Можно ли умножить месячный коэффициент Шарпа на √12?

Коэффициент Шарпа — это средняя избыточная доходность за период, делённая на стандартное отклонение доходности за тот же период. Для месячного ряда избыточная доходность каждого месяца равна доходности стратегии за месяц минус безрисковая ставка за сопоставимый месяц. Нельзя без пересчёта вычитать годовую безрисковую ставку из месячной доходности.

Это описательная выборочная оценка, а не вероятность, гарантия прибыли или обещание избежать убытка. Значение меняется, если поменять определение доходности, частоту наблюдений, период выборки или способ учёта издержек.

Шарп объяснял коэффициент как сопоставление вознаграждения и изменчивости, а также описывал предпосылки пересчёта к годовому горизонту. В его разборе коэффициента Шарпа проверяйте и единицу времени, и знаменатель.

Если месячные избыточные доходности имеют стабильные среднее и дисперсию, а доходности разных месяцев некоррелированы, среднее за 12 месяцев равно 12 месячным средним, а дисперсия суммы — 12 месячным дисперсиям. Стандартное отклонение тогда увеличивается в √12 раз, и годовой коэффициент получается умножением месячного на √12. Независимость и одинаковое распределение (IID) — достаточное, но не единственно возможное условие нулевой корреляции.

Ключевое требование — нулевые ковариации между месяцами наряду со стабильностью среднего и дисперсии. В пояснении Шарпа к пересчёту прямо рассматривается условие нулевой корреляции. При автокорреляции доходности стандартное отклонение годовой суммы обычно не следует правилу √12.

Обозначим месячную избыточную доходность через x_t, её среднее через μ, а ковариацию с лагом k через γ_k = Cov(x_t, x_{t-k}). γ_0 — месячная дисперсия. При ковариационной стационарности дисперсия суммы q месячных доходностей равна:

Var(Σ x_t) = qγ_0 + 2Σ_{k=1}^{q−1}(q−k)γ_k

Автокорреляция на лаге k — это ρ_k = γ_k / γ_0. Среднее суммы равно qμ, поэтому коэффициент Шарпа на горизонте q периодов записывается так:

SR_q = √q × SR_1 / √[1 + 2Σ_{k=1}^{q−1}(1−k/q)ρ_k]

Эта поправка на агрегацию во времени выведена в работе Ло (2002), «The Statistics of Sharpe Ratios». В ней учитываются разные лаги с убывающими весами, а не только корреляция первого порядка.

Числа ниже выбраны только для иллюстрации механики. Это не прогноз и не фактическая доходность. Пусть средняя месячная избыточная доходность равна 0,4%, а стандартное отклонение — 2%. Тогда месячный коэффициент Шарпа равен 0,004 ÷ 0,02 = 0,20.

Если предположить отсутствие автокорреляции, наивный годовой пересчёт даст 0,20 × √12 ≈ 0,693. Теперь предположим модель AR(1), где корреляция первого лага ρ_1 = 0,25. Только в рамках этой модели более дальние лаги равны ρ_k = 0,25^k. Подстановка лагов с первого по одиннадцатый даёт знаменатель поправки примерно 1,262.

С поправкой годовой коэффициент равен 0,20 × √12 ÷ 1,262 ≈ 0,549. Это не расчёт, в котором 0,25 принято за корреляцию каждого лага. Геометрическая последовательность корреляций — допущение AR(1) для данного примера, а не универсальное описание стратегий.

Серийная зависимость может отражать реальную устойчивость или разворот доходности. Она также может возникать при перекрывающихся периодах удержания, сглаживании оценок, запаздывающих или устаревших ценах неликвидных активов. Такие эффекты способны искусственно сгладить наблюдаемый ряд.

Зависимость могут создавать и параметры стратегии: длительность позиции, частота ребалансировки, перекрытие сигналов. До вывода о «полезной устойчивости» выясните, вызвана ли автокорреляция экономическим механизмом или правилами оценки и выборки.

Если корреляция связана со сглаженными оценками, наблюдаемая волатильность может недооценивать риск. Одна формула не исправит качество цен или оценок. Сначала проверьте временные метки, источники цен и перекрытие периодов.

Сохраняйте единое определение доходности, валюту, период и частоту выборки. Безрисковая ставка должна соответствовать частоте доходности. Укажите, используется ли доходность до или после расходов, учтены ли дивиденды, комиссии, финансирование и кредитное плечо. Если менять учёт затрат по ходу расчёта, меняется и сравниваемый показатель.

Формула выше относится к аддитивной сумме q периодических избыточных доходностей при предпосылках вроде ковариационной стационарности. Она не тождественна автоматически фактической доходности за календарный год, рассчитанной сложным процентом. Не смешивайте сложный процент с аддитивной агрегацией без пояснения.

Фиксируйте также веса портфеля, денежный остаток, нереализованный результат и одновременные позиции. Описание того, что именно измерено и с какой частотой, помогает воспроизвести расчёт.

На короткой выборке оценки автокорреляции могут сильно колебаться. Для дальних лагов доступно меньше наблюдений, поэтому поправка, включающая много оценённых лагов, тоже может быть нестабильной. Наличие корреляции на первом лаге само по себе не доказывает модель AR(1).

Указывайте длину выборки, число лагов, метод оценки автокорреляции и способ годового пересчёта. Покажите чувствительность результата к разумным альтернативным числу лагов или методу. При сравнении стратегий полезны доверительные интервалы или другая оценка неопределённости, чтобы не переоценивать небольшие различия.

Подстановка оценённых корреляций как будто это известные константы создаёт ложную точность. Чем меньше данных, тем важнее рядом с результатом раскрыть предпосылки и неопределённость.

Корректировка временной агрегации не устраняет выбор лучшей стратегии из сотен попыток, подглядывание в данные или нестационарность. Среднее, дисперсия и корреляции могут измениться, если будущая рыночная среда отличается от периода выборки.

Сам коэффициент Шарпа отдельно не описывает хвостовые убытки, резкие просадки, кредитное плечо, ликвидность и расходы на исполнение. Более высокий скорректированный коэффициент не доказывает, что стратегия безопаснее или покажет лучшие результаты в будущем. Рассматривайте другие периоды, жёсткие предположения об издержках и максимальную просадку.

Для различия между способами агрегировать доходность см. арифметическую и геометрическую среднюю доходность. Траекторию убытков разбирает статья о максимальной просадке и восстановлении. Риск подгонки моделей объясняет материал о компромиссе смещения и дисперсии в финансовых моделях.

Перед тем как приводить годовой коэффициент Шарпа, зафиксируйте данные, необходимые для воспроизведения расчёта.

• Укажите частоту доходности, период и число наблюдений.
• Опишите избыточную доходность и безрисковую ставку той же частоты.
• Раскройте учёт валовых или чистых затрат, дивидендов, финансирования и плеча.
• Объясните, умножали ли результат на √q и какие лаги вошли в поправку.
• Разведите аддитивную агрегацию и сложную доходность; покажите неопределённость оценок.

Если в отчёте написано только «месячный Шарп × √12», сначала проверьте предпосылку нулевой корреляции. Без данных о зависимости доходностей и ограничениях оценивания нет оснований считать показатель точной мерой годового результата с поправкой на риск.