شرح أسّ هيرست وتحليل R/S: المعنى والحساب وحدود التداول

أسّ هيرست، ويرمز إليه بـ \(H\)، هو ميل العلاقة بين مقياس الزمن وحجم التقلبات المقاسة عند ذلك المقياس. في تحليل المدى المعاد تحجيمه، يُقسم مدى الانحرافات التراكمية على الانحراف المعياري للسلسلة. فإذا نما متوسط النسبة تقريبًا مثل \(n^H\) عبر أطوال كتل \(n\)، كان ميل الرسم اللوغاريتمي تقديرًا لـ \(H\). ظهر هذا المقياس في عمل هيرست حول سعة التخزين اللازمة لإدارة تدفقات الأنهار المتغيرة، لا بوصفه مؤشر شراء أو بيع. استخدمت ورقته الأصلية سعة التخزين طويلة الأجل للخزانات الانحرافات التراكمية للتدفقات السنوية عن متوسطها لحساب المدى.

تفسيرات مثل «الاستمرارية» و«الاستمرارية العكسية» و«السلوك الشبيه بالعشوائية» مشروطة بالعملية المدروسة وافتراضات التحجيم. في معيار شائع للزيادات المستقرة، يقابل \(H=0.5\) تحجيمًا يتناسب مع الجذر التربيعي للزمن؛ ويرتبط \(H>0.5\) بزيادات مستمرة إيجابيًا، و\(H<0.5\) بالاستمرارية العكسية. تصف هذه التسميات الاعتماد عبر المقاييس التي حُللت، ولا تمثل احتمالًا لأن يكون عائد الفترة التالية موجبًا أو سالبًا.

اختيار السلسلة يغير السؤال. فتطبيق الطريقة على العوائد الخام أو المطلقة أو المربعة أو مستويات الأسعار أو العوائد التراكمية لا يعطي إجابات قابلة للتبادل. قد يظهر اعتماد اتجاهي ضعيف في العوائد، بينما تظهر العوائد المطلقة تجمّعًا مستمرًا للتقلب. وقد ينتج مستوى سعري متجه أو متكامل تحجيمًا ظاهريًا لأسباب تختلف عن الذاكرة طويلة الأجل المستقرة في العوائد. عند الإبلاغ عن \(H\)، اذكر المتغير وفترة المعاينة ونطاق المقاييس.

لنفترض كتلة من \(n\) مشاهدات \(x_1,\ldots,x_n\)، ومتوسطها \(\bar{x}_n\). اطرح المتوسط من كل مشاهدة واجمع القيم المتمركزة تراكميًا:

\[ Y_{k,n}=\sum_{t=1}^{k}(x_t-\bar{x}_n), \qquad k=1,\ldots,n. \]

قد يرتفع المسار التراكمي وينخفض رغم أن مجموع القيم المتمركزة يساوي صفرًا عند نهاية الكتلة. المدى هو أعلى قيمة تراكمية ناقص أدنى قيمة:

\[ R_n=\max_{1\leq k\leq n}Y_{k,n}-\min_{1\leq k\leq n}Y_{k,n}. \]

يجب تحديد اصطلاح حساب الانحراف المعياري للكتلة. نستخدم هنا المقسوم عليه \(n\):

\[ S_n=\sqrt{\frac{1}{n}\sum_{t=1}^{n}(x_t-\bar{x}_n)^2}, \qquad Q_n=\frac{R_n}{S_n}. \]

تضع النسبة \(Q_n\) المدى التراكمي بوحدات التغير المعتاد داخل الكتلة. إذا كانت الكتلة ثابتة فإن \(S_n=0\) والنسبة غير معرّفة؛ فلا يجوز معاملتها ضمنيًا كمساهمة تساوي صفرًا. عمليًا، قسّم السجل إلى كتل بطول مختار، واحسب نسبة كل كتلة صالحة ثم متوسط النسب، وكرر ذلك لأطوال كتل محددة مسبقًا. درس Mandelbrot وWallis سلوك R/S تحت توزيعات وأنماط اعتماد محاكاة متنوعة في ورقتهما لعام 1969. جعل ذلك R/S أداة تشخيص شائعة للتحجيم، لكنه لا يحميها من كل أخطاء تحديد النموذج.

