হার্স্ট সূচক ও R/S বিশ্লেষণ: দীর্ঘ স্মৃতি, হিসাব ও ট্রেডিংয়ের সীমা

হার্স্ট সূচক \(H\) হলো সময়ের স্কেল ও সেই স্কেলে মাপা ওঠানামার আকারের সম্পর্কের ঢাল। rescaled-range বিশ্লেষণে ক্রমযোজিত বিচ্যুতির range-কে সিরিজের standard deviation দিয়ে ভাগ করা হয়। ব্লকের দৈর্ঘ্য \(n\) বাড়ার সঙ্গে গড় অনুপাত যদি আনুমানিক \(n^H\) হারে বাড়ে, তবে log–log রেখার ঢাল \(H\)-এর অনুমান। এই সহগের সূত্রপাত H. E. Hurst-এর জলাধারে নদীর পরিবর্তনশীল প্রবাহ সামলাতে কত সংরক্ষণক্ষমতা লাগে সেই গবেষণা থেকে; এটি কেনা-বেচার সূচক হিসেবে তৈরি হয়নি। Hurst-এর মূল প্রবন্ধ “Long-Term Storage Capacity of Reservoirs”-এ বার্ষিক প্রবাহের গড় থেকে ক্রমযোজিত বিচ্যুতি নিয়ে range হিসাবের বর্ণনা আছে।

“persistent”, “anti-persistent” ও “random-like” ব্যাখ্যাগুলো নির্ভর করে কোন প্রক্রিয়া দেখা হচ্ছে এবং scaling-এর কী অনুমান করা হয়েছে তার ওপর। একটি প্রচলিত stationary-increment ভিত্তিতে \(H=0.5\) বর্গমূল-সময়ের অনুপাতের সঙ্গে মেলে; \(H>0.5\) ধনাত্মক persistence-এর সঙ্গে, আর \(H<0.5\) anti-persistence-এর সঙ্গে সম্পর্কিত। এই শব্দগুলো নির্বাচিত স্কেলজুড়ে মাপা সিরিজের নির্ভরতা বোঝায়; পরের return কোন দিকে যাবে তার সম্ভাবনা বোঝায় না।

ইনপুট সিরিজ বদলালে প্রশ্নও বদলে যায়। raw return, absolute return, squared return, price level বা cumulative return-এ একই পদ্ধতি প্রয়োগ করলে বিনিমেয় উত্তর পাওয়া যায় না। দিকনির্দেশক নির্ভরতা সামান্য থাকা return series-এও absolute return-এ স্থায়ী volatility clustering দেখা যেতে পারে। প্রবণতাযুক্ত বা integrated price level এমন scaling দেখাতে পারে যার কারণ stationary return-এর long memory থেকে আলাদা। \(H\) প্রকাশ করার সময় চলক, sampling interval এবং ব্যবহৃত scale range উল্লেখ করুন।

\(n\)টি পর্যবেক্ষণ \(x_1,\ldots,x_n\) নিয়ে একটি ব্লক ধরা যাক। প্রথমে ব্লকের গড় \(\bar{x}_n\) হিসাব করুন। প্রতিটি পর্যবেক্ষণ থেকে গড় বিয়োগ করে কেন্দ্রিত মানগুলো যোগ করতে থাকুন:

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

কেন্দ্রিত পর্যবেক্ষণের যোগফল ব্লকের শেষে শূন্য হলেও ক্রমযোজিত পথটি এর মধ্যে ওপরে-নিচে যেতে পারে। range হলো সর্বোচ্চ ক্রমযোজিত মান থেকে সর্বনিম্ন মান বিয়োগ:

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

একটি নির্দিষ্ট convention মেনে ব্লকের standard deviation হিসাব করুন। এখানে হর \(n\) ব্যবহার করছি:

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

অনুপাত \(Q_n\) ক্রমযোজিত range-কে ব্লকের সাধারণ ওঠানামার এককে প্রকাশ করে। ধ্রুবক ব্লকে \(S_n=0\), তাই অনুপাতটি সংজ্ঞায়িত নয়; একে নীরবে শূন্য অবদান ধরে নেওয়া যাবে না। বাস্তবে রেকর্ডকে নির্দিষ্ট দৈর্ঘ্যের ব্লকে ভাগ করে প্রতিটি বৈধ ব্লকের অনুপাত হিসাব করে গড় নেওয়া হয়। এরপর আগে থেকে নির্ধারিত একাধিক ব্লক দৈর্ঘ্যের জন্য একই কাজ করা হয়। Mandelbrot ও Wallis বিভিন্ন simulated distribution ও dependence pattern-এ R/S-এর আচরণ পরীক্ষা করেন তাঁদের ১৯৬৯ সালের প্রবন্ধে। তাঁদের কাজ R/S-কে বহুল ব্যবহৃত scaling diagnostic করেছে, কিন্তু সব ধরনের ভুল মডেলের বিরুদ্ধে এটিকে নির্ভুল করেনি।

