Exposant de Hurst et analyse R/S : mémoire longue, calcul et limites en trading

L’exposant de Hurst, noté \(H\), est la pente de la relation entre une échelle de temps et l’amplitude des fluctuations mesurées à cette échelle. Dans l’analyse de la plage rééchelonnée, la plage des écarts cumulés est divisée par l’écart type de la série. Si le rapport moyen augmente approximativement comme \(n^H\) lorsque la longueur du bloc \(n\) s’accroît, la pente de la relation log–log estime \(H\). Ce coefficient vient des travaux de H. E. Hurst sur la capacité de stockage nécessaire à un réservoir pour gérer les variations du débit d’une rivière ; il n’a pas été créé comme indicateur d’achat ou de vente. L’article original de Hurst, « Long-Term Storage Capacity of Reservoirs », explique le calcul de la plage à partir des écarts cumulés des débits annuels à leur moyenne.

Les termes « persistant », « antipersistant » et « proche du hasard » dépendent du processus étudié et des hypothèses d’échelle. Sous une référence courante à incréments stationnaires, \(H=0.5\) correspond à une loi en racine carrée du temps ; \(H>0.5\) est associé à une persistance positive et \(H<0.5\) à l’antipersistence. Ces termes décrivent la dépendance de la série mesurée aux échelles analysées. Ils ne donnent pas la probabilité que le prochain rendement ait un signe particulier.

La série d’entrée modifie la question étudiée. Appliquer la méthode aux rendements bruts, aux rendements absolus, aux rendements au carré, aux niveaux de prix ou aux rendements cumulés ne produit pas des réponses interchangeables. Une série de rendements peut présenter peu de dépendance directionnelle tandis que ses rendements absolus montrent des grappes de volatilité persistantes. Un niveau de prix tendanciel ou intégré peut présenter une loi d’échelle pour des raisons différentes de la mémoire longue stationnaire des rendements. Lorsque vous rapportez \(H\), précisez la variable, l’intervalle d’échantillonnage et la plage d’échelles utilisée.

Considérons un bloc de \(n\) observations \(x_1,\ldots,x_n\). Calculons sa moyenne \(\bar{x}_n\), soustrayons-la à chaque observation, puis cumulons les valeurs centrées :

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

Le chemin cumulatif peut monter et descendre même si la somme des observations centrées est nulle à la fin du bloc. Sa plage correspond à la valeur cumulée maximale moins la valeur minimale :

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

Calculons l’écart type du bloc selon une convention explicitement indiquée. Ici, le diviseur est \(n\) :

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

Le rapport \(Q_n\) exprime la plage cumulée dans les unités de variation ordinaire du bloc. Dans un bloc constant, \(S_n=0\) et le rapport n’est pas défini ; il ne faut pas le traiter silencieusement comme une contribution nulle. En pratique, on divise la série en blocs d’une longueur choisie, on calcule le rapport de chaque bloc valide puis on en fait la moyenne. On répète l’opération pour plusieurs longueurs de bloc définies à l’avance. Dans leur article de 1969, Mandelbrot et Wallis ont étudié le comportement de R/S sous de nombreuses distributions simulées et formes de dépendance. Leur analyse a fait de R/S un diagnostic d’échelle largement utilisé, mais pas une méthode immunisée contre toute erreur de spécification.

Si la statistique moyenne des blocs suit approximativement \(\overline{Q}_n\approx Cn^H\) aux échelles choisies, prenons les logarithmes :

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

La pente de la régression de \(\log \overline{Q}_n\) sur \(\log n\) estime l’exposant. Une droite apparente sur un intervalle étroit ou choisi après examen des résultats constitue, à elle seule, un indice faible : de nombreux échantillons finis semblent linéaires sur quelques échelles, et différentes parties d’une même série peuvent présenter des pentes distinctes.

Prenons huit rendements hypothétiques, exprimés dans des unités arbitraires de points de base : \(3,1,0,-1,2,0,-2,-3\). La moyenne de l’échantillon entier est nulle. Pour chaque longueur de bloc, partageons la séquence en blocs adjacents sans chevauchement, calculons chaque \(R_n/S_n\) et faisons la moyenne des rapports. L’exemple utilise l’écart type de type population avec le diviseur \(n\) ; une autre convention modifierait légèrement les nombres.

