जोखिम और मापन

बैकटेस्ट में सालाना 15% रिटर्न देने वाली एक रणनीति ने लाइव होने पर मात्र 2.3% दिया — और 2014 में Bailey और Lopez de Prado के अध्ययन ने दिखाया कि इस तरह का अंतर अपवाद नहीं बल्कि सामान्य बात है। कारण बदकिस्मती नहीं है। यह गलत मापन है।

जिन मेट्रिक्स पर हम भरोसा करते हैं वे अक्सर भ्रामक होते हैं

शार्प रेशियो, क्वांटिटेटिव फाइनेंस में सबसे अधिक उद्धृत संख्या, यह मानता है कि रिटर्न सामान्य वितरण का पालन करते हैं। व्यवहार में, ऐसा शायद ही होता है। ऑप्शन-जैसे पेऑफ, टेल रिस्क एक्सपोज़र, या लीवरेज वाली रणनीतियां ऐसे शार्प रेशियो दिखा सकती हैं जो तब तक बेहतरीन लगते हैं जब तक एक विनाशकारी ड्रॉडाउन यह उजागर नहीं कर देता कि मेट्रिक क्या छिपा रहा था। एक रणनीति जो लगातार छोटे लाभ कमाती है लेकिन कभी-कभार विनाशकारी नुकसान झेलती है, वह वास्तव में जितनी है उससे कहीं अधिक सुरक्षित दिख सकती है।

जब शार्प रेशियो सही ढंग से मापा भी जाता है, तब भी सिलेक्शन बायस इसे बढ़ा देता है। यदि आप सौ रणनीति भिन्नताओं का परीक्षण करते हैं और सबसे अच्छी रिपोर्ट करते हैं, तो जीतने वाला शार्प रेशियो लगभग निश्चित रूप से बढ़ा-चढ़ाकर दिखाया गया है। Bailey और Lopez de Prado द्वारा प्रस्तुत डिफ्लेटेड शार्प रेशियो परीक्षणों की संख्या को समायोजित करके इसे ठीक करता है — एक सुधार जो कई "प्रभावशाली" परिणामों को सांख्यिकीय शोर में बदल देता है।

बैकटेस्टिंग प्रमाण नहीं है

बैकटेस्ट और लाइव प्रदर्शन के बीच का अंतर क्वांटिटेटिव फाइनेंस में सबसे अच्छी तरह प्रलेखित घटनाओं में से एक है। ऐतिहासिक डेटा पर ओवरफिटिंग, ट्रांजैक्शन कॉस्ट की अनदेखी, और मार्केट इम्पैक्ट को मॉडल करने में विफलता — ये सब मिलकर कागजी रिटर्न को वास्तविकता से बेहतर दिखाते हैं। Harvey, Liu और Zhu ने तर्क दिया कि इस क्षेत्र में परीक्षित परिकल्पनाओं की भारी संख्या को देखते हुए, 2.0 की पारंपरिक t-स्टैटिस्टिक सीमा बहुत कम है। उनकी प्रस्तावित 3.0 की सीमा अधिकांश झूठी खोजों को छान देती है।

नींव के रूप में मापन

ईमानदार जोखिम मापन कोई गौण चिंता नहीं है — यह वह नींव है जिस पर क्वांटिटेटिव निवेश का हर दूसरा निर्णय टिका है। पोजीशन साइजिंग वोलैटिलिटी अनुमानों पर निर्भर करती है। रणनीति चयन ड्रॉडाउन विश्लेषण पर निर्भर करता है। पोर्टफोलियो निर्माण सहसंबंध मापन पर निर्भर करता है। जब इनमें से कोई भी इनपुट गलत होता है, तो बाद के निर्णय त्रुटि को और बढ़ाते जाते हैं।

इस खंड के लेख जोखिम मापन के उपकरणों और जालों का विश्लेषण करते हैं: शार्प रेशियो वास्तव में आपको क्या बताता है (और क्या नहीं बताता), अधिकतम ड्रॉडाउन उन जोखिमों को कैसे उजागर करता है जो विचरण-आधारित मेट्रिक्स चूक जाते हैं, वोलैटिलिटी टार्गेटिंग रिटर्न को कैसे स्थिर कर सकती है, और ट्रांजैक्शन कॉस्ट बैकटेस्टेड अल्फा को कैसे चुपचाप खत्म करती है। लक्ष्य मात्रात्मक विश्लेषण को हतोत्साहित करना नहीं बल्कि इसे अधिक कठोर बनाना है — क्योंकि इस क्षेत्र में, आपके मापन की गुणवत्ता आपके परिणामों की गुणवत्ता निर्धारित करती है।