যদি নির্বাচিত স্কেলজুড়ে গড় ব্লক পরিসংখ্যান \(\overline{Q}_n\approx Cn^H\) অনুসরণ করে, তবে লগ নিন:

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

\(\log \overline{Q}_n\)-কে \(\log n\)-এর বিপরীতে বসালে fitted slope-ই সূচকের অনুমান। অল্প কয়েকটি বা ফল দেখে বেছে নেওয়া scale-এ সরলরেখা দেখানো একা দুর্বল প্রমাণ: অনেক finite sample কয়েকটি scale-এ রেখার মতো হতে পারে, আর একই রেকর্ডের ভিন্ন অংশে ঢালও ভিন্ন হতে পারে।

আটটি কাল্পনিক return ধরা যাক, basis point-এর নির্বিচার এককে: \(3,1,0,-1,2,0,-2,-3\)। পুরো নমুনার গড় শূন্য। প্রতিটি block length-এর জন্য ধারাবাহিক, overlap-বিহীন ব্লক বানিয়ে প্রতিটির \(R_n/S_n\) হিসাব করুন, তারপর অনুপাতগুলোর গড় নিন। উদাহরণে population-ধরনের standard deviation ব্যবহার করে হর \(n\) নেওয়া হয়েছে; অন্য convention-এ মান সামান্য বদলাবে।

\(n=2\) হলে প্রতিটি জোড়ার range-to-standard-deviation অনুপাত ১, তাই গড়ও ১। \(n=4\) হলে দুই ব্লকের \((R,S)\) মান আনুমানিক \((2.500,1.479)\) ও \((3.500,1.920)\)। অনুপাত প্রায় 1.690 ও 1.823, ফলে গড় প্রায় 1.756। \(n=8\) হলে কেন্দ্রিত cumulative path হলো \(3,4,4,3,5,5,3,0\), তাই range ৫। standard deviation \(\sqrt{3.5}\approx1.871\), অনুপাত প্রায় 2.673।

এই তিনটি log-scale বিন্দুর ব্যবধান সমান, তাই ordinary least-squares ঢালটি দুই প্রান্তের ঢাল:

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

আটটি বানানো মানে এটি পুনরুৎপাদনযোগ্য হিসাব, long memory-এর বিশ্বাসযোগ্য প্রমাণ নয়। অনুমানটি অল্প কয়েকটি পর্যবেক্ষণের ওপর সংবেদনশীল, মাত্র তিনটি scale ব্যবহার করেছে এবং এর অনিশ্চয়তার interval নেই। সিরিজে break থাকলে বা পছন্দসই ঢাল পাওয়ার পর scale বেছে নিলে আরও পর্যবেক্ষণ নিলেই সমস্যা মেটে না।

<!-- চিত্রের অবস্থান: এই অংশের পরে; ছোট ও বড় ব্লক স্কেলে কেন্দ্রিত পর্যবেক্ষণ কীভাবে যোগ হয়ে range তৈরি করে এবং range কীভাবে ব্লকের standard deviation-এর চেয়ে বেশি বাড়তে পারে তার শব্দহীন ধারণাচিত্র। অক্ষ, লেবেল বা সংখ্যাগত দাবি থাকবে না। -->

সসীম variance ও স্বল্প-পরিসরের নির্ভরতা-সহ stationary সিরিজে বহু প্রচলিত long-run scaling ফলের সূচক প্রায় \(0.5\)-এর কাছাকাছি। fractional Gaussian noise-ধরনের মডেলে \(H>0.5\) ধনাত্মক long-range dependence-এর সঙ্গে সামঞ্জস্যপূর্ণ: benchmark-এর তুলনায় একই দিকে বিচ্যুতি পরপর বেশি দেখা যায় এবং correlation ধীরে ক্ষয় হয়। \(0.5\)-এর কম সূচক anti-persistence-এর সঙ্গে সম্পর্কিত, যেখানে বিপরীতমুখী পরিবর্তন বা বিপরীত চিহ্নের নির্ভরতা scaling-এ প্রাধান্য পায়।