إذا اتبع متوسط إحصاء الكتلة تقريبًا \(\overline{Q}_n\approx Cn^H\) عبر المقاييس المختارة، نأخذ اللوغاريتم:

\[ \log \overline{Q}_n=\log C+H\log n+\varepsilon_n. \]

ميل انحدار \(\log \overline{Q}_n\) على \(\log n\) هو تقدير الأسّ. لا يكفي أن يبدو الخط مستقيمًا ضمن نطاق ضيق أو اختير بعد رؤية النتائج؛ فكثير من العينات المحدودة تبدو خطية عبر بضعة مقاييس، وقد تختلف الميول بين أجزاء السجل نفسه.

لنفترض ثمانية عوائد افتراضية بوحدات نقاط أساس اعتباطية: \(3,1,0,-1,2,0,-2,-3\). متوسط السلسلة كلها صفر. لكل طول كتلة، نقسم القيم إلى كتل متجاورة غير متداخلة، ونحسب \(R_n/S_n\) لكل كتلة ثم متوسط النسب. يستخدم المثال الانحراف المعياري بقاسم \(n\)؛ واختيار اصطلاح آخر يغير الأرقام قليلًا.

عند \(n=2\)، تكون نسبة المدى إلى الانحراف المعياري لكل زوج مساوية لـ 1، وبالتالي متوسطها 1. عند \(n=4\)، قيمتا \((R,S)\) للكتلتين تقاربان \((2.500,1.479)\) و\((3.500,1.920)\). النسبتان نحو 1.690 و1.823، ومتوسطهما قرابة 1.756. وعند \(n=8\)، يكون المسار التراكمي المتمركز \(3,4,4,3,5,5,3,0\)، ومداه 5. والانحراف المعياري \(\sqrt{3.5}\approx1.871\)، فتكون النسبة قرابة 2.673.

بما أن نقاط اللوغاريتم الثلاث متساوية التباعد، يساوي ميل المربعات الصغرى ميل النقطتين الطرفيتين:

\[ \widehat{H}=\frac{\log(2.673)-\log(1.000)}{\log(8)-\log(2)}\approx0.709. \]

هذا حساب قابل لإعادة الإنتاج لثماني قيم مختلقة، وليس دليلًا موثوقًا على الذاكرة طويلة الأجل. يتأثر التقدير بشدة بكل مشاهدة، ولا يستخدم إلا ثلاثة مقاييس، ولا يتضمن نطاقًا لعدم اليقين. وزيادة المشاهدات لا تحل المشكلة تلقائيًا إذا كانت السلسلة تحتوي على انقطاعات أو اختيرت المقاييس بعد البحث عن الميل المرغوب.

<!-- Illustration placement: after this section; text-free conceptual depiction of centered observations accumulating into a range at short and long block scales, with the range growing more than the within-block standard deviation. No axes, labels, or numeric claims. -->

في سلسلة مستقرة ذات تباين محدود واعتماد قصير الأجل، تقود نتائج كثيرة للتحجيم طويل الأجل إلى أسّ قريب من \(0.5\). وتحت نموذج على نمط الضوضاء الغاوسية الكسرية، يتسق \(H>0.5\) مع اعتماد طويل الأجل موجب؛ أي إن الانحرافات قد تتبعها انحرافات في الاتجاه نفسه أكثر مما يتوقعه المعيار، مع تناقص بطيء للارتباطات. ويرتبط الأسّ دون \(0.5\) بالاستمرارية العكسية، حيث تسود الانعكاسات أو علاقات الإشارة المعاكسة في سلوك التحجيم.

