Article SSRN en préparation
Un article complet de cette revue de douze études est en préparation pour SSRN. Les études et les résultats ci-dessous sont complets.
Revue de recherche · López de Prado
López de Prado, Reproduction & Revue
Une reproduction menée de zéro et une extension à grande échelle des méthodes de Marcos López de Prado sur les crypto-actifs, les actions américaines et le forex, chaque affirmation empirique filtrée par le Deflated Sharpe Ratio
Il s'agit d'un programme de reproduction et d'extension construit de zéro autour des méthodes de Marcos López de Prado dans Advances in Financial Machine Learning et les articles connexes, barres pilotées par l'information, différenciation fractionnaire, étiquetage financier et validation croisée, ensembles et importance des variables, construction de portefeuille, facteurs causaux, variables prédictives et dimensionnement des paris. Chaque étude reproduit l'affirmation d'origine sur un référentiel contrôlé, puis la rejoue à grande échelle sur des données réelles, intégrant tous les coûts et sans look-ahead, couvrant les crypto-actifs, les actions américaines et le forex, chaque conclusion empirique étant filtrée par le Deflated Sharpe Ratio.
Le fil conducteur honnête est simple : presque rien ne franchit le seuil de significativité déflatée, où que ce soit , ce qui est précisément la thèse de López de Prado, tandis que plusieurs de ses affirmations méthodologiques se reproduisent proprement : l'horloge d'activité amincit bel et bien les queues, la différenciation fractionnaire préserve bel et bien la mémoire, le bagging généralise bel et bien là où le boosting échoue, et un facteur de confusion peut bel et bien fabriquer un facteur à partir de rien. Ce sont des résultats de méthodologie, non des résultats de rentabilité, et ils sont présentés comme tels d'un bout à l'autre.
La revue, en chiffres
Code & données
github.com/DaruFinance/lopez-de-prado-work-review
12 études · 3 classes d'actifs
Chaque affirmation déflatée
données réelles, intégrant tous les coûts, sans look-ahead
Les études
Organisation en Méta-Stratégie
Le modèle de chaîne de montage, des rôles de recherche spécialisés et séparables, plus la divulgation obligatoire de chaque essai, comme antidote structurel à la recherche par backtest du quant solitaire.
Surajustement de Backtest & le Deflated Sharpe Ratio
Sur ~92 500 stratégies réelles en crypto, actions et forex, la meilleure ne bat son hypothèse nulle de tests multiples sur aucun marché.
Barres Pilotées par l'Information
Les barres en dollars / volume / ticks gaussianisent les rendements sur les trois marchés, dépendant de la granularité, et les actions exigent une gestion des séances.
Différenciation Fractionnaire
La différenciation fractionnaire à largeur fixe conserve une corrélation de ~0,98 avec le niveau de prix, contre ~0,01 pour les rendements bruts.
Étiquetage & Validation Croisée
La fuite en k-fold croît avec le ratio entre l'horizon d'étiquette et la taille du fold ; le meta-labeling est un filtre de précision, non de l'alpha.
Variables Prédictives
Les variables de rupture structurelle / entropie / microstructure portent un signal faible qui ne survit pas aux coûts + à la déflation ; un proxy bon marché égale des données de flux d'ordres coûteuses.
Ensembles & Importance des Variables
Le bagging généralise ~4,8× mieux que le boosting sur 100 % des 40 instruments ; le MDI souffre d'un biais de substitution, pas le MDA.
Règles de Trading & Dimensionnement des Paris
Le dimensionnement des paris réduit la rotation de 80 à 87 % mais n'ajoute aucun edge déflaté ; le contrôle de drawdown Triple-Penance AR(1) est le gain validé.
Construction de Portefeuille : HRP, NCO & Débruitage
HRP / NCO battent le Markowitz brut sur la variance hors échantillon ; la valeur du débruitage est fonction de q = T/N.
Investissement en Facteurs Causaux
Un facteur de confusion fait paraître un facteur nul significatif 100 % du temps ; l'ajustement par porte dérobée le corrige, et peu de facteurs réels survivent.
Unicité des Échantillons & Bootstrap Séquentiel
Les étiquettes triple-barrier qui se chevauchent rendent les observations non-IID ; la pondération par unicité et le bootstrap séquentiel restaurent la taille effective de l'échantillon avant l'entraînement.
ML Transversal
Les arbres franchissent le seuil de déflation en coupe transversale là où le ML mono-série échoue : le lgbm survit au Deflated Sharpe sur 10 horizons sur 10, le premier edge de ML du programme à survivre au DSR, s'approchant du meilleur archétype statique sans le battre.
Le thème de la discipline de sélection qui traverse ce programme est le même que celui derrière The edge is in the process et l'ensemble plus large des travaux présentés sur Research.