Block-Bootstrap: Konfidenzintervalle für Trading-Strategien

Eine historische Durchschnittsrendite oder Sharpe Ratio ist eine Schätzung aus einer endlichen Stichprobe. Ein Konfidenzintervall zeigt, welche Werte mit dem gewählten Verfahren und dem angegebenen nominalen Niveau mit den Daten vereinbar sind. Es macht eine kurze oder stark abhängige Historie nicht informativer, als sie ist.

Lege die Zielgröße vor der Auswertung fest. Das kann der Mittelwert der periodischen Überschussrenditen sein oder eine aus denselben Perioden berechnete Sharpe Ratio. Gib Frequenz, risikofreien Vergleichssatz, Brutto- oder Nettokosten und die genaue Formel an. Bei der Sharpe Ratio müssen Renditemittel und Streuung in jeder Replikation nach derselben Konvention berechnet werden.

Diese Frage unterscheidet sich von drei verwandten Aufgaben. HAC-Standardfehler quantifizieren die Unsicherheit eines Regressionskoeffizienten unter einem gewählten Abhängigkeitsmodell. Eine Sharpe-Annualisierung aggregiert eine Kennzahl über Zeit und liefert für sich genommen kein Konfidenzintervall. Purged Cross-Validation prüft Vorhersagemodelle mit überlappenden Label-Zeiträumen. Ein Block-Bootstrap resampelt hier dagegen die beobachtete Renditeserie, um die Streuung einer vorab festgelegten Kennzahl zu untersuchen.

Beim gewöhnlichen i.i.d.-Bootstrap wird jede Beobachtung unabhängig und mit Zurücklegen aus den Renditen gezogen. Die Reihenfolge der Zeitreihe verschwindet: Auf eine ruhige Woche kann im künstlichen Pfad unmittelbar eine beliebige Stresswoche folgen. Außerdem gehen anhaltende Rendite- oder Volatilitätsphasen und die Abhängigkeit benachbarter Wochen verloren.

Das ist bei Finanzrenditen relevant, wenn Beobachtungen Autokorrelation, Volatilitätscluster, überlappende Halteperioden oder weitere zeitliche Abhängigkeiten aufweisen. Eine i.i.d.-Stichprobe kann dann eine zu einfache Verteilung künstlicher Pfade erzeugen. Ein Block-Bootstrap behält die ursprüngliche Reihenfolge innerhalb jedes gezogenen Abschnitts bei; an den Übergängen zwischen Abschnitten entstehen weiterhin künstliche Nähte.

Das Verfahren repariert keine fehlerhafte Renditeserie. Verzögerte oder geglättete Preise, übersehene Finanzierungskosten, Survivorship Bias und falsch ausgerichtete Signale bleiben Probleme der Eingabedaten oder Strategieauswertung.

Beim Moving-Block-Bootstrap (MBB) legst du eine feste Blocklänge L fest. Aus einer Folge mit n Beobachtungen entstehen überlappende Kandidatenblöcke aus jeweils L aufeinanderfolgenden Renditen. Du ziehst ganze Blöcke mit Zurücklegen, hängst sie aneinander und schneidest den letzten Block so ab, dass der künstliche Pfad wieder n Beobachtungen enthält.

Der stationäre Bootstrap zieht ebenfalls zusammenhängende Beobachtungen, verwendet aber zufällige Blocklängen. Nach jedem Start wird eine Folge mit Wahrscheinlichkeit 1 − 1/L fortgesetzt; mit Wahrscheinlichkeit 1/L beginnt ein neuer Block an einem zufälligen Ausgangspunkt. Die Blocklänge ist geometrisch verteilt und hat den gewählten Erwartungswert L. So entstehen variable Blockgrenzen, während ein typisches Abhängigkeitsfenster über L gesteuert wird.

Beide Methoden verlangen eine methodische Entscheidung über Blocklänge und Randbehandlung. Die Blocklänge ist kein Parameter, der nachträglich so lange angepasst werden sollte, bis das gewünschte Intervall erscheint. Künsch behandelt Resampling bei stationären Beobachtungen; Politis und Romano führen den stationären Bootstrap mit geometrisch verteilten Blocklängen ein.

Nenne die vier beobachteten Wochenrenditen der Reihe nach r1, r2, r3 und r4. Bei einem Moving-Block-Bootstrap mit L = 2 sind die möglichen überlappenden Zweierblöcke (r1, r2), (r2, r3) und (r3, r4). Das Beispiel veranschaulicht nur die Ziehregel; es behauptet nichts über die Performance einer Strategie.

Ein künstlicher Pfad mit vier Beobachtungen könnte aus dem gezogenen Block (r2, r3), gefolgt von (r1, r2), entstehen. Die Reihenfolge innerhalb der beiden Wochen eines gezogenen Blocks bleibt erhalten. Der Sprung von r3 zurück zu r1 ist eine künstliche Blockgrenze und kein neu beobachtetes Marktgeschehen.

In der tatsächlichen Analyse würdest du viele solcher Pfade erzeugen. Für jeden Pfad berechnest du dieselbe zuvor definierte Kennzahl aus vier Beobachtungen. Eine echte Anwendung braucht üblicherweise eine deutlich längere Historie; vier Punkte dienen hier nur zur Veranschaulichung des Algorithmus.

Ziehe eine große Zahl künstlicher Pfade gleicher Länge. Berechne für jeden Pfad den Mittelwert der Überschussrendite oder die festgelegte Sharpe Ratio erneut. Das ergibt eine Bootstrap-Verteilung der Kennzahl. Ein einfaches Perzentilintervall verwendet deren passende untere und obere Quantile; BCa- oder studentisierte Intervalle sind andere Verfahren mit eigenen Annahmen und Rechenentscheidungen.