Pour \(n=2\), le rapport plage/écart type de chaque paire vaut 1 ; sa moyenne vaut donc également 1. Pour \(n=4\), les valeurs \((R,S)\) des deux blocs sont approximativement \((2.500,1.479)\) et \((3.500,1.920)\). Leurs rapports sont environ 1.690 et 1.823, soit une moyenne proche de 1.756. Pour \(n=8\), le chemin cumulatif centré est \(3,4,4,3,5,5,3,0\), donc la plage vaut 5. L’écart type est \(\sqrt{3.5}\approx1.871\), et le rapport environ 2.673.

Ces trois points sont régulièrement espacés sur l’échelle logarithmique ; la pente des moindres carrés ordinaires est donc celle reliant les deux extrémités :

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

Il s’agit d’un calcul reproductible sur huit valeurs inventées, pas d’une preuve crédible de mémoire longue. L’estimation est très sensible à chaque observation, ne comprend que trois échelles et n’a aucun intervalle d’incertitude. Ajouter des observations ne résout pas automatiquement le problème si la série comporte des ruptures ou si les échelles sont choisies après avoir repéré la pente souhaitée.

<!-- Emplacement de l’illustration : après cette section ; représentation conceptuelle sans texte montrant des observations centrées qui s’accumulent en une plage à des échelles de blocs courtes et longues, la plage croissant davantage que l’écart type à l’intérieur du bloc. Sans axes, légendes ni affirmation numérique. -->

Pour une série stationnaire de variance finie et à dépendance de courte portée, de nombreux résultats usuels de mise à l’échelle à long terme donnent un exposant proche de 0,5. Dans un modèle de type bruit gaussien fractionnaire, \(H>0.5\) est compatible avec une dépendance positive de longue portée : par rapport à la référence, les écarts de même direction ont davantage tendance à se suivre et les corrélations diminuent lentement. Un exposant inférieur à 0,5 est associé à l’antipersistence, où les retournements ou les dépendances de signe opposé dominent le comportement d’échelle.

La précision « dans le cadre du modèle » compte. La pente R/S ordinaire est une estimation, pas un test direct d’un mécanisme économique unique. Le biais des petits échantillons peut éloigner les estimations de 0,5 ; les blocs chevauchants, la convention de dénominateur, les extrémités de l’échelle et l’autocorrélation modifient aussi le résultat. Un intervalle de confiance qui contient 0,5 ne prouve pas l’indépendance, et un intervalle qui l’exclut ne prouve pas qu’un modèle stable de mémoire longue a généré les observations.

Ne traduisez pas \(H=0.7\) par « 70 % de chances que la tendance continue », « les rendements persistent pendant 70 jours » ou « un taux de réussite de 70 % ». \(H\) n’est ni une probabilité ni une durée de détention. Il décrit une relation d’échelle estimée. Pour établir statistiquement une dépendance, il faut encore un modèle, une évaluation de l’incertitude et des vérifications face à d’autres explications : corrélation à court terme, hétéroscédasticité conditionnelle, tendance déterministe ou changement de régime.

Le R/S classique réagit à autre chose qu’une vraie dépendance de longue portée. Un motif AR de courte durée peut rapprocher des écarts de même signe et augmenter la plage cumulée. Lo a montré qu’une corrélation sérielle à court terme peut biaiser la statistique classique vers le haut et donner une apparence persistante à un processus à mémoire courte. Sa méthode R/S modifiée a été conçue pour tester la mémoire longue en tenant compte de la dépendance à court terme. Pour les indices de rendements boursiers qu’il a étudiés, les éléments en faveur d’une mémoire longue ont disparu une fois l’autocorrélation de court terme prise en compte ; ce résultat porte sur ses échantillons et son test, pas sur tous les actifs ou toutes les périodes ultérieures. Voir l’article de Lo de 1991.

