Je vais vous expliquer comment utiliser la régression linéaire pour gagner tous vos trades, construire un véritable signal alpha et partager le code gagnant exact.
Allons droit au but.
À mettre en favori
- Je suis Roan, développeur backend travaillant sur la conception de systèmes, l'exécution de type HFT et les systèmes de trading quantitatif. Mon travail se concentre sur la façon dont les marchés de prédiction se comportent sous charge. Pour toute suggestion, collaboration réfléchie, partenariat, mes DM sont ouverts.
Chaque quant a une version de cette histoire.
Vous passez une semaine sur un modèle. Le backtest est parfait, la courbe des capitaux pointe vers le haut et vous pensez avoir enfin trouvé. Vous passez en live. Deux semaines plus tard, vous perdez de l'argent sans savoir pourquoi.
J'ai vu ce cycle mettre fin à plus de carrières de quants que n'importe quel krach boursier. Le modèle n'a jamais été réel. C'était du bruit déguisé en signal. Et la compétence la plus précieuse dans tout ce domaine est d'apprendre à les distinguer avant de risquer un seul dollar.
Cette compétence commence par l'outil le plus sous-estimé de la finance quantitative.
La régression linéaire.
Je sais ce que ça évoque. La régression linéaire, c'est ce que tout le monde croit avoir appris en un après-midi et qu'on laisse derrière soi. Mais voici ce qu'il m'a fallu des années et de vraies pertes pour comprendre. Les gens qui gèrent des milliards dans les meilleures firmes n'utilisent pas des monstres d'apprentissage profond exotiques pour la plupart de leurs signaux de base. Ils utilisent la régression linéaire, comprise bien plus profondément que la plupart des gens ne vont jamais, appliquée avec une discipline que la plupart des gens ne construisent jamais.
Regardez l'opération de trading la plus réussie de l'histoire.
Jim Simons a bâti Renaissance Technologies sur cette base exacte. Son Medallion Fund a réalisé en moyenne environ 66 % de rendement annuel brut de 1988 à 2018, le meilleur record jamais enregistré. Et d'après sa propre équipe, le fonds n'avait raison que sur environ 50,75 % de ses trades. Sur des millions de trades, cette marge infime, composée, a donné plus de 100 milliards de dollars. Ils ne prédisaient pas l'avenir. Ils extrayaient un signal minuscule, réel et reproductible d'un océan de bruit, exactement ce pour quoi la régression est conçue.
AQR, qui gère aujourd'hui environ 179 milliards de dollars, a construit son empire sur des modèles factoriels basés sur la régression.
PDT Partners a fait de l'arbitrage statistique pendant des années sans une seule année négative.
Voici la version de la régression linéaire qu'on ne vous a jamais enseignée.
À la fin de cet article, vous comprendrez ce qu'est vraiment la régression linéaire, ce que signifie réellement l'alpha, comment construire un signal mono et multi-facteurs à partir de zéro avec du vrai code, comment lire une sortie de régression comme un chercheur institutionnel, les tests exacts qui séparent un vrai signal d'une coïncidence, et pourquoi même un vrai signal finit par mourir.
Note : Cet article est délibérément long et chaque partie repose sur la précédente. Si vous êtes sérieux au sujet de la construction de signaux qui survivent aux marchés réels, lisez chaque mot. Si vous voulez un indicateur magique, ce n'est pas pour vous.
Partie 1 : Ce qu'est réellement la régression linéaire
La régression linéaire trouve la seule ligne droite qui se tient au plus proche de tous les points de données à la fois.
Oubliez la finance un instant.
La régression linéaire n'est que la mathématique pour tracer la meilleure ligne droite à travers un nuage de points.
Imaginez tracer la taille d'une maison par rapport à son prix. Les plus grandes maisons coûtent plus cher, donc les points montent. La régression linéaire trouve la seule ligne droite qui se tient au plus proche de tous ces points à la fois. Donnez la taille d'une nouvelle maison et vous lisez son prix prédit. C'est toute l'idée. C'est une machine qui apprend la relation entre une entrée et une sortie, puis l'utilise pour prédire.
Andrew Ng ouvre son célèbre cours de machine learning de Stanford avec cet exemple exact du prix des maisons, car c'est l'algorithme d'apprentissage le plus simple qui soit et le fondement sur lequel tout le reste se construit.
