iT邦幫忙

2023 iThome 鐵人賽

0
AI & Data

從零到英雄:用GCP建立AI交易體系系列 第 32

Day 31 回測統計(五) 資金風險效率

  • 分享至 

  • xImage
  •  

效率

到目前為止,所有的績效統計都考慮了利潤、損失和成本。在這一節中,我們會考慮到達成這些結果所涉及的風險。

夏普比率(The Sharpe Ratio)

假設一個策略的超額收益(超過無風險利率)${ r_t }_{t=1,...,T}$,是獨立同分佈(IID)的高斯分佈,均值為 $\mu$,方差為 $\sigma^2$。夏普比率(SR)定義為:

$$
SR = \frac{\mu}{\sigma}
$$

夏普比率(SR)的目的是評估一個特定策略的強度,可以理解為單位風險的報酬。由於 $\mu$、$\sigma$ 通常是未知的,因此真正的SR值不能確定地被知道。

機率性夏普比率(The Probabilistic Sharpe Ratio)

機率性夏普比率(PSR)通過移除:

  1. 交易期短
  2. 偏斜(投資大多數時間賺錢,但偶爾會有巨大的損失)

所造成的效應(可能會讓績效看起來很好或是風險很小),來提供一個調整後的SR估計。給定一個用戶自定義的基準夏普比率($SR^$)和一個觀察到的夏普比率($\hat{SR}$),PSR估計$\hat{SR}$大於假設的$SR^$的機率。根據此論文,PSR可以估計為:

$$
\hat{PSR}[SR^] = Z \left[ \frac{(\hat{SR} - SR^) \sqrt{T - 1}}{\sqrt{1 - \hat{\gamma}_3 \hat{SR} + \frac{\hat{\gamma}_4 - 1}{4} \hat{SR}^2}} \right]
$$

其中,$Z[\cdot]$是標準正態分佈的累積分佈函數(CDF),$T$是觀察到的收益數量,$\hat{\gamma}_3$是收益的偏度,$\hat{\gamma}_4$是收益的峰度(對於高斯收益,$\hat{\gamma}_4 = 3$)。對於給定的$SR^*$,當$\hat{SR}$(在原始取樣頻率,即未年化)或更長的追蹤記錄($T$)或正偏斜的收益($\hat{\gamma}_3$)增加時,$\hat{PSR}$也會增加,但它會隨著更厚的尾部($\hat{\gamma}_4$)而減少。也就是說機率性夏普比率(( \hat{PSR} ))會在策略表現好、有長期追蹤記錄或是收益正偏斜時增加,但如果策略的收益有厚尾特性(即更多的極端收益),則 ( \hat{PSR} ) 會減少。

總結一下,機率性夏普比率(PSR)是夏普比率的一個進階版本。這個指標考慮到一些夏普比率忽略的因素,如收益率的不正常分佈(例如,厚尾或偏斜)。試圖給出一個更貼近真實狀況的夏普比率數值。

偏度(Skewness)是用來衡量分布的偏斜程度的統計量。對於標準常態分布,偏度為0,表示分布呈現完全對稱。

峰度(Kurtosis)是用來衡量分布尾部厚度和峰度形狀的統計量。對於標準常態分布,峰度為3,表示分布的峰度與正態分布呈現相似的形狀,既不特別扁平也不特別尖峭。

衰減夏普比率(The Deflated Sharpe Ratio)

DSR考慮了多個因素,包括:

  • 你嘗試過多少不同的策略(即獨立試驗的數量,$N$)
  • 這些策略的夏普比率的變異性(即試驗估計的 $SR$ 的變異性,$V[{\hat{SR}_n}]$)

然後,DSR使用這些因素來調整一個“基準”夏普比率$( SR^*$)。這個基準夏普比率是一個應該超過的閾值,以證明策略真的有賺錢的能力。

DSR是一種PSR,其中拒絕閾值經過調整,以反映試驗的多樣性。根據此論文,DSR可以估計為 $\hat{PSR}[SR^]$,其中基準夏普比率 $SR^$ 不再是用戶自定義的。相反,$SR^*$ 的估計公式為:

$$
SR^* = \sqrt{V[{\hat{SR}_n}]} \left( (1-\gamma) Z^{-1}\left[1-\frac{1}{N}\right] + \gamma Z^{-1}\left[1-\frac{1}{N e^{-1}}\right] \right)
$$

其中,$V[{\hat{SR}_n}]$ 是試驗估計的 $SR$ 的變異性,$N$ 是獨立試驗的數量,$Z[\cdot]$ 是標準正態分佈的CDF,$\gamma$ 是Euler-Mascheroni常數,$n = 1, \ldots, N$。圖 14.3 繪製了 $SR^*$ 作為 $V[{\hat{SR}_n}]$ 和 $N$ 的函數。

DSR背後的基本邏輯是:給定一組 $SR$ 估計值 ({ \hat{SR}_n }),即使真正的 $SR$ 是零,其期望最大值也大於零。在實際夏普比率為零的虛無假設下,$H0 : SR = 0$,我們知道,期望的最大 $\hat{SR}$ 可以估計為 $SR^$。事實上,隨著嘗試更多的獨立試驗($N$),或者試驗涉及更大的變異性($V[{\hat{SR}_n}]$),$SR^$ 會迅速增加。由此知識我們推導出回測的第三定律。

** Marcos的回測第三定律。由於其違反,金融中的大多數發現都是假的**

“每個回測結果都必須與其生成過程中涉及的所有試驗一同報告。若沒有這些資訊,就無法評估回測的‘偽發現’概率。”
—Marcos Lopez de Prado
《金融機器學習的先進技術》(2018)


上一篇
Day 30 回測統計(四) 實際執行會碰上的問題
下一篇
Day 32 回測統計(分類評分)
系列文
從零到英雄:用GCP建立AI交易體系34
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言