Hurst-Exponent und R/S-Analyse: Langzeitgedächtnis, Berechnung und Grenzen im Handel

Der Hurst-Exponent \(H\) ist die Steigung der Beziehung zwischen einer Zeitskala und der Größe der auf dieser Skala gemessenen Schwankungen. Bei der Rescaled-Range-Analyse wird die Spannweite kumulierter Abweichungen durch die Standardabweichung der Reihe geteilt. Wenn der mittlere Quotient bei längeren Blocklängen \(n\) ungefähr wie \(n^H\) wächst, schätzt die Steigung der Log-Log-Beziehung \(H\). Der Koeffizient geht auf H. E. Hurst zurück, der untersuchte, wie viel Speicherraum ein Stausee zum Ausgleich schwankender Flussmengen benötigt; er wurde nicht als Kauf- oder Verkaufssignal entwickelt. Hurst beschreibt die Berechnung der Spannweite aus kumulierten Abweichungen der jährlichen Abflussmengen von ihrem Mittelwert in seiner Originalarbeit „Long-Term Storage Capacity of Reservoirs“.

Begriffe wie „persistent“, „antipersistent“ und „zufallsähnlich“ gelten nur für den untersuchten Prozess und die angenommenen Skalierungseigenschaften. Bei einer verbreiteten stationären-Inkrement-Referenz entspricht \(H=0.5\) einer Skalierung mit der Quadratwurzel der Zeit; \(H>0.5\) wird mit positiver Persistenz und \(H<0.5\) mit Antipersistenz verbunden. Diese Begriffe beschreiben Abhängigkeiten der gemessenen Reihe über die untersuchten Skalen. Sie geben keine Wahrscheinlichkeit dafür an, dass die nächste Rendite ein bestimmtes Vorzeichen hat.

Mit der Eingangsreihe ändert sich auch die Fragestellung. Die Methode auf rohe Renditen, absolute Renditen, quadrierte Renditen, Preisniveaus oder kumulierte Renditen anzuwenden, liefert keine austauschbaren Antworten. Eine Renditereihe kann kaum gerichtete Abhängigkeit aufweisen, während ihre absoluten Renditen anhaltende Volatilitätscluster zeigen. Ein trendbehaftetes oder integriertes Preisniveau kann aus anderen Gründen skalieren als stationäre Renditen mit Langzeitgedächtnis. Geben Sie bei jeder Angabe von \(H\) die Variable, das Abtastintervall und den untersuchten Skalenbereich an.

Betrachten Sie einen Block aus \(n\) Beobachtungen \(x_1,\ldots,x_n\). Berechnen Sie zunächst den Blockmittelwert \(\bar{x}_n\). Ziehen Sie ihn von jeder Beobachtung ab und bilden Sie aus den zentrierten Werten kumulative Summen:

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

Der kumulative Pfad kann steigen und fallen, obwohl die Summe der zentrierten Werte am Blockende null ist. Seine Spannweite ist der höchste kumulative Wert minus dem niedrigsten:

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

Berechnen Sie die Blockstandardabweichung nach einer ausdrücklich genannten Konvention. Hier wird durch \(n\) geteilt:

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

Der Quotient \(Q_n\) drückt die kumulative Spannweite in Einheiten der üblichen Schwankung innerhalb des Blocks aus. In einem konstanten Block gilt \(S_n=0\), daher ist der Quotient nicht definiert; er darf nicht stillschweigend als Nullbeitrag behandelt werden. In der Praxis wird die Zeitreihe in Blöcke einer gewählten Länge unterteilt, für jeden gültigen Block \(R_n/S_n\) berechnet und der Mittelwert gebildet. Das wird für mehrere vorab festgelegte Blocklängen wiederholt. Mandelbrot und Wallis untersuchten das Verhalten von R/S unter vielen simulierten Verteilungen und Abhängigkeitsmustern in ihrer Arbeit von 1969. Ihre Analyse etablierte R/S als verbreitete Skalierungsdiagnostik, nicht als Verfahren, das gegen jede Modellspezifikation immun ist.