La ligne a la formule que vous connaissez déjà de l'école :
y = a + b x
Ici, y est ce que vous prédisez, x est votre entrée, b est la pente, à quel point y monte quand x monte, et a est l'ordonnée à l'origine, la valeur de y quand x est nul. La méthode qui trouve les meilleurs a et b est la méthode des moindres carrés ordinaires (OLS). Parmi toutes les lignes possibles, l'OLS choisit celle qui rend la somme des carrés des écarts entre la ligne et les points réels aussi petite que possible. Au carré, donc les écarts au-dessus et en dessous comptent tous les deux, et les gros écarts sont bien plus pénalisés que les petits.
Vous pouvez voir le tout en quelques lignes :
1import numpy as np2import statsmodels.api as sm34x = np.array([1400, 1600, 1700, 1875, 2350, 2450]) # house size5y = np.array([245, 312, 279, 308, 405, 324]) # price in thousands67X = sm.add_constant(x) # adds the intercept term 'a'8model = sm.OLS(y, X).fit()9print(model.params) # gives you a and b
Appliquons maintenant cela aux marchés. En trading, votre y devient le rendement d'un actif, et votre x devient un facteur dont vous pensez qu'il prédit ce rendement. La pente devient votre sensibilité à ce facteur. Et cette humble ordonnée à l'origine, a, devient le nombre le plus important de la finance quantitative. Voici pourquoi.
Partie 2 : Ce qu'est réellement l'alpha
Le rendement total se divise en bêta, la partie que le marché explique, et alpha, la partie qu'il ne peut pas expliquer.
La plupart des traders utilisent le mot alpha pour dire profit. C'est faux, et cette erreur coûte cher.
L'alpha est le rendement que votre stratégie génère et qui ne peut être expliqué par l'exposition à des facteurs de risque connus. Si vous avez gagné 20 % sur un an mais que le marché a aussi gagné 20 %, votre alpha est nul. Vous déteniez simplement du bêta, le rendement que vous collectez en prenant le risque de marché. Vous avez été payé pour surfer sur la vague, pas pour votre compétence.
Cette distinction est tout le jeu, et la régression est la lame qui sépare les deux. Le modèle fondateur. Le rendement de votre stratégie au temps t, noté rₜ, est une base plus son exposition à un facteur Xₜ plus du bruit :
rₜ = α + β Xₜ + εₜ
Lisez-le lentement. Le β est votre sensibilité au facteur. Si le facteur est le marché, le bêta indique à quel point vous bougez quand le marché bouge. Le εₜ est le bruit aléatoire, la partie qu'aucun facteur n'explique. Et α, l'ordonnée à l'origine, est le rendement que vous obtenez en moyenne lorsque le facteur ne contribue à rien.
Cette ordonnée à l'origine est l'ensemble du prix. Si, après avoir retiré tous les facteurs de risque connus, votre stratégie montre toujours un alpha positif et statistiquement significatif, vous avez trouvé quelque chose de réel. Si l'alpha disparaît dès que vous tenez compte des facteurs, vous n'avez jamais eu d'avantage. Vous aviez un bêta déguisé en génie.
C'est Michael Jensen qui a le premier formulé la compétence de cette manière en 1968, lorsqu'il a testé si les gestionnaires de fonds communs pouvaient réellement battre le marché. Il a exécuté cette régression exacte et a posé une question : l'ordonnée à l'origine est-elle différente de zéro ? Près de soixante ans plus tard, c'est ainsi que la performance institutionnelle est encore jugée. Cela s'appelle l'alpha de Jensen, et c'est le fondement de la discipline.
**Donc, lorsque vous construisez un signal, votre travail n'est jamais de maximiser le rendement brut.
C'est de produire une ordonnée à l'origine positive qui survit après que les facteurs connus ont été retirés. Retenez cela. Tout le reste est au service de cela.**
Partie 3 : Construire votre premier signal à partir de zéro
Un vrai signal ne mesure l'alpha qu'après que tous les facteurs connus aient été retirés.
Construisons le modèle réel le plus simple, puis passons au niveau institutionnel. Supposons que vous croyez que le rendement d'un actif peut être en partie prédit par un facteur : le rendement antérieur d'un actif lié, une mesure de momentum, une métrique de valeur. La régression à un seul facteur est :
rₜ = α + β Xₜ + εₜ
En Python, cela se fait en quelques lignes, et l'ordonnée à l'origine est la partie que vous ne devez jamais sauter :
1import statsmodels.api as sm23# X is your factor series, y is the asset return you want to explain4X = sm.add_constant(X) # THIS line creates your alpha intercept5model = sm.OLS(y, X).fit()6print(model.summary())
Cette ligne add_constant n'est pas une formalité. C'est la ligne qui crée votre terme alpha. Oubliez-la et vous forcez la ligne à passer par zéro, jetant ainsi le nombre le plus important de toute la sortie.