“মডেলের অধীনে” কথাটি গুরুত্বপূর্ণ। সাধারণ R/S slope হলো একটি অনুমান, একক ও নির্দিষ্ট অর্থনৈতিক প্রক্রিয়ার সরাসরি পরীক্ষা নয়। ছোট নমুনার bias মানকে \(0.5\) থেকে সরাতে পারে; overlapping block, denominator convention, scale-এর প্রান্ত এবং autocorrelation ফল বদলায়। 0.5 অন্তর্ভুক্ত করা confidence interval independence প্রমাণ করে না; আবার তা বাদ পড়লেও স্থিতিশীল long-memory model-ই পর্যবেক্ষণ তৈরি করেছে, এমন প্রমাণ হয় না।

\(H=0.7\) থেকে “trend চলার সম্ভাবনা ৭০%”, “return ৭০ দিন স্থায়ী হবে” বা “সাফল্যের হার ৭০%”—এমন সিদ্ধান্তে যাবেন না। \(H\) কোনো সম্ভাবনা বা holding period নয়। এটি অনুমিত scaling সম্পর্ক বর্ণনা করে। নির্ভরতার পরিসংখ্যানগত প্রমাণের জন্যও মডেল, অনিশ্চয়তা বিশ্লেষণ এবং স্বল্পমেয়াদি correlation, conditional heteroskedasticity, নির্ধারিত trend বা regime shift-এর মতো বিকল্প যাচাই দরকার।

Classical R/S শুধু সত্যিকারের long-range dependence-এ সাড়া দেয় না। স্বল্পস্থায়ী AR pattern একই চিহ্নের বিচ্যুতিকে কাছাকাছি ধরে রাখতে পারে এবং cumulative range বাড়াতে পারে। Lo দেখিয়েছেন যে স্বল্প-পরিসরের serial correlation classical statistic-কে ওপরের দিকে bias করতে পারে, ফলে short-memory process-ও persistent মনে হয়। তাঁর modified R/S পদ্ধতি short-range dependence বিবেচনায় রেখে long memory পরীক্ষা করার জন্য তৈরি। তিনি যে stock-return index পরীক্ষা করেছিলেন, তাতে স্বল্পমেয়াদি autocorrelation বিবেচনায় নেওয়ার পর long memory-র প্রমাণ আর পাওয়া যায়নি; এটি তাঁর নমুনা ও পরীক্ষার ফল, সব asset বা পরবর্তী সময়ের রায় নয়। দেখুন Lo-এর ১৯৯১ সালের প্রবন্ধ।

Volatility clustering অন্য ধরনের বিভ্রান্তি তৈরি করে। return-এর চিহ্ন পাল্টালেও তাদের আকার একসঙ্গে cluster করতে পারে। return-এ R/S প্রয়োগ করলে signed cumulative deviation নিয়ে প্রশ্ন করা হয়; absolute বা squared return-এ প্রয়োগ করলে magnitude-এর persistence দেখা হয়। \(|r_t|\)-এর উচ্চ অনুমান দিকনির্দেশ পূর্বাভাসের ইঙ্গিত না দিয়ে ঝুঁকির clustering বোঝাতে পারে। conditional variance dependence-এর আলাদা diagnostic-এর জন্য ARCH LM test নির্দেশিকা দেখুন। variance-ratio নির্দেশিকা বিভিন্ন horizon-এ return dependence-এর আরেকটি সারসংক্ষেপ ব্যাখ্যা করে।

Heavy tail ও outlier-ও গুরুত্বপূর্ণ। Mandelbrot ও Wallis বহু non-Gaussian simulation-এ উপযোগী robustness দেখিয়েছিলেন, কিন্তু তাই বলে একটি চরম পরিবর্তন, volatility regime change বা ভুল mean specification ক্ষতিহীন—এমন নয়। ভালো বিশ্লেষণে নির্বাচিত মূল সিরিজের ফল জানানো হয় এবং যুক্তিসংগত বিকল্পে তা কীভাবে বদলায় দেখা হয়; পরিচিত মনে হয় এমন exponent না পাওয়া পর্যন্ত অস্বস্তিকর observation মুছে ফেলা হয় না।

প্রতিটি block থেকে block mean বিয়োগ করলে ধ্রুবক level সরে যায়, কিন্তু সব নির্ধারিত বা সময়ের সঙ্গে বদলানো pattern সরে না। ধীর trend, একবারের level shift, sample composition-এর পরিবর্তন বা volatility break দীর্ঘ cumulative excursion তৈরি করতে পারে। fitted log–log সম্পর্ক তখন power law-এর মতো লাগতে পারে, যদিও সিরিজে স্থিতিশীল long-memory mechanism নেই। break test বা segmented regression আলাদা প্রশ্ন করে; দেখুন interrupted time-series regression নির্দেশিকা।