Wenn die mittlere Blockstatistik über die ausgewählten Skalen ungefähr \(\overline{Q}_n\approx Cn^H\) folgt, logarithmieren Sie beide Seiten:

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

Die Steigung der Regression von \(\log \overline{Q}_n\) auf \(\log n\) schätzt den Exponenten. Eine scheinbar gerade Linie über ein enges oder erst nach Sichtung der Ergebnisse gewähltes Intervall ist allein ein schwacher Beleg: Viele endliche Stichproben wirken über wenige Skalen linear, und verschiedene Abschnitte derselben Zeitreihe können unterschiedliche Steigungen aufweisen.

Nehmen wir acht hypothetische Renditen in beliebigen Basispunkteinheiten: \(3,1,0,-1,2,0,-2,-3\). Der Mittelwert der gesamten Stichprobe ist null. Teilen Sie die Folge für jede Blocklänge in benachbarte, nicht überlappende Blöcke, berechnen Sie je Block \(R_n/S_n\) und mitteln Sie die Quotienten. Das Beispiel verwendet die Standardabweichung mit Divisor \(n\); eine andere Konvention verändert die Werte geringfügig.

Bei \(n=2\) beträgt der Quotient aus Spannweite und Standardabweichung für jedes Wertepaar 1, also auch der Mittelwert. Bei \(n=4\) haben die beiden Blöcke ungefähr die Werte \((R,S)=(2.500,1.479)\) und \((3.500,1.920)\). Die Quotienten liegen bei etwa 1.690 und 1.823, der Mittelwert bei rund 1.756. Bei \(n=8\) lautet der zentrierte kumulative Pfad \(3,4,4,3,5,5,3,0\), daher beträgt die Spannweite 5. Die Standardabweichung ist \(\sqrt{3.5}\approx1.871\), der Quotient etwa 2.673.

Da die drei Punkte im Log-Maßstab gleich weit auseinanderliegen, entspricht die gewöhnliche Kleinste-Quadrate-Steigung der Steigung zwischen den Endpunkten:

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

Das ist eine nachvollziehbare Rechnung mit acht erfundenen Werten, kein glaubwürdiger Beleg für Langzeitgedächtnis. Die Schätzung reagiert stark auf einzelne Beobachtungen, umfasst nur drei Skalen und enthält kein Unsicherheitsintervall. Mehr Beobachtungen lösen das Problem nicht automatisch, wenn die Reihe Strukturbrüche aufweist oder die Skalen erst nach Sichtung der gewünschten Steigung ausgewählt wurden.

<!-- Abbildungsplatzierung: nach diesem Abschnitt; eine textfreie Konzeptdarstellung zeigt, wie zentrierte Beobachtungen auf kurzen und langen Blockskalen zu einer Spannweite kumulieren, die stärker wächst als die Standardabweichung innerhalb des Blocks. Keine Achsen, Beschriftungen oder Zahlenbehauptungen. -->

Bei einer stationären Reihe mit endlicher Varianz und Kurzzeitabhängigkeit liegt der Exponent vieler gängiger Langzeitskalierungsergebnisse nahe 0,5. Unter einem Modell vom Typ fraktionales gaußsches Rauschen ist \(H>0.5\) mit positiver Langzeitabhängigkeit vereinbar: Gleichgerichteten Abweichungen folgen häufiger gleichgerichtete Abweichungen als unter der Referenz, und die Korrelationen klingen langsam ab. Ein Exponent unter 0,5 wird mit Antipersistenz verbunden, bei der Umkehrungen oder Abhängigkeiten mit entgegengesetztem Vorzeichen das Skalierungsverhalten bestimmen.

Die Einschränkung „unter dem Modell“ ist wichtig. Die gewöhnliche R/S-Steigung ist eine Schätzung und kein direkter Test eines eindeutig definierten ökonomischen Mechanismus. Verzerrungen in kleinen Stichproben können Schätzwerte von 0,5 wegbewegen; überlappende Blöcke, die Wahl des Nenners, Skalenendpunkte und Autokorrelation wirken sich ebenfalls aus. Ein Konfidenzintervall, das 0,5 einschließt, beweist keine Unabhängigkeit. Ein Intervall, das 0,5 ausschließt, beweist auch nicht, dass ein stabiles Langzeitgedächtnismodell die Beobachtungen erzeugt hat.

