Block bootstrap en betrouwbaarheidsintervallen voor tradingstrategieën

Het historische gemiddelde rendement of de Sharpe-ratio is een schatting uit een eindige steekproef. Een betrouwbaarheidsinterval laat zien welke waarden volgens de gekozen methode en het nominale niveau met de gegevens verenigbaar zijn. Een korte geschiedenis of sterk afhankelijke reeks wordt daardoor niet informatiever.

Leg de doelstatistiek vast voordat je de uitkomst bekijkt. Dat kan het gemiddelde periodieke excessrendement zijn of een Sharpe-ratio over diezelfde perioden. Vermeld de frequentie, de risicovrije referentierente, bruto- of nettorendement na kosten en de precieze formule. Bereken voor de Sharpe-ratio het gemiddelde en de spreiding in elke replicatie opnieuw volgens dezelfde definitie.

Deze vraag verschilt van drie verwante analyses. HAC-standaardfouten schatten onzekerheid rond een regressiecoëfficiënt onder een gekozen afhankelijkheidsmodel. Sharpe-annualisatie aggregeert een statistiek over de tijd en levert op zichzelf geen betrouwbaarheidsinterval. Purged cross-validation toetst voorspelmodellen wanneer labelperioden overlappen. Hier resamplet de block bootstrap de waargenomen rendementsreeks om de spreiding van een vooraf gekozen statistiek te onderzoeken.

De gebruikelijke i.i.d.-bootstrap trekt elke waarneming onafhankelijk en met teruglegging. De tijdsvolgorde verdwijnt: op een rustige week kan in de synthetische reeks zomaar een willekeurige stressweek volgen. Ook aanhoudende fasen van rendement of volatiliteit en de afhankelijkheid tussen naburige weken gaan verloren.

Dat doet ertoe wanneer financiële rendementen autocorrelatie, volatiliteitsclusters, overlappende aanhoudperioden of andere tijdsafhankelijkheid vertonen. Een i.i.d.-steekproef kan dan een te eenvoudige verdeling van kunstmatige reeksen opleveren. Een block bootstrap bewaart de oorspronkelijke volgorde binnen elk getrokken blok; de overgangen tussen blokken blijven wel kunstmatig.

De methode herstelt geen verkeerd samengestelde rendementsreeks. Vertraagde of afgevlakte prijzen, ontbrekende financieringskosten, survivorship bias en verkeerd uitgelijnde signalen blijven problemen van de gegevens of de strategie-evaluatie.

De moving-block bootstrap (MBB) gebruikt een vaste bloklengte L. Uit een reeks van n waarnemingen maak je overlappende kandidaatblokken van telkens L opeenvolgende rendementen. Je trekt volledige blokken met teruglegging, plakt ze aan elkaar en kort het laatste blok in zodat de synthetische reeks weer n waarnemingen bevat.

De stationaire bootstrap trekt ook aaneengesloten waarnemingen, maar gebruikt willekeurige bloklengten. Na de start van een blok gaat de reeks met kans 1 − 1/L verder; met kans 1/L begint een nieuw blok vanaf een willekeurig startpunt. De bloklengte heeft een geometrische verdeling met de gekozen L als verwachtingswaarde. De grenzen variëren, terwijl L de gemiddelde lengte stuurt van de afhankelijkheid die je probeert te behouden.

Voor beide methoden moet je bloklengte en randbehandeling kiezen. Pas L niet achteraf aan totdat het interval de gewenste vorm heeft. Künsch behandelt resampling van stationaire waarnemingen; Politis en Romano beschrijven de stationaire bootstrap met geometrisch verdeelde bloklengten.

Noem de vier waargenomen weekrendementen, in volgorde, r1, r2, r3 en r4. Bij een MBB met L = 2 zijn de mogelijke overlappende blokken (r1, r2), (r2, r3) en (r3, r4). Dit voorbeeld laat alleen zien hoe de trekking werkt; het zegt niets over de prestaties van een strategie.

Een synthetische reeks van vier waarnemingen kan bestaan uit het getrokken blok (r2, r3), gevolgd door (r1, r2). De volgorde van de twee weken binnen elk blok blijft intact. De sprong van r3 naar r1 is een kunstmatige blokgrens, geen waargenomen marktbeweging.

In een echte analyse genereer je veel van zulke reeksen en bereken je voor elke reeks dezelfde vooraf vastgelegde statistiek opnieuw. Voor een toepassing is doorgaans een veel langere geschiedenis nodig; vier waarnemingen dienen hier alleen om het algoritme uit te leggen.

Genereer veel synthetische reeksen met dezelfde lengte. Bereken voor elke reeks opnieuw het gemiddelde excessrendement of de gekozen Sharpe-ratio. Zo ontstaat een bootstrapverdeling van de statistiek. Een eenvoudig percentielinterval gebruikt de onderste en bovenste kwantielen. BCa- en studentized-intervallen zijn alternatieven met eigen aannames en rekenkeuzes.

