Faire tourner sa première mesure

Cette page montre la chaîne complète sur le plus petit exemple possible : charger des rendements, les mesurer, et vérifier que le chiffre obtenu est défendable.

Charger

from quantlab.data.providers.french import FrenchProvider

provider = FrenchProvider()
factors = provider.benchmark_factors(frequency="monthly")
market = factors["Mkt-RF"]
rf = factors["RF"]

Le fournisseur écrit la réponse brute dans data/raw/, calcule son empreinte et range le manifeste dans metadata/manifests/. La question « quelle donnée exacte a produit ce résultat ? » a désormais une réponse.

Mesurer

from quantlab.analytics.ratios import sharpe_ratio, sharpe_standard_error
from quantlab.analytics.drawdown import max_drawdown
from quantlab.core.types import Frequency

sr = sharpe_ratio(market, frequency=Frequency.MONTHLY)
se = sharpe_standard_error(market, frequency=Frequency.MONTHLY)
dd = max_drawdown(market)

Lire le résultat correctement

Trois réflexes, dans cet ordre.

Le ratio de Sharpe seul ne dit rien. Comparez-le à son erreur type. Un Sharpe de 0,4 avec une erreur type de 0,3 est indiscernable de zéro, et l'afficher sans son incertitude induit le lecteur en erreur.

Le nombre d'essais compte. Si ce chiffre est le meilleur de vingt variantes essayées, il est biaisé vers le haut par construction. Le module quantlab.validation.dsr dégonfle le ratio en conséquence, et il a besoin de savoir combien d'essais ont eu lieu.

L'échantillon et les coûts se déclarent. Un chiffre du laboratoire porte toujours son étiquette : IS, VALIDATION, OOS ou FINAL_HOLDOUT, et GROSS ou NET. C'est la règle 5 du CLAUDE.md, et elle n'a pas d'exception.

L'étape suivante

Une mesure n'est pas une étude. Une étude porte une hypothèse économique, une réplication, des contrôles de robustesse et un verdict. Le parcours complet est décrit dans Le parcours d'une stratégie.