自舉夏普比率
此處提出了與此類似的問題：
我已經引導了原始時間序列（使用塊引導），現在已經計算了這些引導序列的夏普比率，給了我對夏普比率的引導估計。
100 個夏普比率中只有一個小於零，所以我可以說夏普比率是 99% 的機率為正嗎？
還有關於使用多少個 booststrap 重採樣的經驗法則嗎？100夠嗎？
還是我錯過了什麼？
巴茲
Bootstrap 是一種非常有趣的方法來獲得任何估計器的變異數。這意味著您可以依靠它來獲得夏普比率 (SR) 的變異數，但您嘗試做的是從它的分佈中推斷出一些東西（為正的機率）。
從方法論的角度來看，如果您以“標準”方式提升您的 SR （即隨機化您的基礎數據樣本），您將創建沒有意義的虛擬數據樣本：將昨天的 SR 與 2 年的 SR 混合在一起意味著什麼之前沒有考慮到中間的那些？您嘗試引導時間序列，它要微妙得多，已經設置了一些技術來做到這一點。或多或少，你必須對它們應用一個滑動核心（當然你可以做更微妙的事情來獲得你自舉統計的最佳統計屬性），即保持因果關係。
關於引導程序某些方面的論文Lectures提供了最需要的細節。
此外，一個細節：如果您專注於夏普比率的統計數據，則無需處理夏普比率本身，您的分子符號就足夠了。
這是一個有趣而微妙的問題。你正在測試一種交易策略，對吧？據推測，它需要一些時間序列屬性。如果你做一個獨立的引導程序，你會搞砸這些。
同時，獨立有利於觀察某些方面（例如，動量策略在多個層面上的偏度）。除此之外，您可能需要考慮塊引導程序或其他依賴引導程序。
最簡單形式的 CBB（循環塊引導程序）
- 獲取數據，排成一圈（以避免端點問題），以及
- 對於您的塊大小 N，您在原始數據集中選擇隨機起點（在一個圓圈上）
- 用接下來的 N 個數據點填充 bootstrap，直到 bootstrap 樣本與原始樣本大小相同。
然後執行您的策略併計算夏普比率。由此，您可以得到夏普比率的分佈
挑戰在於選擇正確的塊大小。通常，這是參考原始時間序列的自相關函式來完成的。
關於夏普比率的非自舉統計，Andy Lo 有一篇名為The Statistics of Sharpe Ratios的論文，值得一看。對於 IID，它們是 t 分佈。對於非獨立同分佈，需要一個 HAC 變異數估計器。