato $\hat{\zeta}_k$) condizionatamente all'ordinamento $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$. L'obiettivo è trovare uno stimatore che sia o non distorto o che possieda un errore quadratico medio (MSE) ridotto in condizioni di mercato realistiche, inclusi variabili dimensioni del campione ($n$), numero di strategie ($k$) e la distribuzione dei veri rapporti di Sharpe.

Metodologia
Gli autori adattano e valutano diverse tecniche di stima statistica esistenti al contesto specifico della selezione del rapporto di Sharpe. Assumono che i rendimenti degli asset siano approssimativamente distribuiti in modo ellittico, permettendo al vettore dei rapporti di Sharpe osservati $\hat{\zeta}$ di essere modellato come una distribuzione normale multivariata con media $\zeta$ e covarianza proporzionale alla matrice identità (nel caso di rendimenti indipendenti) o con una struttura a simmetria composta (nel caso correlato).

Lo studio confronta i seguenti stimatori:

1. Distorto (Biased): Il valore massimo osservato grezzo $\hat{\zeta}_k$.
2. Media Globale (Grand Mean): La media di tutti i rapporti di Sharpe osservati $\bar{\zeta}$.
3. James-Stein (JS): Uno stimatore di contrazione (shrinkage) che contrae $\hat{\zeta}_k$ verso la media globale $\bar{\zeta}$ utilizzando un fattore derivato dalla distanza euclidea al quadrato del vettore dalla media.
4. GMLEB: Lo stimatore Bayesiano Empirico di Massima Verosimiglianza Generalizzata (Jiang e Zhang), un metodo basato sulla soglia (thresholding).
5. SURE: Lo stimatore della stima del rischio non distorto di Stein (Donoho e Johnstone), adattato per contrarre verso la media globale.
6. Bayesiano Empirico (Empirical Bayes): Uno stimatore di soglia basato su un prior con una massa puntiforme sullo zero (Johnstone e Silverman).
7. Massimo Atteso (Expected Max): Uno stimatore che sottrae il valore atteso teorico del massimo di gaussiane indipendenti (Bailey et al.) da $\hat{\zeta}_k$.
8. Mediana Poliedrica e MLE: Stimatori derivati dal "lemma poliedrico" (Lee et al., Reid et al.), che utilizzano la distribuzione normale troncata condizionatamente all'ordinamento osservato.

La valutazione è condotta tramite estese simulazioni Monte Carlo. Gli autori testano questi stimatori attraverso vari "layout" del vettore di segnale vero $\zeta$: distribuzioni Gaussian, Uniforme e Bimodale, nonché configurazioni fisse (tutti-buoni, uno-buono, due-buoni). Variano la dimensione del campione ($n$), il numero di strategie ($k$), la dispersione dei veri rapporti di Sharpe ($\sigma_\zeta$) e la correlazione dei rendimenti degli asset ($\rho$). Le prestazioni sono misurate tramite bias, errore quadratico medio (RMSE) e correlazione di rango (tau di Kendall e rho di Spearman) rispetto al vero $\zeta_k$.

Risultati Chiave

• Superiorità di James-Stein: In un'ampia gamma di parametri realistici, lo stimatore di James-Stein dimostra costantemente la prestazione migliore. È effettivamente non distorto per i layout Gaussiani e raggiunge l'RMSE più basso. Domina anche nella correlazione di rango, rendendolo lo strumento più affidabile per confrontare la qualità relativa delle strategie selezionate da diversi team.
• Prestazioni di GMLEB: Lo stimatore GMLEB si posiziona generalmente al secondo posto, mostrando una prestazione robusta, in particolare in scenari con alta dispersione ($\sigma_\zeta$) o layout non gaussiani specifici (es. Bimodale).
• Fallimento dei Metodi Poliedrici: Gli stimatori Mediana Poliedrica e MLE Poliedrico esibiscono un alto RMSE e instabilità. Gli autori attribuiscono ciò a problemi numerici quando i primi due rapporti di Sharpe osservati ($\hat{\zeta}_k$ e $\hat{\zeta}_{k-1}$) sono molto vicini, causando una verosimiglianza della normale troncata estrema.
• Impatto della Correlazione: Quando i rendimenti degli asset sono correlati (simmetria composta), le prestazioni della maggior parte degli stimatori degradano all'aumentare della correlazione $\rho$. Tuttavia, lo stimatore di James-Stein rimane la scelta principale per $k$ fissi o $n$ grandi. Nel caso estremo di correlazione molto alta ($\rho \to 1$), lo stimatore semplice "Distorto" diventa quasi non distorto perché il processo di selezione riflette efficacemente l'ordinamento reale, e lo stimatore "Distorto" è raccomandato in questo regime specifico.
• Correlazione di Rango: La capacità degli stimatori di classificare correttamente le strategie migliora con campioni più grandi ($n$) e un numero maggiore di strategie ($k$). Quando la dispersione delle reali abilità ($\sigma_\zeta$) è bassa, la selezione è dominata dalla fortuna e tutti gli stimatori mostrano una bassa correlazione di rango.

Significatività e Rivendicazioni
Il documento sostiene di fornire una guida pratica ed empirica per i professionisti impegnati nella selezione di strategie quantitative. Non introduce nuovi metodi teorici ma adatta tecniche esistenti di apprendimento statistico e di contrazione (shrinkage) all'econometria del rapporto di Sharpe.

La conclusione primaria è che lo stimatore di James-Stein è lo strumento di uso generale raccomandato sia per stimare il vero rapporto di Sharpe di una strategia selezionata, sia per classificare gli output di diversi processi di selezione. È preferito per il suo equilibrio tra basso bias, basso MSE e semplicità computazionale (richiede solo $k$, $n$, $\hat{\zeta}_k$, $\bar{\zeta}$ e la varianza empirica).

Gli autori dichiarano esplicitamente che i loro risultati sono "piuttosto robusti" rispetto alle correlazioni dei rendimenti degli asset, ma ne riconoscono i limiti. Avvertono che gli stimatori basati sui poliedri sono instabili e che lo stimatore "Massimo Atteso" performa scarsamente in molti contesti realistici. Il documento si pone come uno studio preliminare, notando che il lavoro futuro potrebbe riguardare una migliore gestione delle strutture di correlazione, il filtraggio delle strategie irrilevanti tramite soglie e metodi d'insieme (ensemble) per ridurre ulteriormente l'MSE. Gli autori sottolineano che, sebbene i risultati siano robusti, si basano su specifici parametri di simulazione e dovrebbero essere considerati come una forte raccomandazione empirica piuttosto che una definitiva prova teorica per tutte le condizioni di mercato.