Mais le monde réel n'est jamais à un seul facteur. Un signal sérieux prend en compte plusieurs influences à la fois. C'est le modèle multi-facteurs :
rₜ = α + β₁X₁ₜ + β₂X₂ₜ + ... + βₖXₖₜ + εₜ
Chaque bêta mesure maintenant l'effet de son propre facteur tout en maintenant les autres constants. Cette phrase, « en maintenant les autres constants », est le super-pouvoir discret de la régression. Elle isole la contribution unique de chaque facteur et retire le chevauchement. Lorsque vous régresssez les rendements de votre stratégie sur les facteurs établis – marché, taille, valeur, momentum – l'alpha qui reste dans cette ordonnée à l'origine est la part de votre avantage qu'aucun des facteurs connus ne peut expliquer.
1import statsmodels.api as sm23# factors is a DataFrame, each column one factor, aligned to returns y4X = sm.add_constant(factors)5model = sm.OLS(y, X).fit()67alpha = model.params['const'] # your candidate edge8p_alpha = model.pvalues['const'] # how much to trust it9print("Alpha:", round(alpha, 5))10print("Alpha p-value:", round(p_alpha, 4))
Cette ordonnée à l'origine résiduelle est votre signal candidat. Tout ce qui suit vise à prouver s'il est réel.
C'est exactement là que la plupart des tutoriels publics s'arrêtent, et là où le travail institutionnel commence réellement. La construction des facteurs, la neutralisation, les schémas de pondération qui transforment un signal brut en un portefeuille négociable. Si vous voulez voir exactement comment une firme comme AQR transforme ces régressions en un portefeuille factoriel en direct, c'est là que je pousse l'analyse jusqu'au bout.
Partie 4 : Lire la sortie comme un chercheur institutionnel
Le professionnel ne demande pas quelle est l'ampleur du rendement. Il demande à quel point il est sûr que ce n'est pas un accident.
Lorsque vous exécutez ce résumé, la plupart des gens jettent un œil à un chiffre et passent à autre chose. Un chercheur formé le lit comme un rapport de diagnostic. Voici ce qui compte vraiment.
Le coefficient et son signe. Chaque bêta donne la direction et la force. Avant de faire confiance à un nombre, demandez-vous si le signe a même un sens économique. Si votre modèle dit d'acheter quand quelque chose est plus cher et que vous ne pouvez pas expliquer pourquoi, vous avez trouvé un hasard, pas un facteur.
La p-value. C'est le cœur de tout. Elle répond à une question : si ce facteur n'avait vraiment aucun effet, quelle est la probabilité que je voie une relation aussi forte par pur hasard ? Une p-value de 0,62 signifie 62 % de chances que vous regardiez de la chance aléatoire. En dessous de 0,05 est la barre conventionnelle pour prendre un résultat au sérieux. Un quant qui regarde un modèle échoué avec une p-value de 0,62 ne regarde pas un signal faible. Il regarde du pur bruit.
Le R-carré. La fraction de la variation du rendement que votre modèle explique, et voici la partie qui retourne les débutants. Dans la prédiction de rendement, un R-carré élevé est généralement un avertissement, pas un trophée. Les vrais signaux de rendement sont faibles. Un R-carré de 0,01 ou 0,02 peut être extrêmement rentable s'il est persistant et réel. Si vous voyez 0,9 sur une prédiction de rendement, vous avez presque certainement un biais de look-ahead ou vous régressez quelque chose sur lui-même par accident.
La statistique t. Le coefficient divisé par son erreur type. Une règle approximative est qu'un t-stat supérieur à 2 en valeur absolue correspond au seuil de 0,05. Les chercheurs sérieux exigent 3 ou plus sur un tout nouveau signal, précisément parce qu'ils savent combien de signaux ils ont testés en silence avant celui-ci.
Vous pouvez les extraire directement au lieu de lire tout le tableau :
1print("t-stats:\n", model.tvalues)2print("p-values:\n", model.pvalues)3print("R-squared:", round(model.rsquared, 4))
Intériorisez le changement. Le débutant demande quelle est l'ampleur du rendement. Le professionnel demande à quel point il est sûr que ce rendement n'est pas un accident. Ce seul changement dans la question fait toute la différence.