عبارة «تحت النموذج» أساسية. ميل R/S العادي تقدير، وليس اختبارًا مباشرًا لآلية اقتصادية وحيدة محددة. قد يبعد انحياز العينات الصغيرة التقديرات عن \(0.5\)، كما يؤثر تداخل الكتل واصطلاح المقام وحدود المقاييس والارتباط الذاتي. نطاق ثقة يشمل \(0.5\) لا يثبت الاستقلال، ونطاق يستبعده لا يثبت أن نموذج ذاكرة طويلة مستقرًا ولّد المشاهدات.

لا تفسر \(H=0.7\) على أنه «احتمال 70% لاستمرار الاتجاه» أو «استمرار العوائد 70 يومًا» أو «معدل نجاح 70%». ليس \(H\) احتمالًا ولا مدة احتفاظ؛ بل يصف علاقة تحجيم مقدرة. ويتطلب إثبات الاعتماد نموذجًا وتقييمًا لعدم اليقين وفحوصًا لبدائل مثل الارتباط قصير الأجل أو عدم تجانس التباين الشرطي أو اتجاه حتمي أو تحول في النظام.

يستجيب R/S الكلاسيكي لأكثر من الذاكرة طويلة الأجل الحقيقية. فقد يحافظ نمط AR قصير العمر على تجاور الانحرافات ذات الإشارة نفسها ويرفع المدى التراكمي. أظهر Lo أن الارتباط التسلسلي قصير الأجل قد يرفع إحصاء R/S الكلاسيكي، فيجعل عملية ذات ذاكرة قصيرة تبدو مستمرة. صُممت طريقة R/S المعدلة لديه لاختبار الذاكرة الطويلة مع احتساب الاعتماد قصير الأجل. وفي مؤشرات الأسهم التي درسها، اختفى دليل الذاكرة الطويلة بعد أخذ الارتباط الذاتي القصير في الحسبان؛ وهذه نتيجة لعيناته واختباره، وليست حكمًا على كل أصل أو فترة لاحقة. راجع ورقته لعام 1991.

يخلق تجمّع التقلب فخًا مختلفًا. قد تتناوب إشارات العوائد الموجبة والسالبة بينما تبقى أحجامها متجمعة. تطبيق R/S على العوائد يسأل عن الانحرافات التراكمية ذات الإشارة؛ وتطبيقه على العوائد المطلقة أو المربعة يسأل عن استمرار المقدار. قد يصف تقدير مرتفع لـ \(|r_t|\) تجمّع المخاطر من دون أن يعني أن اتجاه السعر قابل للتنبؤ. لتشخيص منفصل لاعتماد التباين الشرطي، راجع اختبار ARCH LM. ويعرض دليل نسبة التباين مقياسًا آخر لاعتماد العوائد عبر الآفاق.

للذيول الثقيلة والقيم المتطرفة أثر أيضًا. وجد Mandelbrot وWallis خصائص متانة مفيدة عبر محاكاة غير غاوسية كثيرة، لكن هذا لا يعني أن حركة قصوى منفردة أو تحولًا في نظام التقلب أو متوسطًا محددًا خطأً لا يضر. اعرض النتائج للسلسلة الأصلية وافحص تغيرها تحت بدائل مبررة، بدل إزالة المشاهدات غير الملائمة حتى يظهر أسّ مألوف.

طرح متوسط الكتلة يزيل مستوى ثابتًا داخلها، لكنه لا يزيل كل نمط حتمي أو متغير. قد ينشئ اتجاه تدريجي أو انتقال مستوى واحد أو تغير تركيب العينة أو انقطاع في التقلب انحرافًا تراكميًا طويلًا. وقد تبدو العلاقة اللوغاريتمية حينها قانون قوة رغم غياب آلية ذاكرة طويلة مستقرة. اختبار الانقطاع أو تحليل الانحدار المجزأ يطرح سؤالًا مختلفًا؛ راجع انحدار السلاسل الزمنية المتقطعة.

