Bootstrap par blocs et intervalles de confiance des stratégies de trading

Le rendement moyen ou le ratio de Sharpe historique est une estimation calculée à partir d’un échantillon fini. Un intervalle de confiance indique quelles valeurs restent compatibles avec les données selon la méthode et le niveau nominal choisis. Il ne rend pas une série courte ou fortement dépendante plus informative.

Définissez la statistique avant d’examiner le résultat. Il peut s’agir de la moyenne des rendements excédentaires périodiques ou d’un ratio de Sharpe calculé sur les mêmes périodes. Précisez la fréquence, le taux sans risque, le calcul brut ou net de coûts et la formule exacte. Pour le Sharpe, recalculez la moyenne et l’écart-type dans chaque réplication selon la même convention.

Cette question diffère de trois problèmes voisins. Les erreurs-types HAC estiment l’incertitude d’un coefficient de régression sous un modèle de dépendance donné. L’annualisation du Sharpe agrège une statistique au fil du temps et ne fournit pas, à elle seule, d’intervalle de confiance. La validation croisée purgée évalue des modèles prédictifs lorsque les périodes des étiquettes se chevauchent. Ici, le bootstrap rééchantillonne la série de rendements observée pour étudier la variabilité d’une statistique fixée à l’avance.

Le bootstrap i.i.d. classique tire chaque observation indépendamment et avec remise. L’ordre temporel disparaît : une semaine calme peut être suivie, dans la série synthétique, de n’importe quelle semaine de tension. Les séquences persistantes de rendement ou de volatilité ainsi que la dépendance entre semaines voisines sont également perdues.

Cela compte lorsque les rendements financiers présentent de l’autocorrélation, des grappes de volatilité, des périodes de détention qui se chevauchent ou d’autres dépendances temporelles. Un échantillonnage i.i.d. peut alors produire une distribution trop simple de trajectoires artificielles. Le bootstrap par blocs conserve l’ordre d’origine à l’intérieur de chaque séquence tirée, mais les raccords entre séquences restent artificiels.

La méthode ne corrige pas une série de rendements mal construite. Des prix retardés ou lissés, des coûts de financement omis, un biais de survivance et des signaux mal alignés restent des problèmes liés aux données ou à l’évaluation de la stratégie.

Le bootstrap par blocs mobiles (MBB) utilise une longueur fixe L. À partir d’une série de n observations, on forme des blocs candidats qui se chevauchent, chacun contenant L rendements consécutifs. On tire des blocs entiers avec remise, on les concatène, puis on tronque le dernier pour que la trajectoire synthétique retrouve n observations.

Le bootstrap stationnaire rééchantillonne lui aussi des observations consécutives, mais avec des longueurs de bloc aléatoires. Après le début d’un bloc, la séquence continue avec une probabilité de 1 − 1/L ; avec une probabilité de 1/L, un nouveau bloc commence à un point de départ tiré au hasard. La longueur suit une loi géométrique dont l’espérance est la valeur choisie L. Les frontières varient, tandis que L règle la longueur moyenne de la dépendance que l’on cherche à préserver.

Les deux méthodes exigent de choisir la longueur des blocs et le traitement des extrémités. Il ne faut pas ajuster L après coup jusqu’à obtenir l’intervalle souhaité. Künsch étudie le rééchantillonnage d’observations stationnaires ; Politis et Romano présentent le bootstrap stationnaire à longueurs géométriques.

Notons r1, r2, r3 et r4 les rendements hebdomadaires observés, dans l’ordre. Avec un MBB de longueur L = 2, les blocs candidats qui se chevauchent sont (r1, r2), (r2, r3) et (r3, r4). Cet exemple illustre uniquement la règle de tirage ; il ne dit rien sur la performance d’une stratégie.

Une trajectoire synthétique de quatre observations pourrait concaténer le bloc tiré (r2, r3), puis le bloc (r1, r2). L’ordre des deux semaines reste conservé à l’intérieur de chaque bloc. Le passage de r3 à r1 est une frontière artificielle, et non un mouvement de marché observé.

Dans une analyse réelle, de nombreuses trajectoires de ce type sont générées et la même statistique prédéfinie est recalculée pour chacune. Une application réelle nécessite généralement un historique bien plus long ; les quatre observations servent uniquement à illustrer l’algorithme.

Générez un grand nombre de trajectoires synthétiques de même longueur. Pour chacune, recalculez la moyenne du rendement excédentaire ou le ratio de Sharpe défini. Vous obtenez une distribution bootstrap de la statistique. Un intervalle percentile simple utilise ses quantiles inférieur et supérieur ; les intervalles BCa ou studentisés sont d’autres méthodes, avec leurs propres hypothèses et choix de calcul.

