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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • 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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Parcours Bayesian Inference›Module 3 · Modèles et pratique›Sujet 3.4·~1 h 30 minAvancé

Projet final : ratio de Sharpe bayésien et rétrécissement sur de vraies actions

Position dans le parcoursModule 3 sur 3 · Sujet 4 sur 4
3.4 Projet final : ratio de Sharpe bayésien et rétrécissement sur de vraies actions
—Score du lab— / 100XP total—Série—

À quel point êtes-vous sûr d'un ratio de Sharpe ?

Un backtest donne un seul ratio de Sharpe, mais il est estimé à partir de rendements bruités. Une estimation bayésienne traite la moyenne quotidienne μ et la variance σ² comme inconnues. Elle part d'un a priori faible et le met à jour avec les données. Le couple normal-inverse-gamma fait de la mise à jour une formule à quatre nombres. Ensuite, on échantillonne l'a posteriori : on tire une précision, puis une moyenne, et on transforme chaque paire en ratio de Sharpe annuel μ/σ·√252. Les tirages donnent un intervalle et la probabilité que le ratio de Sharpe soit supérieur à zéro.

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 seconde moitié concerne de nombreuses actions. Les meilleurs rendements moyens sont en partie dus au hasard : on les rapproche donc de la moyenne générale avec la règle hiérarchique des sujets précédents. Le test est honnête. On estime sur la première moitié des années, puis on vérifie dans quelle mesure chaque méthode prédit les rendements moyens de la seconde moitié. Vous écrirez aussi votre propre échantillonneur de Metropolis, l'outil des lois a posteriori sans formule, que vous testez ici sur une loi dont la réponse est connue.

Ce que disent les vraies donnéesSPY depuis 2005 a un ratio de Sharpe d'environ 0,52. L'intervalle de crédibilité à 95% va d'environ 0,09 à 0,94, avec 99% de chances d'être au-dessus de zéro. Ses 250 derniers jours donnent 1,34, ce qui semble magnifique, mais l'intervalle va d'environ -0,66 à 3,30 et la probabilité d'être positif n'est que d'environ 91%. Une année ne distingue pas le talent de la chance. Pour les 54 actions, la dispersion des rendements moyens n'est pas plus grande que ce que le bruit seul donnerait : τ²=0 et toutes sont ramenées à la moyenne générale. En prédisant la seconde moitié, les moyennes brutes ont une erreur quadratique moyenne d'environ 0,0135, les moyennes rétrécies d'environ 0,0106 : 22% de moins.
  • Mise à jour conjuguée : quatre nombres (mₙ,kₙ,aₙ,bₙ) décrivent tout l'a posteriori de la moyenne et de la variance.
  • Barres d'erreur honnêtes : une année de données donne un intervalle de Sharpe si large qu'il inclut zéro.
  • Test de rétrécissement : estimer sur la première moitié, noter sur la seconde. Ici, le regroupement bat les moyennes brutes.
Simplifications à retenirLes rendements quotidiens sont traités comme normaux et indépendants, ce qui ignore les queues épaisses et le regroupement de volatilité. L'a priori faible est choisi à la main. L'échantillon d'actions souffre d'un biais de survie, puisqu'il ne contient que de grandes entreprises présentes pendant toute la période, et les actions évoluent ensemble, donc l'étude est moins indépendante qu'elle n'en a l'air. La leçon est la méthode et la largeur des barres d'erreur, pas les chiffres exacts.

Lab : ce qui est noté

  • Le ratio de Sharpe10 pts
  • La mise à jour a posteriori15 pts
  • Tirages de Sharpe15 pts
  • Un intervalle de crédibilité10 pts
  • Rétrécir des moyennes15 pts
  • Un échantillonneur de Metropolis20 pts
  • L'étude de rétrécissement15 pts
Explorateur · lab-by-10
▾ lab-by-10
▾ data
…
bash · dans le navigateur
learner@quantcraft:~/lab-by-10$
Python pas encore chargéPythonLn 1, Col 1Spaces: 4UTF-8

Réinitialiser ce sujet ?

Tout le contenu de lab-by-10 revient aux fichiers de départ et le terminal est vidé. Votre solution actuelle sera perdue : cette action est irréversible.

Sera réinitialisé
  • main.py → code de départ
  • Historique du terminal et sortie des tests
  • Modifications non soumises
Sera conservé
  • Meilleur score du lab
  • Votre XP et votre série
  • Progression du cours et notes

Connectez-vous pour exécuter votre code.

Tous les cours sont gratuits à lire. Créez un compte ou connectez-vous pour exécuter du code, lancer les tests et soumettre ce lab.

  • IDE dans le navigateur avec terminal bash — rien à installer
  • Correction instantanée, XP et votre place dans le parcours
Créer un compteSe connecter
OU
Continuer avec GitHub