Übersetzen Sie \(H=0.7\) nicht in „70 % Wahrscheinlichkeit für eine Trendfortsetzung“, „Renditen halten 70 Tage an“ oder „70 % Trefferquote“. \(H\) ist weder eine Wahrscheinlichkeit noch eine Haltedauer. Es beschreibt eine geschätzte Skalierungsbeziehung. Für statistische Belege einer Abhängigkeit braucht es weiterhin ein Modell, eine Unsicherheitsbewertung und Prüfungen alternativer Erklärungen wie kurzfristiger Korrelation, bedingter Heteroskedastizität, deterministischem Trend oder Regimewechsel.

Das klassische R/S reagiert nicht nur auf echte Langzeitabhängigkeit. Ein kurzlebiges AR-Muster kann gleichgerichtete Abweichungen nahe beieinanderhalten und dadurch die kumulative Spannweite vergrößern. Lo zeigte, dass kurzfristige serielle Korrelation die klassische Statistik nach oben verzerren kann, sodass ein Prozess mit Kurzzeitgedächtnis persistent wirkt. Seine modifizierte R/S-Methode wurde entwickelt, um Langzeitgedächtnis unter Berücksichtigung kurzfristiger Abhängigkeit zu testen. Bei den von ihm untersuchten Aktienrenditeindizes verschwand der Beleg für Langzeitgedächtnis, nachdem kurzfristige Autokorrelation berücksichtigt wurde. Das ist ein Ergebnis für seine Stichproben und seinen Test, kein Urteil über jeden Vermögenswert oder spätere Zeiträume. Siehe Lo’s Arbeit von 1991.

Volatilitätscluster bergen eine andere Falle. Renditen können zwischen positiv und negativ wechseln, während ihre Beträge gebündelt auftreten. R/S auf Renditen untersucht vorzeichenbehaftete kumulative Abweichungen; auf absolute oder quadrierte Renditen angewendet untersucht es die Persistenz der Beträge. Ein hoher Schätzwert für \(|r_t|\) kann gebündeltes Risiko beschreiben, ohne Vorhersagbarkeit der Kursrichtung zu bedeuten. Eine separate Diagnose bedingter Varianzabhängigkeit bietet der Leitfaden zum ARCH-LM-Test. Der Varianzquotiententest fasst Renditeabhängigkeiten über verschiedene Horizonte auf andere Weise zusammen.

Auch fette Verteilungsschwänze und Ausreißer spielen eine Rolle. Mandelbrot und Wallis fanden in vielen nichtgaußschen Simulationen nützliche Robustheitseigenschaften. Das bedeutet nicht, dass eine einzelne Extrembewegung, ein Volatilitätsregimewechsel oder eine falsch spezifizierte Mittelwertfunktion harmlos ist. Eine fundierte Analyse berichtet die Ergebnisse für die ausgewählte Originalreihe und untersucht, wie sie sich unter begründeten Alternativen verändern, statt unbequeme Beobachtungen so lange zu entfernen, bis der Exponent vertraut aussieht.

Das Abziehen des Blockmittelwerts entfernt ein konstantes Niveau aus jedem Block, aber nicht jedes deterministische oder veränderliche Muster. Ein allmählicher Trend, ein einmaliger Niveausprung, eine veränderte Stichprobenzusammensetzung oder ein Volatilitätsbruch können eine lange kumulative Abweichung erzeugen. Die angepasste Log-Log-Beziehung kann dann wie ein Potenzgesetz aussehen, obwohl die Reihe keinen stabilen Langzeitgedächtnismechanismus aufweist. Ein Bruchtest oder eine segmentierte Regression untersucht eine andere Frage; siehe den Leitfaden zur unterbrochenen Zeitreihenregression.

