Post Selection Estimation of Sharpe Ratios

기술 요약: 샤프 지수의 사후 선택 추정 (Post-Selection Estimation of Sharpe Ratios)

문제 정의
본 논문은 대규모 후보 전략 집합 중 관측된 인샘플(in-sample) 샤프 지수가 가장 높았던 전략을 특정하여 선택했을 때 발생하는, 해당 전략의 실제 모집단 신호 대 잡음비(샤프 지수)를 추정하는 통계적 과제를 다룬다. 이러한 "선택 편향(selection bias)"은 승리한 전략의 실제 성과를 과대평가하게 만든다. 저자들은 이 문제를 신호 벡터 $\zeta$의 $k$번째 요소(여기서 $\zeta_k$는 최대 관측 샤프 지수 $\hat{\zeta}_k$를 가진 전략에 해당함)를 관측된 순서 $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$라는 조건 하에 추정하는 문제로 정의한다. 목표는 현실적인 시장 조건(변화하는 표본 크기 $n$, 전략의 수 $k$, 실제 샤프 지수의 분포 포함) 하에서 편향이 없거나 평균 제곱 오차(MSE)가 낮은 추정량을 찾는 것이다.

방법론
저자들은 기존의 여러 통계적 추정 기법을 샤프 지수 선택이라는 특정 맥락에 맞게 조정하고 평가한다. 저자들은 자산 수익률이 근사적으로 타원형 분포(elliptically distributed)를 따른다고 가정하며, 이를 통해 관측된 샤프 지수 벡터 $\hat{\zeta}$를 평균 $\zeta$와 공분산 구조(독립 수익률의 경우 항등 행렬, 상관관계가 있는 경우 복합 대칭 구조)를 가진 다변량 정규 분포로 모델링할 수 있게 한다.

본 연구는 다음의 추정량들을 비교한다:

1. 편향된 추정량 (Biased): 가공되지 않은 관측된 최댓값 $\hat{\zeta}_k$.
2. 그랜드 평균 (Grand Mean): 모든 관측된 샤프 지수의 평균 $\bar{\zeta}$.
3. 제임스-스타인 (James-Stein, JS): 벡터의 평균으로부터의 유클리드 거리 제곱을 이용한 계수를 사용하여 $\hat{\zeta}_k$를 그랜드 평균 $\bar{\zeta}$ 쪽으로 수축(shrinkage)시키는 수축 추정량.
4. GMLEB: 일반화된 최대 가능도 경험적 베이즈 추정량 (Jiang 및 Zhang의 방법, 임계값 설정 기반 방식).
5. SURE: Stein의 무편향 위험 추정량 (Donoho 및 Johnstone의 방법, 그랜드 평균을 향해 수축하도록 변형됨).
6. 경험적 베이즈 (Empirical Bayes): 0에 점 질량을 가진 사전 분포를 기반으로 한 임계값 추정량 (Johnstone 및 Silverman의 방법).
7. 기대 최댓값 (Expected Max): $\hat{\zeta}_k$에서 독립적인 가우시안의 이론적 기대 최댓값을 빼는 추정량 (Bailey 등의 방법).
8. 다면체 중앙값 및 최대 가능도 추정량 (Polyhedral Median & MLE): 관측된 순서에 따라 절단된 정규 분포(truncated normal distribution)를 활용하는 "다면체 렌마(polyhedral lemma)"(Lee, Reid 등)에서 유도된 추정량.

평가는 광범-몬테카를로 시뮬레이션을 통해 수행된다. 저자들은 다양한 "레이아웃(layouts)"(실제 신호 벡터 $\zeta$의 가우시안, 균등, 이봉 분포) 및 고정된 구성(모두 좋은 경우, 하나만 좋은 경우, 둘이 좋은 경우)에 대해 이 추정량들을 테스트한다. 또한 표본 크기($n$), 전략의 수($k$), 실제 샤프 지수의 확산도($\sigma_\zeta$), 자산 수익률의 상관관계($\rho$)를 변화시키며 평가한다. 성능은 편향(bias), 제곱 평균 제곱근 오차(RMSE), 그리고 실제 $\zeta_k$에 대한 순위 상관관계(Kendall's $\tau$ 및 Spearman's $\rho$)를 통해 측정된다.