Les grappes de volatilité créent un autre piège. Les signes des rendements peuvent alterner alors que leurs amplitudes restent regroupées. Le R/S appliqué aux rendements porte sur les écarts cumulés signés ; appliqué aux rendements absolus ou au carré, il porte sur la persistance des amplitudes. Une estimation élevée pour \(|r_t|\) peut décrire un regroupement du risque sans rendre la direction des prix prévisible. Pour un diagnostic séparé de la dépendance de la variance conditionnelle, consultez le guide du test ARCH LM. Le guide du test du ratio de variance présente une autre synthèse de la dépendance des rendements selon l’horizon.

Les queues épaisses et les valeurs aberrantes comptent également. Mandelbrot et Wallis ont relevé des propriétés de robustesse utiles dans de nombreuses simulations non gaussiennes, mais cela ne rend inoffensifs ni un mouvement extrême, ni un changement de régime de volatilité, ni une moyenne mal spécifiée. Une analyse sérieuse rapporte les résultats sur la série originale retenue et examine leur évolution sous des hypothèses de rechange justifiées, au lieu de supprimer les observations gênantes jusqu’à obtenir un exposant familier.

Soustraire la moyenne du bloc retire un niveau constant dans chaque bloc, mais pas tous les motifs déterministes ou changeants. Une tendance progressive, un saut de niveau ponctuel, une modification de la composition de l’échantillon ou une rupture de volatilité peuvent produire une longue excursion cumulée. La relation log–log ajustée peut alors ressembler à une loi de puissance sans que la série possède un mécanisme stable de mémoire longue. Un test de rupture ou une régression segmentée répond à une autre question ; voir le guide sur la régression de série temporelle interrompue.

Le choix des échelles fait partie du modèle. Les blocs très courts reflètent surtout le bruit local et la microstructure de marché ; les blocs très longs laissent peu de segments exploitables. Les fenêtres chevauchantes augmentent le nombre de rapports calculés, mais pas le nombre de pièces d’information indépendantes dans la même proportion. Un croisement apparent — une pente aux courtes échelles, une autre aux longues — peut indiquer des dynamiques différentes, une rupture, une saisonnalité ou simplement du bruit d’estimation. Il ne faut pas le réduire à un seul \(H\) sans explication.

Précisez si l’entrée est un prix, un log-prix, un rendement, un rendement absolu ou un résidu filtré, ainsi que le chevauchement éventuel des blocs. Choisissez la plage de blocs et le nombre minimal de blocs avant d’interpréter le résultat, indiquez le nombre d’observations à chaque échelle et montrez la sensibilité à des extrémités plausibles. Si les prix sont intégrés, l’interprétation habituelle des rendements stationnaires ne s’applique pas telle quelle. Le detrending n’est pas une correction universelle : il change l’objet mesuré et peut supprimer des variations économiquement pertinentes avec la tendance indésirable.

La modification de Lo conserve la plage des écarts cumulés centrés, mais remplace l’écart type ordinaire du bloc par une estimation de variance de long terme qui inclut les autocovariances à retards courts. Une notation courante est :

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

Ici, \(\widehat{\gamma}_j\) est l’autocovariance d’échantillon au retard \(j\), et \(q\) la largeur de bande de troncature. Les pondérations triangulaires réduisent le poids des autocovariances proches de la limite. La statistique modifiée est comparée à sa distribution nulle appropriée ; ce n’est pas simplement l’estimation R/S classique avec un dénominateur plus flatteur, et sa valeur ne devient pas automatiquement un \(H\) corrigé.

La largeur de bande détermine les corrélations de court terme incluses dans l’estimation de variance. Un \(q\) trop faible peut laisser de côté une dépendance courte pertinente ; un \(q\) trop grand rend l’estimation bruyante et peut absorber des motifs que l’analyse voulait distinguer. Indiquez la règle de largeur de bande, la fréquence d’échantillonnage, la statistique de test, l’hypothèse nulle et la valeur p, et examinez une plage de sensibilité définie à l’avance. L’article de Lo montre pourquoi cette distinction est importante : le R/S classique peut réagir à la mémoire courte, alors que le test modifié cible une hypothèse nulle plus large qui autorise une faible dépendance à court terme.

