ट्रेडिंग रणनीति रिटर्न के लिए ब्लॉक बूटस्ट्रैप: निर्भरता में confidence interval
समयगत निर्भरता बनाए रखते हुए पहले से तय ट्रेडिंग रणनीति के औसत रिटर्न या Sharpe ratio की अनिश्चितता block bootstrap से कैसे आँकें और इसकी सीमाएँ क्या हैं, जानें।
इस गाइड मेंConfidence interval किस अनिश्चितता को मापता है?
संक्षिप्त सारांश
Block bootstrap कृत्रिम नमूने बनाते समय रिटर्न के लगातार हिस्से साथ रखता है, हर दिन या सप्ताह को अलग-अलग मिलाता नहीं है। इन नमूनों पर एक ही statistic दोबारा निकालने से पहले से तय रणनीति के औसत रिटर्न या Sharpe ratio की अनिश्चितता समझने में मदद मिल सकती है। नीचे का उदाहरण केवल resampling प्रक्रिया दिखाता है; यह किसी वास्तविक रणनीति का प्रदर्शन नहीं है।
Confidence interval किस अनिश्चितता को मापता है?
मान लें कि पहले से तय किसी रणनीति की return series आपके पास है। लक्ष्य statistic हर अवधि का risk-free rate से ऊपर औसत रिटर्न या उन्हीं रिटर्न से निकला Sharpe ratio हो सकता है। सवाल यह है कि सीमित sample के कारण यह statistic कितना बदल सकता है, यदि इसी तरह की observation प्रक्रिया फिर हो।
Bootstrap देखे गए रिकॉर्ड से कई कृत्रिम series बनाता है। हर series पर उसी परिभाषा वाला statistic निकालें, फिर नतीजों के distribution से confidence interval बनाएं। यह interval sample और model की शर्तों के तहत estimate की अनिश्चितता बताता है। यह अगली अवधि के रिटर्न की forecast या भविष्य की गारंटी नहीं है।
अलग-अलग observations खींचने से समयगत निर्भरता मिट सकती है
परंपरागत independent and identically distributed (IID) bootstrap में हर observation को रिकॉर्ड से अलग-अलग, replacement के साथ चुना जाता है। लेकिन trading returns समय के आसपास की observations पर निर्भर हो सकते हैं। कोई trend कई अवधियों तक रह सकता है, overlapping returns में कुछ दिन साझा हो सकते हैं, या high-volatility दिन एक साथ समूह बना सकते हैं।
पंक्तियों को अलग-अलग मिलाने से कृत्रिम series उन observations को अलग कर देती है जो मूल रिकॉर्ड में साथ थीं। इससे mean या Sharpe ratio के फैलाव को प्रभावित करने वाली निर्भरता का हिस्सा मिट सकता है और प्रभावी sample वास्तविक से बड़ा दिख सकता है। जब स्थानीय क्रम इस प्रश्न के लिए जरूरी हो, तब block bootstrap उपयोगी है।
Moving blocks लगातार हिस्सों को साथ रखते हैं
Moving-block विधि में पहले block की निश्चित लंबाई चुनें, फिर उस लंबाई के सभी overlapping लगातार हिस्से बनाएं। चार observations r₁, r₂, r₃, r₄ हों और block length दो अवधि हो, तो blocks (r₁,r₂), (r₂,r₃), और (r₃,r₄) होंगे। इन्हें replacement के साथ चुनकर जोड़ें, जब तक कृत्रिम series मूल रिकॉर्ड जितनी लंबी न हो जाए।
केवल प्रक्रिया समझाने के लिए एक कृत्रिम sample (r₂,r₃) और फिर (r₁,r₂), अर्थात r₂,r₃,r₁,r₂, हो सकता है। हर दो-observation block के भीतर मूल क्रम बना रहता है, पर blocks के बीच का जोड़ ऐतिहासिक रूप से लगातार होना जरूरी नहीं। चार सप्ताह का यह काल्पनिक उदाहरण केवल resampling दिखाता है, लाभ या जोखिम का दावा नहीं करता।
Stationary bootstrap में block length यादृच्छिक होती है
Stationary bootstrap किसी समय-बिंदु से शुरू होता है और एक संभावना के अनुसार लगातार observations लेता है, फिर किसी यादृच्छिक नए समय-बिंदु से अगला block शुरू करता है। Block lengths geometric distribution का पालन करती हैं और उनकी चुनी गई अपेक्षित लंबाई पहले से तय होती है। मूल sample में जितनी observations थीं उतनी बनने के बाद वही statistic दोबारा निकालें।