Partie 5 : Les tests qui séparent le vrai signal du bruit, et pourquoi les signaux meurent
Passez chaque candidat à travers le même parcours du combattant. Presque rien n'y survit, et c'est le but.
Voici la vérité brutale. Si vous testez suffisamment de signaux aléatoires, certains sembleront rentables par pur hasard. Testez 100 signaux inutiles au niveau 0,05 et environ 5 passeront par chance seule. C'est le problème des tests multiples, et c'est la raison numéro un pour laquelle les backtests mentent. Voici comment les desks sérieux s'en défendent.
Tests hors échantillon. Ne jugez jamais un signal sur les données sur lesquelles vous l'avez construit. Divisez votre historique. Construisez sur la première partie, testez sur une partie que le modèle n'a jamais vue. Un vrai signal survit à la traversée. Une fantaisie calibrée s'effondre dès qu'elle rencontre des données fraîches. Non négociable.
1split = int(len(y) * 0.8)2X_train, X_test = X[:split], X[split:]3y_train, y_test = y[:split], y[split:]45model = sm.OLS(y_train, X_train).fit()6oos_pred = model.predict(X_test) # test on unseen data
Coefficient d'information (IC). Les chercheurs institutionnels en facteurs ne vivent ou ne meurent rarement par une seule régression. Ils calculent l'IC, la corrélation entre la valeur d'un facteur et le rendement futur réel, encore et encore dans le temps. Un facteur avec un IC moyen supérieur à environ 0,03 à 0,05 qui reste stable sur de nombreuses périodes bat à chaque fois celui qui a un seul beau backtest. La stabilité entre les régimes est le véritable indicateur.
Erreurs types de Newey-West. Les données financières violent une hypothèse centrale de l'OLS car les rendements et la volatilité se regroupent dans le temps. Les p-values brutes mentiront, généralement en flattant votre signal. Newey-West corrige vos erreurs types pour cela. L'utiliser marque discrètement quelqu'un qui sait ce qu'il fait.
1# Newey-West corrected significance, the institutional default2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})3print(model.summary())
Correction des tests multiples. Si vous avez essayé 50 signaux, vous ne pouvez pas juger le gagnant par rapport à la barre normale. La défense simple est Bonferroni : divisez votre seuil par le nombre de choses que vous avez testées. Vous avez essayé 50 signaux ? Exigez une p-value inférieure à 0,001, pas 0,05. C'est brutal, et c'est le but. Cela force l'honnêteté sur le nombre de fois où vous êtes allé pêcher.
Passez un candidat à travers la validation hors échantillon, un IC stable, la significativité de Newey-West et une correction des tests multiples, et s'il est toujours debout, vous avez quelque chose que la plupart des traders particuliers ne produisent jamais de leur vie. Un signal pour lequel vous avez réellement gagné le droit de faire confiance.
Mais comprenez la vérité finale. Même un vrai signal se dégrade. L'alpha vit dans l'inefficacité du marché, et dès qu'un signal est connu et tradé, le trading lui-même repousse l'inefficacité. Des recherches récentes sur l'encombrement des facteurs montrent que les signaux mécaniques et facilement copiés, comme le momentum simple, se dégradent selon une courbe prévisible et prononcée à mesure que les capitaux affluent, et que cet encombrement s'est fortement accéléré une fois que l'investissement factoriel est devenu bon marché via les ETF. Les signaux les plus simples sont les plus encombrés et meurent le plus vite. Un avantage durable réside dans les signaux dont la construction demande un réel travail, et dans un processus de recherche qui en produit de nouveaux plus vite que les anciens ne s'érodent. C'est pourquoi Renaissance n'a jamais cessé de rechercher un seul jour en trente ans.
Devoir à la maison : Prenez un signal auquel vous croyez actuellement. Exécutez-le sur les 20 % les plus récents de vos données, que vous prétendrez n'avoir jamais vus. Si l'alpha disparaît, vous venez de vous économiser de l'argent réel. C'est le test le plus précieux que vous ferez jamais.
Partie 6 : Ce que vous venez de construire, de bout en bout
Chaque vrai signal s'érode à mesure qu'il devient encombré. Le moteur de recherche qui les remplace est le véritable avantage.