Scale বাছাইও মডেলের অংশ। খুব ছোট block মূলত স্থানীয় noise ও market microstructure দেখায়; খুব বড় block-এ ব্যবহারযোগ্য segment অল্প থাকে। overlapping window-তে আরও ratio হিসাব করা যায়, কিন্তু তাতে স্বাধীন তথ্যের সংখ্যা একই অনুপাতে বাড়ে না। স্বল্প scale-এ এক ঢাল আর দীর্ঘ scale-এ আরেক ঢাল—এমন crossover ভিন্ন dynamics, break, seasonal structure বা নিছক estimation noise-এর ইঙ্গিত হতে পারে। ব্যাখ্যা ছাড়া একে একটি \(H\)-তে নামিয়ে আনা উচিত নয়।

ইনপুটটি price, log price, return, absolute return না filtered residual—এবং block overlap করে কি না—স্পষ্ট লিখুন। ফল ব্যাখ্যা করার আগে block range ও সর্বনিম্ন block সংখ্যা নির্ধারণ করুন, প্রতিটি scale-এ কত পর্যবেক্ষণ এসেছে জানান, এবং যুক্তিসংগত endpoint বদলে sensitivity দেখান। price integrated হলে stationary return-এর প্রচলিত ব্যাখ্যা একইভাবে প্রযোজ্য নয়। Detrending সর্বজনীন সমাধান নয়: এতে মাপা বস্তু বদলে যায় এবং nuisance trend-এর পাশাপাশি অর্থনৈতিকভাবে গুরুত্বপূর্ণ ওঠানামাও বাদ পড়তে পারে।

Lo-এর পরিবর্তনে কেন্দ্রিত cumulative deviation-এর range রাখা হয়, কিন্তু সাধারণ block standard deviation-এর বদলে স্বল্প lag-এর autocovariance-সহ long-run variance-এর অনুমান বসানো হয়। প্রচলিত একটি notation হলো:

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

এখানে \(\widehat{\gamma}_j\) হলো lag \(j\)-এ sample autocovariance, আর \(q\) হলো truncation bandwidth। ত্রিভুজাকার weight cutoff-এর কাছাকাছি autocovariance-কে কম ওজন দেয়। সংশোধিত statistic-কে তার উপযুক্ত null distribution-এর সঙ্গে তুলনা করা হয়; এটি কেবল ভালো denominator-সহ classical R/S estimate নয়, এবং এর মান স্বয়ংক্রিয়ভাবে সংশোধিত \(H\)-ও নয়।

Bandwidth নির্ধারণ করে variance estimate-এ কোন short-run correlation ঢুকবে। \(q\) খুব ছোট হলে প্রাসঙ্গিক স্বল্প-পরিসরের dependence বাদ পড়তে পারে; খুব বড় হলে estimate noisy হয় এবং যে pattern আলাদা করার কথা ছিল সেটিও ধরা পড়তে পারে। bandwidth rule, sampling frequency, test statistic, null এবং p-value জানান; আগে থেকে নির্ধারিত sensitivity range-ও বিবেচনা করুন। Lo-এর প্রবন্ধে এই পার্থক্যের গুরুত্ব স্পষ্ট: classical R/S short memory-তেও সাড়া দিতে পারে, আর modified test দুর্বল short-run dependence অনুমোদন করে এমন বৃহত্তর null পরীক্ষা করে।

Detrended fluctuation analysis (DFA) প্রথমে গড়-কেন্দ্রিত observation থেকে integrated profile তৈরি করে, সেটিকে window-তে ভাগ করে, প্রতিটি window-তে স্থানীয় polynomial fit করে, এবং residual fluctuation-এর root-mean-square মান \(F(s)\) হিসাব করে; \(s\) হলো window size। \(\log F(s)\)-কে \(\log s\)-এর বিপরীতে regress করলে scaling slope পাওয়া যায়। স্থানীয় fit নির্দিষ্ট polynomial trend-এর প্রভাব কমাতে পারে, কিন্তু detrending order, window length এবং সিরিজের ধরন এখনও গুরুত্বপূর্ণ। break, volatility change বা plot দেখে পরে বেছে নেওয়া scale interval থেকে DFA মুক্ত নয়।

