Post Selection Estimation of Sharpe Ratios

Technische Samenvatting: Post-Selectie Schatting van Sharpe-ratio's

Probleemstelling
Het artikel behandelt de statistische uitdaging van het schatten van de werkelijke populatie signaal-ruisverhouding (Sharpe-ratio) van een handelsstrategie die specifiek is geselecteerd omdat deze de hoogste geobserveerde in-sample Sharpe-ratio vertoonde binnen een grote set kandidaat-strategieën. Deze "selectiebias" leidt tot een overschatting van de werkelijke prestaties van de winnende strategie. De auteurs formuleren het probleem als het schatten van het $k$-de element van een signaalvector $\zeta$ (waarbij $\zeta_k$ overeenkomt met de strategie met de maximale geobserveerde Sharpe-ratio $\hat{\zeta}_k$) onder de voorwaarde van de ordening $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$. Het doel is om een schatter te vinden die ofwel onbevooroordeeld is, ofwel een lage gemiddelde kwadratische fout (MSE) bezit onder realistische marktomstandigheden, inclusief variërende steekproefgroottes ($n$), aantallen strategieën ($k$) en de distributie van werkelijke Sharpe-ratio's.

Methodologie
De auteurs passen verschillende bestaande statistische schattingsmethoden aan en evalueren deze binnen de specifieke context van Sharpe-ratio selectie. Ze gaan ervan uit dat activareturn ongeveer elliptisch verdeeld zijn, waardoor de vector van geobserveerde Sharpe-ratio's $\hat{\zeta}$ gemodelleerd kan worden als een multivariate normale distributie met gemiddelde $\zeta$ en een covariantie proportioneel aan de identiteitsmatrix (in het geval van onafhankelijke returns) of een compound symmetrische structuur (in het gecorreleerde geval).

De studie vergelijkt de volgende schatters:

1. Biased (Vertekend): De ruwe geobserveerde maximum $\hat{\zeta}_k$.
2. Grand Mean (Gemiddelde van de totale groep): Het gemiddelde van alle geobserveerde Sharpe-ratio's $\bar{\zeta}$.
3. James-Stein (JS): Een shrinkage-schatter die $\hat{\zeta}_k$ naar het grand mean $\bar{\zeta}$ krimpt met behulp van een factor afgeleid van de gekwadrateerde Euclidische afstand van de vector tot het gemiddelde.
4. GMLEB: De Generalized Maximum Likelihood Empirical Bayes-schatter (Jiang en Zhang), een methode gebaseerd op drempelwaarden (thresholding).
5. SURE: De Stein's Unbiased Risk Estimate-schatter (Donoho en Johnstone), aangepast om naar het grand mean te krimpen.
6. Empirical Bayes: Een thresholding-schatter gebaseerd op een prior met een puntmassa bij nul (Johnstone en Silverman).
7. Expected Max: Een schatter die de theoretische verwachte waarde van het maximum van onafhankelijke Gaussians (Bailey et al.) aftrekt van $\hat{\zeta}_k$.
8. Polyhedral Median & MLE: Schatters afgeleid van de "polyhedral lemma" (Lee et al., Reid et al.), gebruikmakend van de getrunceerde normale distributie onder de voorwaarde van de geobserveerde ordening.

De evaluatie wordt uitgevoerd via uitgebreide Monte Carlo-simulaties. De auteurs testen deze schatters over verschillende "layouts" van de werkelijke signaalvector $\zeta$: Gaussische, Uniforme en Bimodale distributies, evenals vaste configuraties (all-good, one-good, two-good). Ze variëren de steekproefgrootte ($n$), het aantal strategieën ($k$), de spreiding van de werkelijke Sharpe-ratio's ($\sigma_\zeta$) en de correlatie van de activareturns ($\rho$). Prestaties worden gemeten via bias, wortel van de gemiddelde kwadratische fout (RMSE) en rangcorrelatie (Kendall's $\tau$ en Spearman's $\rho$) tegen de werkelijke $\zeta_k$.