اختيار المقياس جزء من النموذج. فالكتل القصيرة جدًا تعكس الضجيج المحلي وبنية السوق الدقيقة، والطويلة جدًا تترك عددًا قليلًا من المقاطع الصالحة. قد تزيد النوافذ المتداخلة عدد النسب المحسوبة لكنها لا تنشئ العدد نفسه من مقاطع المعلومات المستقلة. وقد يشير اختلاف الميل بين المقاييس القصيرة والطويلة إلى ديناميكيات مختلفة أو انقطاع أو موسمية أو مجرد ضجيج تقدير. لا تختزل ذلك في قيمة واحدة لـ \(H\) من دون تفسير.

صرّح بما إذا كانت المدخلات أسعارًا أو أسعارًا لوغاريتمية أو عوائد أو عوائد مطلقة أو بواقي مرشحة، وما إذا كانت الكتل متداخلة أو منفصلة. حدد نطاق الكتل والحد الأدنى لعددها قبل تفسير النتيجة، وأبلغ عن عدد المشاهدات المستخدمة في كل مقياس وحساسية النهايات المعقولة. إذا كانت الأسعار متكاملة، فلا ينطبق عليها تفسير العوائد المستقرة من دون تعديل. وإزالة الاتجاه ليست علاجًا عامًا؛ فهي تغير الكمية المقاسة وقد تزيل تقلبًا ذا معنى اقتصادي إلى جانب الاتجاه المزعج.

يحافظ تعديل Lo على مدى الانحرافات التراكمية المتمركزة، لكنه يستبدل الانحراف المعياري العادي للكتلة بتقدير للتباين طويل الأجل يضم التغايرات الذاتية عند الإبطاءات القصيرة. ومن ترميزاته الشائعة:

\[ Q_n^{\mathrm{Lo}}(q)=\frac{R_n}{\widehat{\sigma}_n(q)},\qquad \widehat{\sigma}_n^2(q)=\widehat{\gamma}_0+ 2\sum_{j=1}^{q}\left(1-\frac{j}{q+1}\right)\widehat{\gamma}_j. \]

هنا \(\widehat{\gamma}_j\) هو التغاير الذاتي للعينة عند الإبطاء \(j\)، و\(q\) عرض النطاق الذي يحدد حد القطع. وتقلل الأوزان المثلثية وزن التغايرات الذاتية الأقرب إلى الحد. تقارن الإحصائية المعدلة بتوزيعها الصفري المناسب؛ فهي ليست مجرد إحصائية R/S كلاسيكية ذات مقام أفضل، ولا تمثل تلقائيًا تقديرًا مصححًا لـ \(H\).

يحدد عرض النطاق أي ارتباطات قصيرة الأجل تدخل في تقدير التباين. قد لا يعالج \(q\) الصغير اعتمادًا قصيرًا ذا صلة، بينما يجعل \(q\) الكبير التقدير مشوشًا وربما يمتص الأنماط التي يراد تمييزها. أبلغ عن قاعدة اختيار عرض النطاق وتردد العينة وإحصاء الاختبار والفرضية الصفرية والقيمة الاحتمالية، وافحص نطاق حساسية محددًا مسبقًا. يوضح بحث Lo أهمية ذلك: يمكن لـ R/S الكلاسيكي أن يستجيب للذاكرة القصيرة، بينما يستهدف الاختبار المعدل فرضية صفرية أوسع تسمح باعتماد قصير ضعيف.

يبدأ تحليل تقلب إزالة الاتجاه (DFA) بإنشاء مسار تراكمي من مشاهدات مطروح منها المتوسط، ثم يقسم المسار إلى نوافذ ويلائم كثير حدود محليًا داخل كل نافذة، ويحسب جذر متوسط مربع البواقي \(F(s)\) عند طول نافذة \(s\). تقدّر رگرسة \(\log F(s)\) على \(\log s\) ميل التحجيم. قد يقلل الملاءمة المحلية من الحساسية لاتجاهات متعددة الحدود المختارة، لكن رتبة إزالة الاتجاه وأطوال النوافذ ونوع السلسلة تظل مهمة. ولا يحصّن DFA التحليل من الانقطاعات أو تغير التقلب أو اختيار نطاق المقاييس بعد فحص الرسم.