주요 결과

• 제임스-스타인의 우월성: 광범위한 현실적 파라미터에 걸쳐 제임스-스타인 추정량은 일관되적으로 가장 우수한 성능을 보여준다. 가우시안 레이아웃에 대해 효과적으로 무편향이며 가장 낮은 RMSE를 달성한다. 또한 순위 상관관계에서도 우위를 점하여, 서로 다른 팀에 의해 선택된 전략들의 상대적 품질을 비교하는 데 가장 신뢰할 수 있는 도구가 된다.
• GMLEB의 성능: GMLEB 추정량은 일반적으로 두 번째로 높은 순위를 차지하며, 특히 확산도($\sigma_\zeta$)가 높거나 비가우시안 레이아웃(예: 이봉 분포)인 경우 견고한 성능을 보인다.
• 다면체 방법의 실패: 다면체 중앙값 및 다면체 MLE 추정량은 높은 RMSE와 불안정성을 보인다. 저자들은 상위 두 개의 관측된 샤프 지수($\hat{\zeta}_k$와 $\hat{\zeta}_{k-1}$)가 매우 가까울 때 절단된 정규 가능도가 극단적으로 변하여 발생하는 수치적 문제 때문이라고 분석한다.
• 상관관계의 영향: 자산 수익률이 상관되어 있을 때(복합 대칭 구조), 대부분의 추정량은 상관관계 $\rho$가 증가함에 따라 성능이 저하된다. 그러나 제임스-스타인 추정량은 고정된 $k$ 또는 큰 $n$에 대해 여전히 최선의 선택이다. 상관관계가 매우 높은 극단적인 경우($\rho \to 1$), 단순한 "편향된" 추정량이 거의 무편향이 되는데, 이는 선택 과정이 실제 순서를 그대로 반영하기 때문이다. 이 특정 영역에서는 "편향된" 추정량이 권장된다.
• 순위 상관관계: 추정량의 전략 순위 결정 능력은 표본 크기($n$)와 전략의 수($k$)가 커질수록 향상된다. 실제 기술의 확산도($\sigma_\zeta$)가 낮을 때는 선택이 운에 의해 좌우되므로 모든 추정량이 낮은 순위 상관관계를 보인다.

의의 및 주장
본 논문은 퀀트 전략 선택에 종사하는 실무자들에게 실용적이고 경험적인 가이드를 제공한다고 주장한다. 새로운 이론적 방법을 도입하기보다는 기존의 통계적 학습 및 수축 기법을 샤프 지수의 계량경제학에 적응시킨 것이다.

주된 결론은 제임스-스타인 추정량이 선택된 전략의 실제 샤프 지수를 추정하고, 서로 다른 선택 프로세스의 결과물을 순위 매기는 데 있어 범용적인 도구로 권장된다는 것이다. 이 방법은 낮은 편향, 낮은 MSE, 그리고 계산적 단순성($k, n, \hat{\zeta}_k, \bar{\zeta}$, 그리고 경험적 분산만 필요) 사이의 균형을 갖추고 있어 선호된다.

저자들은 결과가 자산 수익률 상관관계에 대해 "상당히 견고(fairly robust)"하다고 명시하면서도 한계를 인정한다. 다면체 기반 추정량은 불안정하며, "기대 최댓값" 추정량은 많은 현실적인 설정에서 성능이 저조하다고 경고한다. 본 논문은 이 연구가 예비 연구임을 밝히며, 향-후 연구에서는 상관 구조의 더 나은 처리, 무관한 전략의 임계값 설정, 그리고 MSE를 더욱 줄이기 위한 앙상블 방법 등이 포함될 수 있다고 언급한다. 저자들은 자신들의 결과가 견고하지만 특정 시뮬레이션 파라미터에 기반하고 있음을 강조하며, 이를 확정적인 이론적 증명이 아닌 강력한 경험적 권고안으로 간주해야 한다고 강조한다.