Vermeld het betrouwbaarheidsniveau, het aantal replicaties, de resamplingmethode, bloklengte, randbehandeling en het intervaltype. Meer replicaties verlagen de numerieke ruis van het algoritme, maar vergroten niet het aantal onafhankelijk waargenomen marktfasen.

Bevat een tweezijdig interval voor het gemiddelde excessrendement nul, dan zijn op het gekozen nominale niveau ook waarden boven nul, dicht bij nul en mogelijk onder nul verenigbaar met gegevens en methode. Dat bewijst niet dat het ware rendement nul is, en evenmin dat twee strategieën gelijkwaardig zijn. Het betekent dat deze steekproef onder de gemaakte aannames geen scherpere conclusie ondersteunt.

Bij een directe vergelijking zijn de rendementen van twee strategieën doorgaans gekoppeld: beide zijn in dezelfde marktweken waargenomen. Trek daarom in elke replicatie dezelfde tijdsblokken gezamenlijk voor beide reeksen. Bereken vervolgens beide Sharpe-ratio’s en hun verschil binnen diezelfde replicatie.

Trek je de blokken voor elke strategie afzonderlijk, dan verbreek je de gelijktijdige covariantie tussen de reeksen. Daardoor kan de onzekerheid van het verschil verkeerd worden weergegeven. Gezamenlijk trekken behoudt de gedeelde tijdsstructuur die in de gegevens zit. Ledoit en Wolf onderzoeken bootstrapbetrouwbaarheidsintervallen voor Sharpe-ratio’s en verschillen tussen Sharpe-ratio’s bij afhankelijke rendementen.

Leg vooraf vast of je een hogere Sharpe-ratio, een verschil of een andere statistiek vergelijkt. Gebruik dezelfde rendementfrequentie, waarderingsperiode en consistente verwerking van kosten en financiering. Bevat het interval van het Sharpe-verschil nul, dan tonen deze steekproef en methode geen overtuigend verschil aan; gelijkheid is daarmee niet bewezen.

Een te kort blok kan kortetermijnafhankelijkheid en volatiliteitsclusters missen. Een te lang blok laat minder effectief verschillende blokcombinaties over en kan een onnauwkeurige bootstrapverdeling geven. Toon daarom hoe de uitkomst verandert bij meerdere plausibele lengten, onderbouwd met de gegevensfrequentie en de duur van de afhankelijkheid.

De gebruikelijke methoden veronderstellen een voldoende stabiele, zwak stationaire afhankelijke verdeling, of andere afhankelijkheidsvoorwaarden die een asymptotische rechtvaardiging geven. Een duidelijke structurele breuk of regimewisseling kan deze aannames schenden. Een lange geschiedenis in één bootstrap mengen kan perioden samenvoegen die niet uit hetzelfde proces komen. Onderzoek zo nodig afzonderlijke perioden of gebruik een expliciet regimeontwerp in plaats van één statistiek als robuust te bestempelen.

Controleer ook of signaalvorming, parameterkeuze of strategie-selectie op dezelfde gegevens berustte. Een bootstrapinterval voor een al geselecteerde strategie corrigeert dat snooping of meervoudig toetsen niet vanzelf. Voor selectie en voorspeltoetsing zijn aanvullende methoden nodig, zoals een apart chronologisch holdoutvenster of passende purged cross-validation.

Leg de bron en periode van de rendementen vast, samen met frequentie, bruto- of nettobasis, risicovrije rente, Sharpe-definitie, resamplingmethode, bloklengte en intervaltype. Toon plausibele gevoeligheidsvarianten, het aantal replicaties en bij meerdere strategieën of dezelfde blokken gekoppeld zijn getrokken. Zet de statistiek naast drawdown, liquiditeit, kosten en databeperkingen.

Een interval op basis van historische rendementen is geen voorspelling of garantie. Het is afhankelijk van de waargenomen reeks, de gekozen strategie, kostenveronderstellingen en het resamplingmodel. Het voorspelt niet welk rendement de komende week oplevert en is geen persoonlijk beleggingsadvies.

Lees verder: robuuste standaardfouten en HAC gaan over regressiecoëfficiënten; Sharpe-ratio en seriële correlatie gaan over aggregatie door de tijd; purged cross-validation en embargo gaan over modelvalidatie.

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

Meer bootstrapreplicaties kunnen Monte-Carlo-ruis in geschatte kwantielen verlagen: bij dezelfde steekproef, statistiek en resamplingregels schommelen de intervalgrenzen doorgaans minder door het toeval van het algoritme. De extra trekkingen voegen echter geen onafhankelijke marktwaarnemingen toe aan de oorspronkelijke rendementsreeks. Ze maken een korte, vooraf geselecteerde of niet-stationaire steekproef niet representatiever en herstellen die tekortkomingen niet. Houd statistiek, methode, bloklengte en randbehandeling vast; extra trekkingen verfijnen alleen de numerieke benadering binnen datzelfde ontwerp.