Berichte Konfidenzniveau, Anzahl der Replikationen, Resampling-Verfahren, Blocklänge, Randbehandlung und verwendetes Intervall. Viele Replikationen verringern den numerischen Zufall des Algorithmus, vergrößern aber nicht die Zahl der unabhängig beobachteten Marktphasen.

Enthält ein zweiseitiges Intervall für die mittlere Überschussrendite null, sind positive, nullnahe und gegebenenfalls negative Werte auf diesem nominalen Niveau mit dem Verfahren vereinbar. Das belegt weder, dass die wahre Rendite null ist, noch dass zwei Strategien gleichwertig sind. Es bedeutet, dass die Stichprobe unter den getroffenen Annahmen keine präzisere Schlussfolgerung trägt.

Für einen direkten Vergleich zweier Strategien sind die Renditen meist gepaart: Beide wurden in denselben Marktwochen beobachtet. Ziehe daher für jede Bootstrap-Replikation dieselben Zeitblöcke gemeinsam für beide Renditeserien. Berechne anschließend beide Sharpe Ratios und ihre Differenz innerhalb derselben Replikation.

Wer für jede Strategie unabhängig Blöcke zieht, zerstört die zeitgleiche Kovarianz zwischen ihnen. Das kann die Unsicherheit der Differenz falsch abbilden. Die gemeinsame Blockziehung erhält die gemeinsame zeitliche Struktur, die in den beobachteten Daten enthalten ist. Ledoit und Wolf untersuchen Bootstrap-Konfidenzintervalle für Sharpe Ratios und Sharpe-Differenzen in abhängigen Renditedaten.

Definiere vorab, ob ein höherer Sharpe, eine Differenz oder eine andere Zielgröße verglichen wird, und nutze dieselbe Renditefrequenz, denselben Bewertungszeitraum und eine konsistente Behandlung von Gebühren und Finanzierung. Wenn das Intervall der Sharpe-Differenz null enthält, ist der Unterschied mit dieser Stichprobe und Methode nicht eindeutig belegt; das ist kein Beweis für Gleichheit.

Eine zu kurze Blocklänge kann kurzfristige Abhängigkeit und Volatilitätscluster abschneiden. Eine zu lange Blocklänge lässt weniger effektiv unterschiedliche Blockkombinationen zu und kann die Bootstrap-Verteilung ungenau machen. Zeige deshalb die Empfindlichkeit gegenüber mehreren plausiblen Längen, die anhand von Datenfrequenz und Abhängigkeitsdauer begründet wurden.

Die Standardverfahren setzen eine hinreichend stabile, schwach stationäre abhängige Verteilung oder Bedingungen an die Abhängigkeit voraus, die eine asymptotische Rechtfertigung ermöglichen. Ein ausgeprägter Strukturbruch oder ein Wechsel zwischen Marktregimen kann diese Annahmen verletzen. Ein Bootstrap, der alle Beobachtungen aus einer langen Historie resampelt, kann dann Phasen vermischen, die nicht aus einem gemeinsamen Prozess stammen. Ergänze gegebenenfalls getrennte Zeitfenster oder ein explizites Regimendesign, statt eine einzige Kennzahl als robust zu deklarieren.

Prüfe außerdem, ob Signalbildung, Parameterwahl oder Strategieauswahl auf denselben Daten beruhen. Das Bootstrap-Intervall für eine bereits ausgewählte Strategie korrigiert Data Snooping und Mehrfachtests nicht automatisch. Für Auswahl und Vorhersagebewertung sind zusätzliche Verfahren nötig, etwa ein sauberer zeitlicher Holdout oder passende purged Cross-Validation.

Dokumentiere Renditequelle, Zeitspanne, Häufigkeit, Netto- oder Bruttobasis, Risikofrei-Satz, Sharpe-Definition, Resampling-Methode, Blocklänge und Intervalltyp. Zeige plausible Sensitivitätsvarianten, die Anzahl der Replikationen und bei mehreren Strategien, ob dieselben Blöcke gepaart gezogen wurden. Stelle die Kennzahl neben Drawdown, Liquidität, Kosten und die Grenzen der Daten.

Ein Intervall aus historischen Renditen ist keine Prognose oder Garantie. Es ist bedingt auf die beobachtete Renditeserie, die Strategieauswahl, die Kostenannahmen und das Resampling-Modell. Es sagt nicht, welche Rendite eine künftige Woche erzielen wird, und ersetzt keine persönliche Anlageberatung.

Weiterführend: Robuste Standardfehler und HAC behandeln Regressionskoeffizienten; Sharpe Ratio und serielle Korrelation behandeln die Zeitaggregation; Purged Cross-Validation und Embargo behandeln die Modellvalidierung.

Methodische Quellen: - Künsch (1989), The jackknife and the bootstrap for general stationary observations - Politis und Romano (1994), The stationary bootstrap - Ledoit und Wolf (2008), Robust performance hypothesis testing with the Sharpe ratio

Mehr Bootstrap-Replikationen können den Monte-Carlo-Zufall in den geschätzten Quantilen verringern: Bleiben Stichprobe, Kennzahl und Resampling-Regeln gleich, schwanken die Intervallgrenzen meist weniger durch den Zufall des Algorithmus. Sie fügen dem ursprünglichen Renditedatensatz jedoch keine unabhängigen Marktbeobachtungen hinzu. Eine kurze, zuvor ausgewählte oder nichtstationäre Stichprobe wird dadurch weder repräsentativer noch korrigiert. Halte Kennzahl, Blockverfahren, Blocklänge und Randbehandlung fest; zusätzliche Ziehungen verfeinern nur die numerische Approximation unter genau diesem Design.