Lab · démos pédagogiques

Le signal est collectif

Démos reproductibles derrière l'article : comment un minuscule edge partagé invisible au niveau de la stratégie devient un signal confiant au niveau du portefeuille.

Les mathématiques

Considérez N stratégies dont les rendements en excès par période partagent un signal commun ε et une structure de bruit à un facteur :

x_{i, t} = ε + ρ F_{t} + 1 - ρ Z_{i, t}, F_{t}, Z_{i, t} \sim iid N (0, 1) .

Chaque x_i,t a une moyenne ε, une variance 1, et une corrélation par paires ρ. Le ratio de Sharpe de toute stratégie individuelle est moyenne / std = ε ; sur T périodes, la statistique-t est

t_{strategy} = T ε .

Formez maintenant le portefeuille à pondération égale

\overset{x}{ˉ}_{t} = \frac{1}{N} i = 1 \sum N x_{i, t} = ε + ρ F_{t} + 1 - ρ \overset{ˉ}{Z}_{t},

où $\overset{ˉ}{Z}_{t} = \frac{1}{N} \sum_{i} Z_{i, t}$ a une variance 1/N. La moyenne du portefeuille est toujours ε. Sa variance, en revanche, s'est rétrécie :

Var (\overset{x}{ˉ}_{t}) = ρ + \frac{1 - ρ}{N} = \frac{1 + ( N - 1 ) ρ}{N} .

Donc la statistique-t du portefeuille sur T périodes est

t_{portfolio} = \frac{T ε}{( 1 + ( N - 1 ) ρ ) / N} = T ε \frac{N}{1 + ( N - 1 ) ρ} .

Le facteur de diversification √(N / (1 + (N−1)ρ)) est ce qui fait le travail. Lorsque ρ → 0 il croît comme √N ; lorsque ρ → 1 il sature à 1. Pour un ρ = 0,05 modeste et N = 50 le facteur vaut ≈ 5,0, donc le t-stat du portefeuille est cinq fois le t-stat par stratégie.

Pourquoi c'est l'affirmation centrale de l'article, mathématiquement

La stratégie et le portefeuille sont calculés à partir des mêmes données. Ils échantillonnent le même bruit. Le signal ε est identique dans les deux. Ce qui change entre eux est purement la variance du bruit, le rapport signal-bruit s'échelonne par le facteur de diversification. C'est la démonstration jouet de l'affirmation empirique dans Edge is in the Process : au niveau de la stratégie, ε est indétectable ; au niveau du portefeuille, le même ε est un edge statistiquement fiable.

Exemple détaillé

Prenez N = 50, T = 252, ε = 0,04, ρ = 0,05. Insérez dans les formules :

E[t_strategy] = √252 · 0,04 ≈ 0,635. L'histogramme empirique des t-stats de stratégie a un pic près de cette valeur avec un écart-type ≈ 1 ; la fraction positive est de ~74 %, la fraction > 2 est < 5 %.
E[t_portfolio] = 0,635 · √(50 / (1 + 49·0,05)) = 0,635 · √(50 / 3,45) ≈ 2,42. La fraction positive empirique est > 99 % ; la fraction > 2 est autour de 65 %.

La démo interactive ci-dessous confirme ces nombres en temps réel. Ramenez ε à zéro et regardez les deux distributions s'effondrer sur la normale standard, l'avantage de diversification disparaît lorsqu'il n'y a aucun signal partagé à extraire.

Demo: The signal is collective

Per-period model: x_i = ε + √ρ · F + √(1−ρ) · Z_i. Same ε goes into every strategy; portfolio averages dilute idiosyncratic noise.

N strategies50

T periods252

ε (signal)0.040

ρ (cross-corr)0.05

trials2000

seed=9

E[t] strategy

0.63

E[t] portfolio

2.42

mean t̂, strat

0.66

mean t̂, port

2.43

P(t > 0) strat

75%

P(t > 0) port

99%

P(t > 2) strat

8.9%

P(t > 2) port

66.6%

Gray: distribution of t̂ across 2000 draws of a single random strategy. Amber: distribution of t̂ across 2000 draws of an N=50 equal-weight portfolio of strategies, same data-generating process. The mean of the amber distribution exceeds the gray by exactly the diversification factor √(N / (1 + (N−1)ρ)).

Figures

Fig. 1:Le modèle jouet rendu empirique sur données réelles, avec une étape délibérée de présélection : les 39 stratégies BTC montrées sont le quartile supérieur du pool par P&L moyen quotidien, mis à l'échelle par le std par stratégie. Ce n'est pas une moyenne naïve sur le pool complet, le travail de production utilise un filtre propriétaire bien plus puissant. La forme est l'essentiel : les stratégies individuelles (spaghetti gris clair) sont bruitées et beaucoup passent des années sous l'eau ; la moyenne de la population à pondération égale (ambre) compose le petit drift positif partagé en une trajectoire ascendante nette.

Fig. 2:Statistique-t empirique du portefeuille à mesure que N croît de 1 à 39, moyennée sur 80 sous-échantillons aléatoires par N (bande : 10-90 % entre tirages). La courbe sarcelle en tirets est l'échelonnement théorique t₁ · √(N / (1 + (N−1)ρ̄)) avec la corrélation par paires moyenne empirique ρ̄ ≈ 0,08. Le t mono-stratégie ≈ 0,47, une stratégie que vous rejetteriez comme bruit, s'élève à t ≈ 1,4 à N = 39, suivant exactement la prédiction du facteur de diversification.

Pourquoi cela compte pour les stratégies systématiques

Le modèle jouet est une simplification excessive, les rendements réels de stratégies ne sont pas conjointement gaussiens avec un ρ constant, mais l'affirmation qualitative est robuste. Tant qu'une population de stratégies a un quelconque signal partagé de moyenne positive qui n'est pas parfaitement corrélé entre les stratégies, la pondération égale (ou toute pondération sensée) l'amplifie. Le corollaire est que la sélection de stratégies par statistiques-t individuelles jette l'amplification : vous ne gardez que les stratégies qui sont individuellement significatives, mais les stratégies qui portent le plus de signal ne sont typiquement pasindividuellement significatives, elles sont individuellement façonnées pour extraire un petit morceau de l'edge partagé.

C'est pourquoi le pipeline de production de la firme ne sélectionne jamais les stratégies sur la significativité statistique individuelle. Il sélectionne sur des statistiques de population conditionnées par filtre, le diagnostic propriétaire de confiance de régime de Daru Finance, le Sharpe conditionnel au régime, le sous-ensemble à FDR contrôlé sous M/02. Le signal vit dans le collectif.

Reproductibilité

DaruFinance / signal-is-collective

Python · implémentation de référence open-source

Invocation minimale

import numpy as np
from signal_is_collective import simulate

results = simulate(N=50, T=252, eps=0.04, rho=0.05, trials=2000, seed=9)
print(f"Mean strategy t = {results.strategy_t.mean():.2f}")
print(f"Mean portfolio t = {results.portfolio_t.mean():.2f}")
# Reproduces the article's headline numbers exactly.

Références

[1]Gatto, D. V. (2026). Edge is in the Process. Daru Finance Research Notes.
[2]Sharpe, W. F. (1994). The Sharpe ratio. Journal of Portfolio Management 21(1), 49–58.
[3]Fama, E. F. (1976). Foundations of Finance. Basic Books, New York.

Tous les projets Voir sur GitHub