Cómo combinar diferentes estrategias en un backtest (e IRL)

Question

Estoy intentando combinar estrategias largas y cortas en una estrategia L/S en mi programa de backtesting.

La forma en que tengo mi backtester configurado es que toma un signals (ya sea de una estrategia corta o larga). Que signals le indica al programa de backtesting la asignación deseada para cada ticker de mi universo en cada turno. Basándose en las asignaciones deseadas, las posiciones actuales y el valor de la cuenta, el programa de backtesting genera órdenes y las simula.

Para obtener un backtest combinado, no creo que el simple hecho de promediar o sumar las señales de diferentes estrategias sea una buena idea en mi caso. Las señales no están estandarizadas entre las estrategias y actúan más como un indicador de rango (dentro de una estrategia).

Creo que un camino a seguir es que cree una cuenta virtual para cada estrategia, de manera que el backtester las maneje por separado y luego agrupe las órdenes y los retornos emitidos. Sin embargo, no estoy seguro de si debo compartir la posición de efectivo entre estas cuentas virtuales. Tampoco está claro cómo gestionar la exposición (en cada estrategia y en general). Por ejemplo, si las órdenes de las dos estrategias empiezan a anularse mutuamente, creo que mi exposición sería inferior al objetivo. Además, una estrategia podría empezar a sobreponerse a la otra. Tampoco estoy seguro de que este enfoque se generalice bien a más de dos estrategias / cuentas virtuales.

Otra cosa que puedo hacer es entrenar otro modelo que combine las señales. Pero prefiero esperar a hacerlo, ya que necesitaría datos adicionales. Además, preferiría tener primero un modelo plano que funcione (para tenerlo como base) antes de intentar el apilamiento.

Creo que debe haber una forma preferida establecida para lograr lo que estoy tratando de hacer, pero no pude encontrar mucha información sobre el tema. Si usted tiene alguna experiencia con esto, por favor comparta sus pensamientos. Cualquier consejo sería útil.

Gracias.

Answer 1

Existen varios enfoques posibles para asignar pesos a las diferentes estrategias de una cartera.

Probablemente, la primera pregunta diferenciadora más importante es si se tiene la misma confianza en todas las estrategias. Es decir, ¿es el Ratio de Información esperado (o simplemente la rentabilidad esperada, si todas tienen un nivel de volatilidad similar) igual para todas las estrategias? Si la respuesta es afirmativa, entonces debería concentrarse únicamente en la diversificación eficiente (ya que la rentabilidad esperada de su cartera no cambia a través de la ponderación, pero el riesgo sí). Si la respuesta es negativa, entonces debería incorporar también sus opiniones sobre los rendimientos esperados.

En teoría, la optimización de la media-varianza es siempre el camino a seguir para maximizar el ratio de Sharpe de su cartera. Sin embargo, en la práctica, debido a los errores de medición de las covarianzas y, sobre todo, a la excesiva varianza de los rendimientos esperados entre los distintos activos/estrategias, a menudo se obtienen carteras MVO insatisfactorias. Por ello, en la práctica se suelen utilizar diferentes simplificaciones para llegar a una cartera aceptable. Algunos de los métodos más comunes son:

1. Ponderación igual: se asigna a cada estrategia/activo el mismo peso. Esta cartera es eficiente en términos de varianza media si todas las estrategias/activos tienen correlaciones uniformes y los mismos ratios de información esperados.

2. Varianza mínima: las ponderaciones se asignan para minimizar la varianza total de la cartera. Esta cartera es eficiente en cuanto a la varianza media, si todas las estrategias o activos tienen la misma rentabilidad esperada.

3. Máxima diversificación: las ponderaciones se asignan de forma que se maximice el ratio de diversificación de la cartera (es decir, el ratio entre la suma ponderada de la varianza esperada de los componentes frente a la varianza esperada de la cartera). Esta cartera es eficiente en cuanto a la varianza media si todas las estrategias o activos tienen el mismo coeficiente de información esperado.

4. Igualdad de contribución al riesgo (ERC): las ponderaciones se asignan de forma que cada estrategia/activo contribuya en la misma medida a la varianza total de la cartera. Esta cartera no es eficiente en cuanto a la varianza media bajo ningún conjunto generalizado de supuestos. El método sigue siendo bastante utilizado como método de diversificación para carteras long-short, ya que las carteras tienden a estar "bien equilibradas" y no son tan sensibles a los errores en las estimaciones de covarianza.

5. Optimización de la media-varianza: las ponderaciones se asignan de forma que se maximice la relación de información esperada, dadas las covarianzas esperadas explícitas y los rendimientos esperados. En teoría, éste es siempre el mejor método (y el único mencionado aquí, que permite la modelización explícita de los rendimientos esperados), pero es realmente sensible a los errores en las covarianzas esperadas y los rendimientos esperados. En este caso, suele ser necesario algún tipo de modelización más avanzada de las covarianzas esperadas, en lugar de limitarse a utilizar la covarianza de la muestra histórica, para obtener algo sensato.

Especialmente, en el caso de las estrategias long-short, las técnicas utilizadas para estimar las matrices de covarianza (y especialmente los rendimientos esperados, si es el caso) son un área de investigación activa en sí misma, y a menudo son tan importantes como el propio método.