تقدّر طرق مجال التردد سلوك الترددات المنخفضة من مخطط الطيف. في نموذج محدد للذاكرة الطويلة المستقرة، إذا اتبعت القدرة الطيفية قرب الصفر \(f(\lambda)\propto|\lambda|^{-\beta}\)، فإن \(H=(\beta+1)/2\) لعملية عوائد على نمط الضوضاء الكسرية. يحدد عرض النطاق منخفض التردد المشاهدات التي تدخل في الميل؛ وقد تهيمن عليه قمم موسمية أو انقطاعات أو قلة نقاط عند الترددات المنخفضة. وتتوقف العلاقة بين معامل الطيف و\(H\) على ما إذا كانت المدخلات سلسلة زيادات مستقرة أم مستوى متكاملًا.

هذه الطرق مقدرات بديلة ذات خصائص مختلفة في العينات المحدودة، وليست ثلاث تأكيدات مستقلة تلقائيًا. قارنت دراسة Weron لخصائص العينات المحدودة (DOI 10.1016/S0378-4371(02)00961-5) بين R/S وDFA وانحدار مخطط الطيف باستخدام ضوضاء بيضاء غاوسية محاكاة، وأبرزت اختلاف التقديرات ونطاقات الثقة بحسب الطريقة وطول العينة. لا تثبت النتائج أن DFA أفضل دائمًا للبيانات المالية؛ بل توضح ضرورة معايرة الاستدلال للإجراء الفعلي وظروف توليد البيانات.

قد يساعد الأسّ المقدر في وصف نمط تحجيم تاريخي أو طرح فرضية واضحة. لكنه لا يحدد قواعد الدخول والخروج أو توقيت التوقع أو حجم المركز أو حدود المخاطر، ولا يقدم سببًا لاستمرار العلاقة بعد معرفتها. إذا اختبر الباحث ما إذا كان تقدير \(H\) المتحرك يتنبأ بالعوائد، فيجب تثبيت أفق التوقع ووقت القرار مسبقًا، واستخدام المعلومات المتاحة آنذاك فقط.

تجربة نوافذ وأطوال كتل وأصول وتحويلات عوائد ورتب إزالة اتجاه وعتبات كثيرة ثم الإبلاغ عن أعلى \(H\) فقط هي بحث متعدد. فالفائز الظاهري اختير من البيانات نفسها التي قُيّم عليها. سجّل عائلة النماذج التي جُرّبت، واستخدم تقييمًا غير مستخدم أو تسلسليًا إلى الأمام واحتسب البحث عن المرشحين. يناقش دليل احتمال الإفراط في ملاءمة الاختبار الخلفي واختبار وايت للواقع مشكلات اختيار ذات صلة.

الارتباط الإحصائي لا يعني ميزة تداول صافية. يجب تقييم الاستراتيجية بعد فروق العرض والطلب والعمولات والانزلاق السعري وأثر السوق والتمويل أو تكاليف الاقتراض والتداول. قد ترفع استمرارية التقلب المخاطر والتراجعات من دون تحسين اتجاه العوائد. أبلغ عن عدم يقين التقدير، وقارنه ببدائل الذاكرة القصيرة والانقطاعات، وثبّت القاعدة قبل الاختبار النهائي، وافصل بين التشخيص التاريخي ونتيجة الاستراتيجية.

لا يفيد إعادة المعاينة إلا إذا طابق تصميمها الاعتماد قيد الدراسة. Bootstrap مستقل يسحب العوائد واحدًا واحدًا ويمحو ترتيبها الزمني. أما Bootstrap الكتل فيحافظ على التجاور داخل كل كتلة، لكن الكتلة القصيرة قد تفوّت الاعتماد البطيء والطويلة تقلل عدد المقاطع المختلفة فعليًا؛ ولا يزيل أي منهما انقطاعًا بنيويًا. إذا اختير المقياس أو النافذة أو الأصل من البيانات، فأعد عملية الاختيار داخل كل إعادة معاينة عند تقدير عدم اليقين المعدل للبحث. إعادة معاينة الأسّ المختار وحده تقلل عدم اليقين الناتج عن البحث.