Prenez du recul et regardez la machine complète que vous avez maintenant, car les pièces se connectent en un pipeline propre.
Vous commencez avec un facteur, tout ce que vous croyez porteur d'information sur les rendements futurs. Vous régressez les rendements de votre actif sur ce facteur avec l'OLS, en incluant toujours l'ordonnée à l'origine, et cette ordonnée à l'origine est votre alpha candidat. Vous passez à une régression multi-facteurs afin que votre alpha ne soit mesuré qu'après avoir retiré les facteurs de risque connus – marché, taille, valeur, momentum. Ce qui reste dans l'ordonnée à l'origine est un avantage pur et inexpliqué.
Ensuite, vous l'interrogez. Vous lisez la p-value pour demander s'il pourrait s'agir de chance. Vous vérifiez le signe pour le sens économique. Vous ignorez le R-carré élevé et séduisant, et vous respectez le petit honnête. Vous validez hors échantillon sur des données que le modèle n'a jamais touchées. Vous calculez le coefficient d'information sur de nombreuses périodes pour confirmer qu'il est stable, pas un hasard ponctuel. Vous corrigez vos erreurs types avec Newey-West afin que la structure temporelle des marchés ne vous trompe pas. Et vous appliquez une correction des tests multiples pour que le nombre de signaux que vous avez essayés ne puisse pas fabriquer un faux gagnant.
Ce qui sort de l'autre côté n'est pas une supposition. C'est un signal avec un avantage mesuré, un niveau de confiance connu, une preuve qu'il survit sur des données non vues, et un comptable honnête de la probabilité qu'il soit réel. C'est la différence entre la personne dont le modèle meurt en deux semaines et celle qui construit quelque chose qui tient.
Et voici comment cela rapporte réellement de l'argent. Un signal avec un avantage petit mais véritable et stable, tradé sur de nombreuses opportunités indépendantes, se compose. Renaissance avait raison à peine plus de la moitié du temps et a transformé cela en la plus grande fortune de l'histoire des marchés, parce que l'avantage était réel, reproductible, et ils l'ont dimensionné correctement sur un nombre énorme de paris. Vous travaillez maintenant à partir du même plan. Construisez le signal, prouvez qu'il est réel, dimensionnez-le raisonnablement, et remplacez-le dès que son IC commence à faiblir.
Cette boucle de remplacement est toute la carrière. Un signal est un trade. Un processus de recherche qui continue de produire des signaux réels plus vite qu'ils ne se dégradent est une franchise.
Le résumé
La régression linéaire n'est pas l'outil ennuyeux que vous avez sauté. Elle trace la meilleure ligne à travers vos données, elle définit ce qu'est réellement l'alpha, elle construit votre premier vrai signal, elle teste si ce signal est authentique ou du bruit, et elle vous avertit lorsque le signal commence à mourir.
L'alpha est l'ordonnée à l'origine qui survit après que tous les facteurs de risque connus ont été retirés. Vous construisez un candidat avec l'OLS, d'abord mono-facteur, puis multi-facteurs. Vous lisez la sortie comme un chercheur, où la p-value et la stabilité comptent plus que l'ampleur du rendement. Vous vous défendez contre le piège des tests multiples avec une validation hors échantillon, un coefficient d'information stable, des erreurs de Newey-West et une correction pour le nombre de signaux que vous avez essayés. Et vous acceptez que chaque vrai signal se dégrade, ce qui signifie que le véritable avantage est le moteur de recherche, pas un modèle unique. Le même moteur qui a construit le plus grand fonds de l'histoire.
Le quant qui regarde un Sharpe de 0,03 et une p-value de 0,62 n'est pas malchanceux. Il a sauté la discipline de cet article. Ne soyez pas lui.
Voici la question que je veux que vous méditiez.
Si un véritable alpha se dégrade dès qu'il devient largement connu, alors publier un signal le détruit, tandis que cacher un signal signifie qu'il meurt lentement à mesure que d'autres le découvrent indépendamment.
Alors, d'où vient réellement un avantage durable ? Des signaux eux-mêmes, ou de la vitesse du processus de recherche qui les remplace ?
Votre réponse révèle si vous pensez comme un trader qui court après une grosse victoire, ou comme un quant qui construit une machine qui imprime un avantage pendant des décennies.
Déposez votre réponse dans les commentaires. Il n'y a pas de mauvaise réponse. Mais il y en a de très révélatrices.