L’analyse des fluctuations sans tendance (DFA) construit d’abord un profil intégré à partir d’observations centrées sur leur moyenne, divise ce profil en fenêtres, ajuste un polynôme local dans chaque fenêtre, puis calcule la fluctuation résiduelle quadratique moyenne \(F(s)\) pour la taille de fenêtre \(s\). Une régression de \(\log F(s)\) sur \(\log s\) estime une pente d’échelle. L’ajustement local peut réduire la sensibilité à certaines tendances polynomiales, mais l’ordre du detrending, la longueur des fenêtres et le type de série restent importants. La DFA n’élimine pas les effets des ruptures, des changements de volatilité ou d’un intervalle d’échelles choisi après examen du graphique.

Les méthodes fréquentielles estiment le comportement des basses fréquences à partir du périodogramme. Dans un modèle stationnaire particulier de mémoire longue, si la puissance spectrale près de la fréquence zéro suit \(f(\lambda)\propto|\lambda|^{-\beta}\), alors, pour un processus de rendements de type bruit fractionnaire, \(H=(\beta+1)/2\). La largeur de bande des basses fréquences détermine quelles observations influencent la pente ajustée ; les pics saisonniers, les ruptures et quelques ordonnées de basse fréquence peuvent la dominer. Le lien entre le paramètre spectral et \(H\) dépend du fait que l’entrée soit une série d’incréments stationnaires ou un niveau intégré.

Ce sont des estimateurs alternatifs aux comportements différents en échantillon fini, pas trois confirmations indépendantes par défaut. La comparaison en échantillon fini de Weron (DOI 10.1016/S0378-4371(02)00961-5) a comparé R/S, DFA et régression du périodogramme sur du bruit blanc gaussien simulé, et montré que les estimations et intervalles de confiance varient selon la méthode et la taille de l’échantillon. Ces résultats ne démontrent pas que la DFA est toujours préférable sur des données financières ; ils montrent pourquoi l’inférence doit être calibrée selon la procédure et le processus générateur des données.

Un exposant estimé peut décrire un motif historique de mise à l’échelle ou motiver une hypothèse précise. Il ne fournit ni règles d’entrée et de sortie, ni calendrier de prévision, ni taille de position, ni limites de risque, ni raison pour laquelle une relation mesurée persisterait une fois connue. Pour tester si une estimation glissante de \(H\) prédit les rendements, il faut fixer l’horizon de prévision et le moment de décision avant l’évaluation, et vérifier que toutes les entrées étaient alors disponibles.

Tester de nombreuses longueurs de fenêtres, tailles de blocs, classes d’actifs, transformations des rendements, ordres de detrending et seuils jusqu’à obtenir un \(H\) élevé relève des tests multiples. Le résultat apparemment gagnant a été choisi dans les mêmes données que celles utilisées pour l’évaluer. Consignez toute la recherche, utilisez des données intactes ou une évaluation correctement enchaînée vers l’avant, et tenez compte du nombre de candidats explorés. Les guides sur la probabilité de surajustement d’un backtest et le Reality Check de White traitent de problèmes de sélection connexes.

Une association statistique ne constitue pas un avantage de trading net des coûts. Évaluez une stratégie après l’écart acheteur-vendeur, les commissions, le slippage, l’impact de marché, les coûts de financement, les coûts d’emprunt et le renouvellement des positions. Une volatilité persistante peut augmenter le risque et les pertes maximales sans améliorer la prévisibilité du sens des rendements. Rapportez l’incertitude de l’estimation, comparez-la aux explications de mémoire courte et de rupture, figez la règle avant le test final et distinguez le diagnostic historique du résultat stratégique.

Le rééchantillonnage n’aide que si sa conception correspond à la dépendance étudiée. Un bootstrap iid qui tire indépendamment des rendements individuels détruit leur ordre temporel. Un bootstrap par blocs préserve les séquences locales à l’intérieur des blocs choisis, mais un bloc court peut manquer les dépendances lentes tandis qu’un bloc long laisse moins de segments effectivement distincts ; aucun des deux n’efface une rupture structurelle. Si l’échelle, la fenêtre ou l’actif a été choisi à partir des données, répétez la sélection dans chaque rééchantillonnage afin d’estimer l’incertitude ajustée à la recherche. Rééchantillonner seulement l’exposant finalement retenu sous-estime l’incertitude créée par la recherche.