Belangrijkste Resultaten

• Superioriteit van James-Stein: Over een breed scala aan realistische parameters vertoont de James-Stein-schatter consistent de beste prestaties. Het is effectief onbevooroordeeld voor Gaussische layouts en bereikt de laagste RMSE. Het domineert ook in rangcorrelatie, wat het de meest betrouwbare tool maakt voor het vergelijken van de relatieve kwaliteit van strategieën die door verschillende teams zijn geselecteerd.
• Prestaties van GMLEB: De GMLEB-schatter neemt over het algemeen de tweede plaats in en vertoont een robuuste prestatie, met name in scenario's met een hoge spreiding ($\sigma_\zeta$) of specifieke niet-Gaussische layouts (bijv. Bimodal).
• Faillissement van Polyhedral-methoden: De Polyhedral Median en Polyhedral MLE-schatters vertonen een hoge RMSE en instabiliteit. De auteurs wijten dit aan numerieke problemen wanneer de twee hoogste geobserveerde Sharpe-ratio's ($\hat{\zeta}_k$ en $\hat{\zeta}_{k-1}$) zeer dicht bij elkaar liggen, waardoor de getrunceerde normale likelihood extreem wordt.
• Impact van Correlatie: Wanneer activareturns gecorreleerd zijn (compound symmetry), verslechtert de prestatie van de meeste schatters naarmate de correlatie $\rho$ toeneemt. De James-Stein-schatter blijft echter de beste keuze voor een vaste $k$ of grote $n$. In het extreme geval van zeer hoge correlatie ($\rho \to 1$), wordt de eenvoudige "Biased" schatter bijna onbevooroordeeld omdat het selectieproces effectief de werkelijke ordening spiegelt, en wordt de "Biased" schatter in dit specifieke regime aanbevolen.
• Rangcorrelatie: Het vermogen van schatters om strategieën correct te rangschikken, verbetert met grotere steekproefgroottes ($n$) en grotere aantallen strategieën ($k$). Wanneer de spreiding van werkelijke vaardigheden ($\sigma_\zeta$) laag is, wordt selectie gedomineerd door geluk, en vertonen alle schatters een lage rangcorrelatie.

Betekenis en Claims
Het artikel beweert een praktische, empirische gids te bieden voor professionals die betrokken zijn bij de selectie van kwantitatieve strategieën. Het introduceert geen nieuwe theoretische methoden, maar past bestaande statistische leermethoden en shrinkage-technieken toe op de econometrie van de Sharpe-ratio.

De primaire conclusie is dat de James-Stein-schatter het aanbevolen algemene instrument is voor zowel het schatten van de werkelijke Sharpe-ratio van een geselecteerde strategie als voor het rangschikken van de outputs van verschillende selectieprocessen. Het wordt geprefereerd vanwege de balans tussen lage bias, lage MSE en computationele eenvoud (het vereist enkel $k$, $n$, $\hat{\zeta}_k$, $\bar{\zeta}$ en de empirische variantie).

De auteurs verklaren expliciet dat hun resultaten "vrij robuust" zijn ten opzichte van de correlaties van activareturns, maar erkennen beperkingen. Ze waarschuwen dat de op polyhedra gebaseerde schatters instabiel zijn en dat de "Expected Max"-schatter in veel realistische settings slecht presteert. Het artikel positioneert zichzelf als een voorlopige studie, waarbij wordt opgemerkt dat toekomstig werk zich kan richten op een betere afhandeling van correlatiestructuren, het toepassen van thresholding op irrelevante strategieën en ensemble-methoden om de MSE verder te verlagen. De auteurs benadrukken dat hoewel de resultaten robuust zijn, ze gebaseerd zijn op specifieke simulatieparameters en moeten worden beschouwd als een sterke empirische aanbeveling in plaats van een definitief theoretisch bewijs voor alle marktomstandigheden.