Indiquez le niveau de confiance, le nombre de réplications, la méthode de rééchantillonnage, la longueur des blocs, le traitement des extrémités et le type d’intervalle. Multiplier les réplications réduit le bruit numérique de l’algorithme, mais n’augmente pas le nombre de régimes de marché observés indépendamment.

Si un intervalle bilatéral du rendement excédentaire moyen contient zéro, les données restent compatibles, au niveau nominal choisi, avec une valeur positive, proche de zéro ou éventuellement négative. Cela ne prouve ni que le rendement vrai est nul ni que deux stratégies sont équivalentes. Cela signifie que l’échantillon et les hypothèses ne permettent pas une conclusion plus précise.

Les rendements de deux stratégies sont généralement appariés lors d’une comparaison directe : les deux ont été observées pendant les mêmes semaines de marché. Dans chaque réplication, tirez conjointement les mêmes blocs temporels pour les deux séries. Calculez ensuite les deux ratios de Sharpe, puis leur différence dans cette même réplication.

Tirer les blocs séparément pour chaque stratégie détruit leur covariance aux mêmes dates et peut fausser l’incertitude de la différence. Le tirage conjoint conserve la structure temporelle partagée présente dans les données observées. Ledoit et Wolf étudient les intervalles de confiance bootstrap des ratios de Sharpe et de leurs différences en présence de rendements dépendants.

Précisez à l’avance si la comparaison porte sur un Sharpe plus élevé, une différence ou une autre statistique. Utilisez la même fréquence de rendement, le même horizon d’évaluation et un traitement cohérent des frais et du financement. Si l’intervalle de la différence contient zéro, cet échantillon et cette méthode ne permettent pas d’établir une différence nette ; ils ne prouvent pas l’égalité.

Des blocs trop courts peuvent perdre la dépendance à court terme et les grappes de volatilité. Des blocs trop longs laissent moins de combinaisons effectivement distinctes et peuvent produire une distribution bootstrap imprécise. Présentez donc la sensibilité à plusieurs longueurs plausibles, motivées par la fréquence des données et la durée de la dépendance.

Les méthodes usuelles supposent une distribution dépendante suffisamment stable et faiblement stationnaire, ou des conditions de dépendance permettant une justification asymptotique. Une rupture structurelle marquée ou un changement de régime peut invalider ces hypothèses. Rééchantillonner toute une longue histoire peut mélanger des périodes qui ne proviennent pas d’un même processus. Le cas échéant, analysez des périodes distinctes ou définissez explicitement des régimes au lieu de présenter une statistique unique comme robuste.

Vérifiez aussi si la création des signaux, le choix des paramètres ou la sélection de la stratégie reposent sur les mêmes données. L’intervalle calculé pour une stratégie déjà sélectionnée ne corrige pas automatiquement le data snooping ni les tests multiples. L’évaluation prédictive et la sélection nécessitent d’autres outils, par exemple un échantillon chronologique tenu à l’écart ou une validation croisée purgée appropriée.

Documentez la source et la période des rendements, leur fréquence, le calcul brut ou net, le taux sans risque, la définition du Sharpe, la méthode de rééchantillonnage, la longueur des blocs et le type d’intervalle. Montrez des variantes de sensibilité plausibles, le nombre de réplications et, pour plusieurs stratégies, si les mêmes blocs ont été tirés par paire. Présentez la statistique avec le drawdown, la liquidité, les coûts et les limites des données.

Un intervalle calculé sur des rendements historiques n’est ni une prévision ni une garantie. Il dépend de la série observée, de la sélection de stratégie, des hypothèses de coûts et du modèle de rééchantillonnage. Il ne prédit pas le rendement de la semaine prochaine et ne constitue pas un conseil d’investissement personnalisé.

Pour approfondir : les erreurs-types robustes et HAC traitent des coefficients de régression ; le ratio de Sharpe et la corrélation sérielle traitent de l’agrégation temporelle ; la validation croisée purgée et l’embargo traitent de la validation des modèles.

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

Un plus grand nombre de réplications peut réduire le bruit de Monte-Carlo dans les quantiles estimés : à échantillon, statistique et règles de rééchantillonnage inchangés, les bornes de l’intervalle varient généralement moins au gré de l’algorithme. Mais ces tirages ne créent aucune observation de marché indépendante dans la série d’origine. Ils ne rendent pas représentatif un échantillon court, sélectionné ou non stationnaire et ne corrigent pas ces défauts. Gardez fixes la statistique, la méthode, la longueur des blocs et le traitement des extrémités ; les tirages supplémentaires affinent uniquement l’approximation numérique selon ce même plan.