इससे हर block की लंबाई समान नहीं रहती, जबकि विधि की रचना कृत्रिम series को stationary रखती है। Politis और Romano ने weakly dependent stationary observations के लिए यह प्रक्रिया प्रस्तुत की। “Stationary” शब्द अपने आप यह साबित नहीं करता कि हर financial series इस विधि की मान्यताएँ पूरी करती है।
हर नमूने में वही statistic दोबारा निकालें
Resampling से पहले statistic और data definition तय करें: जैसे हर अवधि का costs के बाद excess return, या उसी अवधि के risk-free rate के साथ Sharpe ratio। हर दोबारा चुनी गई series पर वही परिभाषा लगाएँ; लागत या time-scaling statistic का हिस्सा है तो उसका तरीका भी स्थिर रखें।
यदि एक ही तारीखों पर दो रणनीतियों के Sharpe ratio की तुलना है, तो दोनों के लिए वही समय वाले blocks एक साथ resample करें। यह paired sampling उनके returns के बीच की contemporaneous covariance बनाए रखता है, जो अंतर की अनिश्चितता के लिए महत्वपूर्ण है। Ledoit और Wolf ने Sharpe ratios के अंतर के लिए studentized time-series bootstrap confidence interval सुझाया। पहले से तय interval में शून्य शामिल हो, तो nominal confidence level पर साक्ष्य अनिर्णायक हैं; इसका अर्थ यह नहीं कि दोनों रणनीतियाँ समान सिद्ध हुईं।
Block length निर्भरता और sample विविधता में संतुलन रखती है
बहुत छोटा block उन trends या volatility clusters को बीच में तोड़ सकता है जिन्हें आप पकड़ना चाहते हैं। बहुत बड़ा block रिकॉर्ड में अलग-अलग blocks की संख्या घटाता है जिन्हें फिर से चुना जा सकता है; इससे bootstrap distribution अस्थिर या कम सटीक हो सकता है। हर data frequency, holding period या dependence pattern के लिए एक ही लंबाई सही नहीं होती।
Data frequency, dependence mechanism और लक्ष्य statistic के आधार पर fixed या expected length चुनें और कारण बताएं। उचित वैकल्पिक lengths और bootstrap विधियों पर परिणाम की sensitivity दिखाएं। Confidence interval बनाने का तरीका—जैसे percentile या studentized—भी नतीजे देखकर चुनने के बजाय पहले तय करें।
Weak-dependence की धारणा regime change नहीं संभालती
Block विधियाँ मानती हैं कि रिकॉर्ड पर्याप्त स्थिर return process के बारे में उपयोगी जानकारी देता है और dependence इस तरह घटती है कि resampling सार्थक रहे। यदि रणनीति या बाजार में बड़ा structural change आया हो, तो blocks असमान अवधियों को मिला सकते हैं। Bootstrap बाजार का बदला ढाँचा ठीक नहीं करता और ऐतिहासिक sample को भविष्य का प्रतिनिधि नहीं बनाता।
Interval समझने से पहले breaks, regime shifts, observation frequency और price marks की गुणवत्ता देखें। अनियमित observations, smoothed model prices या overlapping returns के लिए अलग परिभाषा या उपचार चाहिए हो सकता है। सामान्य stationary observations पर Künsch का jackknife और bootstrap अध्ययन पद्धति का आधार देता है; यह किसी खास series की मान्यताओं को प्रमाणित करने वाली जांच नहीं है।
रणनीति पहले तय करें और निष्कर्ष की सीमाएँ बताएं