Frequency-domain পদ্ধতিতে periodogram থেকে কম-ফ্রিকোয়েন্সি আচরণ অনুমান করা হয়। নির্দিষ্ট stationary long-memory model-এ শূন্য frequency-এর কাছে spectral power যদি \(f(\lambda)\propto|\lambda|^{-\beta}\) হয়, তবে fractional-noise-ধরনের return process-এ \(H=(\beta+1)/2\)। কম-ফ্রিকোয়েন্সি bandwidth ঠিক করে কোন observation slope-এ প্রভাব ফেলবে; seasonal peak, break এবং অল্প কয়েকটি low-frequency ordinate ফল নিয়ন্ত্রণ করতে পারে। spectral parameter ও \(H\)-এর সম্পর্ক নির্ভর করে input stationary increment series নাকি integrated level তার ওপর।

এগুলো ভিন্ন finite-sample আচরণের বিকল্প estimator; এগুলো তিনটি স্বাধীন নিশ্চয়তা নয়। Weron-এর finite-sample তুলনা (DOI 10.1016/S0378-4371(02)00961-5) simulated Gaussian white noise ব্যবহার করে R/S, DFA ও periodogram regression তুলনা করেছে এবং দেখিয়েছে পদ্ধতি ও sample length অনুযায়ী estimate ও confidence interval বদলে যায়। ফলটি DFA সর্বদা financial data-তে সেরা—এ কথা প্রমাণ করে না; নির্দিষ্ট পদ্ধতি ও data-generating condition-এর জন্য inference যাচাই করা কেন দরকার তা দেখায়।

অনুমিত exponent দিয়ে ঐতিহাসিক scaling pattern বর্ণনা করা বা স্পষ্ট hypothesis তৈরি করা যায়। কিন্তু এটি entry/exit rule, forecast timing, position size, risk limit বা মাপা সম্পর্কটি জানার পরও টিকবে কেন—এসব দেয় না। trailing \(H\) estimate return পূর্বাভাস দেয় কি না পরীক্ষা করলে prediction horizon ও সিদ্ধান্তের সময় evaluation-এর আগে স্থির করতে হবে; প্রতিটি input তখনই উপলভ্য ছিল তা নিশ্চিত করতে হবে।

ফলাফলে উচ্চ \(H\) পাওয়া পর্যন্ত অনেক window length, block size, asset, return transformation, detrending order ও threshold পরীক্ষা করা multiple testing। apparent winner-টি যে data দিয়ে পরীক্ষা করা হয়েছে সেই একই data থেকে বেছে নেওয়া। পুরো অনুসন্ধানকে গবেষণা-রেকর্ডের অংশ ধরুন; untouched বা সঠিকভাবে forward-chained evaluation ব্যবহার করুন এবং candidate search-এর জন্য সমন্বয় করুন। Probability of backtest overfitting এবং White’s Reality Check নির্দেশিকায় কাছাকাছি selection problem আলোচনা করা হয়েছে।

পরিসংখ্যানগত সম্পর্ক মানেই খরচ-পরবর্তী trading edge নয়। bid–ask spread, commission, slippage, market impact, funding বা financing, borrow cost এবং turnover বাদ দিয়ে strategy মূল্যায়ন করতে হবে। স্থায়ী volatility দিকনির্দেশক return না বাড়িয়েও ঝুঁকি ও drawdown বাড়াতে পারে। estimate-এর uncertainty জানান, short-memory ও break বিকল্পের সঙ্গে তুলনা করুন, final test-এর আগে নিয়ম স্থির করুন, এবং historical diagnostic-কে strategy result থেকে আলাদা রাখুন।

Resampling তখনই সাহায্য করে যখন নকশাটি যে dependence পরীক্ষা করছে তার সঙ্গে মেলে। iid bootstrap-এ পৃথক return স্বাধীনভাবে তুললে সময়ের ক্রম নষ্ট হয়। Block bootstrap নির্বাচিত block-এর ভেতরের স্থানীয় run ধরে রাখে; ছোট block ধীর dependence ধরতে পারে না, বড় block-এ কার্যত আলাদা অংশ কম থাকে; কোনোটিই structural break মুছে দেয় না। data থেকে scale, window বা asset বেছে নিলে search-adjusted uncertainty পেতে প্রতিটি resample-এ সেই বাছাই পুনরাবৃত্তি করুন। শুধু শেষ নির্বাচিত exponent resample করলে অনুসন্ধানের কারণে তৈরি অনিশ্চয়তা কম দেখানো হয়।