Die Skalenwahl gehört zum Modell. Sehr kurze Blöcke spiegeln vor allem lokales Rauschen und Markt-Mikrostruktur wider; bei sehr langen Blöcken bleiben nur wenige nutzbare Segmente. Überlappende Fenster erhöhen die Zahl berechneter Quotienten, aber nicht die Zahl unabhängiger Informationsstücke im gleichen Umfang. Ein scheinbarer Übergang von einer Steigung bei kurzen Skalen zu einer anderen bei langen Skalen kann unterschiedliche Dynamiken, einen Bruch, Saisonalität oder schlicht Schätzrauschen anzeigen. Ohne Erklärung sollte man daraus nicht einen einzigen \(H\)-Wert machen.

Geben Sie an, ob die Eingangsreihe Preise, Logpreise, Renditen, absolute Renditen oder gefilterte Residuen enthält und ob sich Blöcke überlappen. Legen Sie Blockbereich und Mindestzahl der Blöcke vor der Interpretation fest, berichten Sie die Beobachtungszahl jeder Skala und zeigen Sie die Sensitivität gegenüber plausiblen Endpunkten. Bei integrierten Preisen gilt die übliche Interpretation für stationäre Renditen nicht unverändert. Detrending ist keine Universallösung: Es verändert das Messobjekt und kann zusammen mit störendem Trend auch ökonomisch relevante Schwankungen entfernen.

Los Modifikation behält die Spannweite der zentrierten kumulativen Abweichungen bei, ersetzt die gewöhnliche Blockstandardabweichung jedoch durch eine Langfristvarianzschätzung mit Autokovarianzen kurzer Verzögerungen. Eine verbreitete Schreibweise lautet:

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

Dabei ist \(\widehat{\gamma}_j\) die Stichprobenautokovarianz bei Verzögerung \(j\), und \(q\) ist die Abschneidebandbreite. Die Dreiecksgewichte geben Autokovarianzen nahe dem Abschneidepunkt weniger Gewicht. Die modifizierte Statistik wird mit ihrer passenden Nullverteilung verglichen. Sie ist nicht einfach die klassische R/S-Schätzung mit einem besser wirkenden Nenner, und ihr Wert ist nicht automatisch ein angepasstes \(H\).

Die Bandbreite legt fest, welche kurzfristigen Korrelationen in die Varianzschätzung eingehen. Ein zu kleines \(q\) kann relevante Kurzzeitabhängigkeit unberücksichtigt lassen; ein zu großes \(q\) macht die Schätzung verrauscht und kann Muster einbeziehen, die eigentlich getrennt werden sollten. Berichten Sie Bandbreitenregel, Stichprobenfrequenz, Teststatistik, Nullhypothese und p-Wert und betrachten Sie einen vorab festgelegten Sensitivitätsbereich. Los Arbeit zeigt, warum der Unterschied wichtig ist: Klassisches R/S kann auf Kurzzeitgedächtnis reagieren, während der modifizierte Test eine breitere Nullhypothese prüft, die schwache kurzfristige Abhängigkeit zulässt.

Die Detrended Fluctuation Analysis (DFA) bildet zunächst aus mittelwertzentrierten Beobachtungen ein integriertes Profil, unterteilt dieses in Fenster, passt innerhalb jedes Fensters ein lokales Polynom an und berechnet die quadratische mittlere Residualschwankung \(F(s)\) für Fensterlänge \(s\). Eine Regression von \(\log F(s)\) auf \(\log s\) schätzt die Skalierungssteigung. Die lokale Anpassung kann die Empfindlichkeit gegenüber bestimmten polynomialen Trends reduzieren, doch Ordnung des Detrendings, Fensterlängen und Reihentyp bleiben wichtig. Auch DFA ist nicht immun gegen Brüche, Volatilitätsänderungen oder nach Sichtung des Diagramms gewählte Skalenbereiche.