एक तय रणनीति का confidence interval पहले कई रणनीतियों या settings में खोजकर सबसे अच्छी चुनने के असर को ठीक नहीं करता। चुनी हुई return series को अकेले resample करने से selection के पुराने निर्णय दोबारा नहीं बनते। यदि data mining से रणनीति चुनी गई हो, तो selection adjustment या out-of-sample मूल्यांकन की जरूरत पड़ सकती है। बताएं कि रणनीति रिटर्न में fees, spread, funding, borrowing और slippage शामिल हैं या नहीं।
Block bootstrap performance statistic के sample distribution का अनुमान लगाता है; यह regression coefficient के HAC standard errors से अलग है। यह अलग time horizon पर Sharpe conversion को भी ठीक नहीं करता; इस प्रश्न के लिए serial correlation और Sharpe annualization देखें। लक्ष्य-label overlap होने पर predictive models के मूल्यांकन के लिए purged cross-validation और embargo, तथा regression coefficient uncertainty के लिए robust standard errors और HAC देखें।
Künsch का stationary observations के लिए bootstrap निर्भर डेटा का सामान्य आधार बताता है। Politis और Romano का stationary bootstrap geometric block lengths प्रस्तुत करता है। Ledoit और Wolf Sharpe ratio के अंतर की robust inference पर चर्चा करते हैं।
अधिक repetitions से बाजार की जानकारी नहीं बढ़ती
Repetitions की संख्या उसी original return sample से बने synthetic samples की गिनती है, नए स्वतंत्र market observations की नहीं। Statistic और resampling design स्थिर रखते हुए repetitions बढ़ाने से bootstrap distribution के quantiles—जैसे confidence interval की सीमाएँ—अनुमानित करने में Monte Carlo noise कम हो सकता है।
लेकिन इससे छोटा original sample बड़ा नहीं होता, कई strategies में से बाद में चुनी गई strategy की selection समस्या नहीं सुलझती, और nonstationary series स्थिर नहीं बनती। Statistic, block विधि और block length तय रखें तथा repetitions की संख्या रिपोर्ट करें। संख्यात्मक सीमाओं की अधिक स्थिरता को अतिरिक्त market information न समझें।
आम सवाल
Q1क्या block bootstrap returns को स्वतंत्र बना देता है?
नहीं। यह कुछ स्थानीय dependence बनाए रखने के लिए लगातार observations से वैकल्पिक series बनाता है। निष्कर्ष इस पर निर्भर हैं कि sample संबंधित return process का कितना अच्छा प्रतिनिधित्व करता है।
Q2Block length कैसे चुनें?
हर स्थिति के लिए एक सामान्य लंबाई नहीं है। Data frequency और संभावित dependence horizon को आधार बनाएं, चयन नियम बताएं और कुछ उचित lengths पर interval की sensitivity दिखाएं।
Q3क्या Sharpe अंतर के interval में शून्य होने का मतलब है कि रणनीतियाँ बराबर हैं?
नहीं। इसका मतलब nominal confidence level पर साक्ष्य अनिर्णायक हैं। Equivalence दिखाने के लिए उसी उद्देश्य के अनुरूप तय सीमाएँ और statistical design चाहिए।
स्रोत और आगे पढ़ें
समस्या की रिपोर्ट करें
हम इस लेख का लिंक जोड़कर ईमेल तैयार करेंगे। भेजने के बाद ही Mark को आपकी रिपोर्ट मिलेगी
त्वरित जाँच
गाइड पढ़ने के बाद 3 सवालों से खुद को जाँचें
सवाल 01
Trading strategy return series में हर return को अलग-अलग resample करना क्यों अनुचित हो सकता है?
व्याख्या देखने के लिए एक उत्तर चुनें
विकल्प शब्दावली
Variation in the conditional error variance across regressor values or states, invalidating an equal-variance covariance formula.
विस्तृत गाइड पढ़ेंFamily-wise error rateThe probability of falsely rejecting at least one true null hypothesis within a predefined family of tests.
विस्तृत गाइड पढ़ें