Deflated Sharpe Ratio
Lopez de Prado แนะนำ Deflated Sharpe Ratio ในการวิจัยของเขาเพื่อแก้ไขปัญหาพื้นฐาน: เมื่อคุณทดสอบการกำหนดค่ากลยุทธ์หลายแบบ อันที่ทำได้ดีที่สุดจะมี Sharpe ratio ที่พองตัวเพียงเพราะคุณเลือกมันจากกลุ่มใหญ่ หากคุณทดสอบการรวมพารามิเตอร์ 100 แบบและเลือกอันที่ดีที่สุด อันที่ดีที่สุดนั้นได้ประโยชน์จาก selection bias แม้ว่าทุกการรวมจะมี edge จริงเป็นศูนย์
การแก้ไขเป็นเรื่องง่ายในแนวคิด: ปรับ Sharpe ratio ที่รายงานลงตามจำนวนการกำหนดค่าที่ทดสอบ ความเบ้และ kurtosis ของผลตอบแทน และความยาวของ backtest ผลลัพธ์เกือบจะเป็นตัวเลขที่ต่ำกว่าอย่างมากเสมอเมื่อเทียบกับ Sharpe ที่ backtest แบบดิบ
แหล่งอื่นของการพอง Sharpe
นอกเหนือจาก selection bias ปัจจัยอื่นๆ หลายอย่างพอง Sharpe ratio ที่ backtest อย่างเป็นระบบ Survivorship bias ในจักรวาลสินทรัพย์ทำให้ทุกกลยุทธ์ long ดูดีขึ้น สมมติฐานการ execute ที่ไม่สมจริง (zero spread, zero slippage, instant fill) ขจัดต้นทุนที่ลดผลตอบแทนสด look-ahead bias แม้รูปแบบที่ละเอียดอ่อน สามารถแอบเข้าสู่การประมวลผลข้อมูลล่วงหน้า และการขาดข้อจำกัดด้านความสามารถหมายถึง backtest สมมติว่าคุณสามารถเทรดขนาดใดก็ได้โดยไม่มี market impact
ปัจจัยแต่ละตัวเหล่านี้เพิ่ม bias เชิงบวกเล็กๆ เมื่อรวมกัน พวกเขาสามารถบัญชีได้ง่ายๆ เป็นจุดเต็มของ Sharpe ratio Sharpe ที่ backtest แบบดิบที่ 2.5 อาจกลายเป็น 1.5 หลังจากการแก้ไข และประสิทธิภาพสดที่ 0.8-1.2 จะไม่ผิดปกติ
แนวทางปฏิบัติ
การวิจัยของ Harvey, Liu และ Zhu ชี้ว่าปัจจัยที่เพิ่งค้นพบใหม่ต้องมี t-ratio เหนือ 3.0 (มากกว่า 1.96 ตามประเพณี) เพื่อจะน่าเชื่อถือ เนื่องจาก data-mining สะสมตลอดทศวรรษของการวิจัย กฎทั่วไปที่เทียบเท่าสำหรับ backtest กลยุทธ์: คาดหวัง Sharpe สดเป็น 40-60% ของ Sharpe ที่ backtest และยินดีประหลาดใจหากสูงกว่า
นี่ไม่ได้หมายความว่า backtesting ไร้ประโยชน์ มันหมายความว่าคุณควรปฏิบัติต่อประสิทธิภาพที่ backtest เป็นขอบเขตบน ไม่ใช่การพยากรณ์ กลยุทธ์ที่ Sharpe ที่ backtest ต่ำกว่า 1.5 ไม่น่าจะทำกำไรหลังจากการเสื่อมถอยในโลกจริง กลยุทธ์เหนือ 2.0 ที่ backtest มีโอกาสที่สมเหตุสมผลในการคงทำกำไรในการเทรดสด แม้ที่ Sharpe ต่ำกว่าที่ backtest ชี้