Frequenzbereichsmethoden schätzen das Niederfrequenzverhalten anhand des Periodogramms. Unter einem bestimmten stationären Langzeitgedächtnismodell gilt bei Spektralleistung nahe der Frequenz null \(f(\lambda)\propto|\lambda|^{-\beta}\); für einen Returnprozess vom Typ fraktionales Rauschen folgt dann \(H=(\beta+1)/2\). Die Niederfrequenzbandbreite bestimmt, welche Beobachtungen die angepasste Steigung beeinflussen. Saisonale Spitzen, Brüche und wenige niederfrequente Ordinaten können das Ergebnis dominieren. Die Beziehung zwischen Spektralparameter und \(H\) hängt davon ab, ob die Eingabe eine stationäre Inkrementreihe oder ein integriertes Niveau ist.

Dies sind alternative Schätzer mit unterschiedlichem Verhalten in endlichen Stichproben, nicht automatisch drei unabhängige Bestätigungen. Werons Vergleich bei endlichen Stichproben (DOI 10.1016/S0378-4371(02)00961-5) verglich R/S, DFA und Periodogrammregression anhand simulierten gaußschen weißen Rauschens und zeigte, dass Schätzungen und Konfidenzintervalle je nach Methode und Stichprobenlänge variieren. Daraus folgt nicht, dass DFA bei Finanzdaten immer überlegen ist. Es zeigt, warum die Inferenz auf das konkrete Verfahren und den Datenerzeugungsprozess abgestimmt werden muss.

Ein geschätzter Exponent kann ein historisches Skalierungsmuster beschreiben oder eine klar formulierte Hypothese anregen. Er liefert jedoch keine Ein- und Ausstiegsregeln, keinen Prognosezeitpunkt, keine Positionsgröße, keine Risikolimits und keine Erklärung dafür, warum ein gemessenes Verhältnis nach seiner Entdeckung fortbestehen sollte. Wenn geprüft wird, ob ein rollierender \(H\)-Schätzer Renditen prognostiziert, müssen Prognosehorizont und Entscheidungszeitpunkt vor der Auswertung feststehen. Außerdem müssen alle Eingaben zu diesem Zeitpunkt verfügbar gewesen sein.

Viele Fensterlängen, Blockgrößen, Vermögenswerte, Renditetransformationen, Detrending-Ordnungen und Schwellenwerte auszuprobieren, bis ein hohes \(H\) erscheint, ist multiples Testen. Der scheinbare Gewinner wurde aus denselben Daten ausgewählt, mit denen er bewertet wird. Dokumentieren Sie die gesamte Suche, verwenden Sie unberührte Daten oder eine korrekt vorwärts verkettete Auswertung und berücksichtigen Sie die getestete Zahl möglicher Varianten. Die Leitfäden zur Wahrscheinlichkeit der Backtest-Überanpassung und zu White’s Reality Check behandeln verwandte Auswahlprobleme.

Ein statistischer Zusammenhang ist kein Handelsvorteil nach Kosten. Bewerten Sie Strategien nach Geld-Brief-Spanne, Provisionen, Slippage, Markteinfluss, Finanzierungs- oder Finanzierungskosten, Leihkosten und Umsatz. Persistente Volatilität kann Risiko und Drawdowns erhöhen, ohne die Richtung von Renditen prognostizierbarer zu machen. Berichten Sie die Unsicherheit der Schätzung, vergleichen Sie sie mit Kurzzeitgedächtnis- und Bruchalternativen, fixieren Sie die Regel vor dem Abschlusstest und unterscheiden Sie eine historische Diagnose vom Strategieergebnis.

Resampling hilft nur, wenn das Design zur untersuchten Abhängigkeit passt. Ein iid-Bootstrap, der einzelne Renditen unabhängig zieht, zerstört die zeitliche Reihenfolge. Ein Block-Bootstrap erhält lokale Folgen innerhalb jedes ausgewählten Blocks; ein kurzer Block kann langsame Abhängigkeiten verpassen, ein langer Block lässt weniger effektiv unterschiedliche Abschnitte übrig. Keiner der beiden beseitigt Strukturbrüche. Wenn Skala, Fenster oder Vermögenswert anhand der Daten ausgewählt wurden, muss die Auswahl bei jeder Wiederholungsstichprobe erneut erfolgen, um suchbereinigte Unsicherheit zu schätzen. Nur den letztlich gewählten Exponenten erneut zu ziehen, unterschätzt die durch die Suche erzeugte Unsicherheit.