Post Selection Estimation of Sharpe Ratios

Resumo Técnico: Estimativa de Razões de Sharpe via Pós-Seleção

Definição do Problema
O artigo aborda o desafio estatístico de estimar a verdadeira razão sinal-ruído (razão de Sharpe) da população de uma estratégia de negociação selecionada especificamente por ter exibido a maior razão de Sharpe observada in-sample entre um grande conjunto de estratégias candidatas. Este "viés de seleção" leva à superestimação do desempenho real da estratégia vencedora. Os autores formulam o problema como a estimativa do $k$-ésimo elemento de um vetor de sinal $\zeta$ (onde $\zeta_k$ corresponde à estratégia com a máxima razão de Sharpe observada $\hat{\zeta}_k$) condicionado à ordenação $\hat{\zeta}_1 \le \dots \le \hat{\zeta}_k$. O objetivo é encontrar um estimador que seja imparcial ou que possua um erro quadrático médio (MSE) baixo sob condições de mercado realistas, incluindo varições no tamanho das amostras ($n$), número de estratégias ($k$) e na distribuição das verdadeiras razões de Sharpe.

Metodologia
Os autores adaptam e avaliam diversas técnicas de estimativa estatística existentes para o contexto específico da seleção da razão de Sharpe. Eles assumem que os retornos dos ativos são aproximadamente distribuídos de forma elíptica, permitindo que o vetor de razões de Sharpe observadas $\hat{\zeta}$ seja modelado como uma distribuição normal multivariada com média $\zeta$ e uma covariância proporcional à matriz identidade (no caso de retornos independentes) ou uma estrutura de simetria composta (no caso de retornos correlacionados).

O estudo compara os seguintes estimadores:

1. Viesado (Biased): O máximo observado bruto $\hat{\zeta}_k$.
2. Média Global (Grand Mean): A média de todas as razões de Sharpe observadas $\bar{\zeta}$.
3. James-Stein (JS): Um estimador de contração (shrinkage) que contrai $\hat{\zeta}_k$ em direção à média global $\bar{\zeta}$ usando um fator derivado da distância euclidiana ao quadrado do vetor em relação à média.
4. GMLEB: O estimador Bayesiano Empírico de Máxima Verossimilhança Generalizada (Jiang e Zhang), um método baseado em limiarização (thresholding).
5. SURE: O estimador da Estimativa de Risco Não Viesada de Stein (Donoho e Johnstone), adaptado para contrair em direção à média global.
6. Bayesiano Empírico: Um estimador de limiarização baseado em uma priori com uma massa de ponto em zero (Johnstone e Silverman).
7. Máximo Esperado (Expected Max): Um estimador que subtrai o valor esperado teórico do máximo de gaussianas independentes (Bailey et al.) de $\hat{\zeta}_k$.
8. Mediana Poliedral & MLE: Estimadores derivados do "lema poliedral" (Lee et al., Reid et al.), utilizando a distribuição normal truncada condicionada à ordenação observada.

A avaliação é conduzida via extensas simulações de Monte Carlo. Os autores testam esses estimadores através de vários "layouts" do vetor de sinal verdadeiro $\zeta$: distribuições Gaussianas, Uniformes e Bimodais, além de configurações fixas (todos-bons, um-bom, dois-bons). Eles variam o tamanho da amostra ($n$), o número de estratégias ($k$), a dispersão das verdadeiras razões de Sharpe ($\sigma_\zeta$) e a correlação ($\rho$) dos retornos dos ativos. O desempenho é medido via viés, erro quadrático médio (RMSE) e correlação de postos (tau de Kendall e rho de Spearman) em relação ao verdadeiro $\zeta_k$.

Principais Resultados

• Superioridade de James-Stein: Em uma ampla gama de parâmetros realistas, o estimador James-Stein demonstra consistentemente o melhor desempenho. Ele é efetivamente imparcial para layouts Gaussianos e alcança o menor RMSE. Também domina em correlação de postos, tornando-se a ferramenta mais confiável para comparar a qualidade relativa de estratégias selecionadas por diferentes equipes.
• Desempenho do GMLEB: O estimador GMLEB geralmente ocupa o segundo lugar, mostrando um desempenho robusto, particularmente em cenários de alta dispersão ($\sigma_\zeta$) ou layouts não Gaussianos específicos (ex: Bimodal).
• Falha dos Métodos Poliedrais: Os estimadores Mediana Poliedral e MLE Poliedral exibem alto RMSE e instabilidade. Os autores atribuem isso a problemas numéricos quando as duas maiores razões de Sharpe observadas ($\hat{\zeta}_k$ e $\hat{\zeta}_{k-1}$) estão muito próximas, fazendo com que a verossimilhança da normal truncada se torne extrema.
• Impacto da Correlação: Quando os retornos dos ativos são correlacionados (simetria composta), o desempenho da maioria dos estimadores degrada conforme a correlação $\rho$ aumenta. No entanto, o estimador James-Stein permanece a principal escolha para $k$ fixo ou $n$ grande. No caso extremo de correlação muito alta ($\rho \to 1$), o simples estimador "Viesado" torna-se quase imparcial porque o processo de seleção espelha efetivamente a ordenação verdadeira, sendo o estimador "Viesado" recomendado neste regime específico.
• Correlação de Postos: A capacidade dos estimadores de classificar corretamente as estratégias melhora com tamanhos de amostra ($n$) maiores e números de estratégias ($k$) maiores. Quando a dispersão das habilidades verdadeiras ($\sigma_\zeta$) é baixa, a seleção é dominada pela sorte, e todos os estimadores apresentam baixa correlação de postos.

Significância e Alegações
O artigo alega fornecer um guia prático e empírico para profissionais envolvidos na seleção de estratégias quantitativas. Ele não introduz novos métodos teóricos, mas adapta técnicas existentes de aprendizado estatístico e contração (shrinkage) para a econometria da razão de Sharpe.

A conclusão primária é que o estimador James-Stein é a ferramenta de uso geral recomendada tanto para estimar a verdadeira razão de Sharpe de uma estratégia selecionada quanto para classificar os resultados de diferentes processos de seleção. Ele é favorecido por seu equilíbrio entre baixo viés, baixo MSE e simplicidade computacional (exigindo apenas $k$, $n$, $\hat{\zeta}_k$, $\bar{\zeta}$ e a variância empírica).

Os autores declaram explicitamente que seus resultados são "bastante robustos" às correlações de retornos de ativos, mas reconhecem limitações. Eles alertam que os estimadores baseados em poliedros são instáveis e que o estimador "Máximo Esperado" apresenta um desempenho insatisfatório em muitos cenários realistas. O artigo posiciona-se como um estudo preliminar, observando que trabalhos futuros poderiam envolver um melhor tratamento de estruturas de correlação, limiarização de estratégias irrelevantes e métodos de ensemble para reduzir ainda mais o MSE. Os autores enfatizam que, embora os resultados sejam robustos, eles se baseiam em parâmetros de simulação específicos e devem ser vistos como uma forte recomendação empírica, e não como uma prova teórica definitiva para todas as condições de mercado.