σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de Bayesian Inference›Módulo 3 · Modelos y práctica›Tema 3.4·~1 h 30 minAvanzado

Proyecto final: ratio de Sharpe bayesiano y contracción en acciones reales

Posición en la rutaMódulo 3 de 3 · Tema 4 de 4
3.4 Proyecto final: ratio de Sharpe bayesiano y contracción en acciones reales
—Puntuación del lab— / 100XP total—Racha—

¿Cuán seguro está de un ratio de Sharpe?

Un backtest da un solo ratio de Sharpe, pero se estima con rendimientos ruidosos. Una estimación bayesiana trata la media diaria μ y la varianza σ² como desconocidas. Parte de una previa débil y la actualiza con los datos. El par normal-gamma inversa hace de la actualización una fórmula con cuatro números. Luego se muestrea la posterior: se saca una precisión, luego una media, y cada par se convierte en un ratio de Sharpe anual μ/σ·√252. Los valores dan un intervalo y la probabilidad de que el ratio de Sharpe sea mayor que cero.

kₙ=k₀+n, mₙ=(k₀m₀+nx̄)/kₙ, aₙ=a₀+n/2, bₙ=b₀+ss/2+(k₀n(x̄-m₀)²)/2kₙ, S=μ/σ√252

La segunda mitad trata de muchas acciones. Los mejores rendimientos medios son en parte suerte, así que se acercan a la media general con la regla jerárquica de los temas anteriores. La prueba es honesta. Se estima con la primera mitad de los años y luego se comprueba cuán bien cada método predice los rendimientos medios de la segunda mitad. También escribirá su propio muestreador de Metropolis, la herramienta para posteriores sin fórmula, que aquí prueba con una posterior cuya respuesta se conoce.

Qué dicen los datos realesSPY desde 2005 tiene un ratio de Sharpe de unos 0,52. El intervalo de credibilidad del 95% va de unos 0,09 a 0,94, con un 99% de probabilidad de estar por encima de cero. Sus últimos 250 días muestran 1,34, que parece maravilloso, pero el intervalo va de unos -0,66 a 3,30 y la probabilidad de ser positivo es de solo un 91%. Un año no separa la habilidad de la suerte. Para las 54 acciones, la dispersión de los rendimientos medios no es mayor que la que daría solo el ruido, así que τ²=0 y todas se acercan a la media general. Al predecir la segunda mitad, los promedios brutos tienen un error cuadrático medio de unos 0,0135 y los contraídos de unos 0,0106: un 22% menos.
  • Actualización conjugada: cuatro números (mₙ,kₙ,aₙ,bₙ) describen toda la posterior de la media y la varianza.
  • Barras de error honestas: un año de datos da un intervalo de Sharpe tan ancho que incluye cero.
  • Prueba de contracción: estimar con la primera mitad, puntuar con la segunda. Aquí agrupar supera a los promedios brutos.
Simplificaciones que recordarLos rendimientos diarios se tratan como normales e independientes, lo que ignora las colas gruesas y la agrupación de volatilidad. La previa débil se elige a mano. La muestra de acciones tiene sesgo de supervivencia, pues solo contiene grandes empresas que existieron todo el tiempo, y las acciones se mueven juntas, así que el estudio es menos independiente de lo que parece. La lección es el método y el ancho de las barras de error, no las cifras exactas.

Lab: qué se califica

  • El ratio de Sharpe10 pts
  • La actualización posterior15 pts
  • Valores de Sharpe15 pts
  • Un intervalo de credibilidad10 pts
  • Contraer medias15 pts
  • Un muestreador de Metropolis20 pts
  • El estudio de contracción15 pts
Explorador · lab-by-10
▾ lab-by-10
▾ data
…
bash · en el navegador
learner@quantcraft:~/lab-by-10$
Python aún no cargadoPythonLn 1, Col 1Spaces: 4UTF-8

¿Restablecer este tema?

Todo lo que hay en lab-by-10 vuelve a los archivos iniciales y se limpia el terminal. Tu solución actual se perderá: no se puede deshacer.

Se restablecerá
  • main.py → código inicial
  • Historial del terminal y salida de pruebas
  • Cambios sin enviar
Se conservará
  • Mejor puntuación del lab
  • Tu XP y tu racha
  • Progreso de la lección y notas

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub