हर्स्ट एक्सपोनेंट और R/S विश्लेषण: लॉन्ग मेमरी, गणना और ट्रेडिंग की सीमाएँ

हर्स्ट एक्सपोनेंट \(H\), समय-स्केल और उस स्केल पर मापे गए उतार-चढ़ाव के आकार के बीच संबंध का ढाल है। Rescaled-range विश्लेषण में cumulative deviations के range को श्रृंखला के standard deviation से भाग दिया जाता है। यदि block length \(n\) बढ़ने पर औसत अनुपात लगभग \(n^H\) की दर से बढ़ता है, तो log–log संबंध का ढाल \(H\) का अनुमान है। यह गुणांक H. E. Hurst के उस काम से आया जिसमें बदलते नदी-प्रवाह को संभालने के लिए जलाशय की कितनी भंडारण क्षमता चाहिए, यह देखा गया था; इसे खरीद-बिक्री संकेतक के रूप में नहीं बनाया गया। Hurst के मूल लेख “Long-Term Storage Capacity of Reservoirs” में वार्षिक प्रवाह के औसत से cumulative departures लेकर range निकालने का वर्णन है।

“Persistent”, “anti-persistent” और “random-like” जैसी व्याख्याएँ इस बात पर निर्भर करती हैं कि कौन-सी प्रक्रिया देखी जा रही है और scaling की कौन-सी मान्यताएँ रखी गई हैं। सामान्य stationary-increment benchmark में \(H=0.5\) square-root-of-time scaling के अनुरूप है; \(H>0.5\) सकारात्मक persistence और \(H<0.5\) anti-persistence से जुड़ा है। ये शब्द चुने गए स्केलों पर मापी गई श्रृंखला की निर्भरता बताते हैं, अगली return के किसी एक दिशा में जाने की संभावना नहीं।

Input series बदलने से प्रश्न भी बदलता है। Raw returns, absolute returns, squared returns, price levels या cumulative returns पर यही विधि लगाने से एक जैसे उत्तर नहीं मिलते। किसी return series में दिशा संबंधी निर्भरता कम हो सकती है, जबकि absolute returns में volatility clustering बनी रह सकती है। Trend वाला या integrated price level ऐसे कारणों से scaling दिखा सकता है जो stationary returns की long memory से अलग हैं। \(H\) रिपोर्ट करते समय variable, sampling interval और इस्तेमाल की गई scale range बताएँ।

\(n\) observations \(x_1,\ldots,x_n\) वाला block लें। पहले block mean \(\bar{x}_n\) निकालें। हर observation से यह mean घटाएँ और centered values को क्रमशः जोड़ें:

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

Centered observations का योग block के अंत में शून्य होता है, फिर भी cumulative path बीच में ऊपर-नीचे जा सकता है। इसका range सबसे ऊँचे cumulative value में से सबसे निचले value को घटाकर मिलता है:

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

एक घोषित convention के अनुसार block standard deviation निकालें। यहाँ divisor \(n\) लिया गया है:

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

अनुपात \(Q_n\), cumulative range को block के सामान्य उतार-चढ़ाव की इकाइयों में रखता है। स्थिर block में \(S_n=0\), इसलिए अनुपात अपरिभाषित है; इसे चुपचाप शून्य योगदान नहीं मानना चाहिए। व्यवहार में रिकॉर्ड को चुनी हुई लंबाई के blocks में बाँटें, हर मान्य block का अनुपात निकालें और उनका औसत लें। फिर पहले से तय कई block lengths पर यही प्रक्रिया दोहराएँ। Mandelbrot और Wallis ने अपने 1969 के लेख में कई simulated distributions और dependence patterns के तहत R/S का व्यवहार देखा। इस काम ने R/S को उपयोगी scaling diagnostic बनाया, लेकिन हर प्रकार की model misspecification के प्रति अचूक नहीं।

यदि चुने गए scales पर औसत block statistic \(\overline{Q}_n\approx Cn^H\) के अनुसार बढ़ता है, तो logarithm लें:

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

\(\log \overline{Q}_n\) को \(\log n\) पर fit करने से मिलने वाला slope exponent का अनुमान है। चुनी हुई संकरी अवधि में सीधी दिखती रेखा अकेले कमजोर साक्ष्य है: कई finite samples कुछ ही scales पर linear दिख सकते हैं और एक ही रिकॉर्ड के अलग हिस्सों में अलग slopes हो सकते हैं।

आठ काल्पनिक returns लें, basis-point की मनमानी इकाई में: \(3,1,0,-1,2,0,-2,-3\)। पूरे नमूने का mean शून्य है। हर block length पर क्रमागत, non-overlapping blocks बनाएँ, प्रत्येक का \(R_n/S_n\) निकालें और अनुपातों का औसत लें। उदाहरण में population-style standard deviation के लिए divisor \(n\) इस्तेमाल किया गया है; दूसरा convention थोड़े अलग अंक देगा।

\(n=2\) पर हर जोड़े का range-to-standard-deviation अनुपात 1 है, इसलिए औसत भी 1 है। \(n=4\) पर दो blocks के \((R,S)\) मान लगभग \((2.500,1.479)\) और \((3.500,1.920)\) हैं। इनके अनुपात लगभग 1.690 और 1.823 हैं, जिससे औसत लगभग 1.756 आता है। \(n=8\) पर centered cumulative path \(3,4,4,3,5,5,3,0\) है, इसलिए range 5 है। Standard deviation \(\sqrt{3.5}\approx1.871\) और अनुपात लगभग 2.673 है।

इन तीन log-scale points के बीच दूरी बराबर है, इसलिए ordinary least-squares slope endpoint slope के बराबर है:

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

आठ गढ़े हुए मानों पर यह पुनरुत्पादित की जा सकने वाली गणना है, long memory का विश्वसनीय साक्ष्य नहीं। अनुमान अलग-अलग observations के प्रति बहुत संवेदनशील है, इसमें केवल तीन scales हैं और uncertainty interval नहीं। यदि श्रृंखला में breaks हैं या मनचाहा slope पाने के बाद scales चुने जाएँ, तो अधिक observations इस समस्या को अपने-आप ठीक नहीं करते।

<!-- चित्र का स्थान: इस section के बाद; छोटे और लंबे block scales पर centered observations कैसे जमा होकर range बनाते हैं, और range block के भीतर के standard deviation से अधिक बढ़ सकता है, इसकी बिना-शब्दों वाली वैचारिक छवि। कोई axis, label या संख्यात्मक दावा नहीं। -->

Finite variance और short-range dependence वाली stationary series में कई सामान्य long-run scaling नतीजे exponent को 0.5 के आसपास रखते हैं। Fractional-Gaussian-noise-जैसे model के तहत \(H>0.5\) सकारात्मक long-range dependence के अनुरूप है: benchmark की तुलना में समान दिशा की deviations के बाद समान दिशा की deviations अधिक बार आती हैं और correlations धीरे घटते हैं। 0.5 से नीचे का exponent anti-persistence से जुड़ा है, जहाँ reversals या विपरीत चिह्न वाली dependence scaling व्यवहार पर हावी होती है।

“Model के तहत” कहना ज़रूरी है। सामान्य R/S slope एक अनुमान है, किसी एक आर्थिक तंत्र की सीधी परीक्षा नहीं। छोटे नमूने का bias अनुमान को 0.5 से दूर कर सकता है; overlapping blocks, denominator convention, scale endpoints और autocorrelation भी परिणाम बदलते हैं। Confidence interval में 0.5 होना independence सिद्ध नहीं करता, और 0.5 का बाहर होना भी यह सिद्ध नहीं करता कि observations किसी स्थिर long-memory model से ही बने।

\(H=0.7\) को “trend जारी रहने की 70% संभावना”, “returns 70 दिन तक बने रहेंगे” या “70% सफलता दर” न समझें। \(H\) probability या holding period के रूप में सीमित नहीं है। यह अनुमानित scaling संबंध बताता है। Dependence के सांख्यिकीय साक्ष्य के लिए model, uncertainty assessment और short-run correlation, conditional heteroskedasticity, deterministic trend या regime shift जैसे विकल्पों की जाँच भी चाहिए।

Classical R/S केवल असली long-range dependence पर प्रतिक्रिया नहीं करता। Short-lived AR pattern समान चिह्न वाली deviations को पास-पास रख सकता है और cumulative range बढ़ा सकता है। Lo ने दिखाया कि short-range serial correlation classical statistic को ऊपर की ओर bias कर सकता है, जिससे short-memory process persistent दिखे। उनकी modified R/S विधि short-range dependence को ध्यान में रखकर long memory की जाँच के लिए बनाई गई थी। जिन stock-return indexes की उन्होंने जाँच की, उनमें short-term autocorrelation को शामिल करने के बाद long memory का साक्ष्य नहीं बचा; यह उनके नमूनों और परीक्षण का नतीजा है, हर asset या बाद की अवधि पर फैसला नहीं। Lo का 1991 का लेख देखें।

Volatility clustering एक अलग भ्रम पैदा करती है। Returns के चिह्न बारी-बारी बदल सकते हैं, जबकि उनके आकार एक साथ cluster हों। Returns पर R/S लगाना signed cumulative deviations के बारे में प्रश्न पूछता है; absolute या squared returns पर लगाना magnitude की persistence के बारे में। \(|r_t|\) के लिए ऊँचा अनुमान clustered risk बता सकता है, price direction की predictability नहीं। Conditional variance dependence के अलग diagnostic के लिए ARCH LM test मार्गदर्शिका देखें। Variance-ratio मार्गदर्शिका कई horizons में return dependence का दूसरा सार देती है।

Heavy tails और outliers भी मायने रखते हैं। Mandelbrot और Wallis को कई non-Gaussian simulations में उपयोगी robustness गुण मिले थे, लेकिन इसका मतलब यह नहीं कि एक extreme move, volatility regime change या गलत mean specification हानिरहित है। अच्छा विश्लेषण चुनी गई मूल series के नतीजे बताता है और उचित विकल्पों में उनकी संवेदनशीलता देखता है; परिचित दिखने वाला exponent मिलने तक असुविधाजनक observations हटाता नहीं।

हर block से उसका mean घटाने पर constant level हटता है, लेकिन हर deterministic या बदलते pattern नहीं। धीरे चलने वाला trend, एक बार का level shift, sample composition में बदलाव या volatility break लंबी cumulative excursion बना सकता है। Fitted log–log संबंध power law जैसा दिख सकता है, जबकि series में स्थिर long-memory mechanism न हो। Break test या segmented-regression अलग प्रश्न पूछता है; interrupted time-series regression मार्गदर्शिका देखें।

Scale चुनना model का हिस्सा है। बहुत छोटे blocks मुख्यतः स्थानीय noise और market microstructure दिखाते हैं; बहुत बड़े blocks में उपयोगी segments कम बचते हैं। Overlapping windows से अधिक ratios निकाले जा सकते हैं, लेकिन उतनी ही स्वतंत्र जानकारी नहीं बनती। Short scales पर एक slope और लंबे scales पर दूसरा slope दिखाने वाला crossover अलग dynamics, break, seasonal structure या estimation noise का संकेत हो सकता है। इसे बिना स्पष्टीकरण एक \(H\) में समेटना ठीक नहीं।

Input price, log price, return, absolute return या filtered residual में से क्या है, और blocks overlap करते हैं या नहीं, यह साफ बताएँ। परिणाम समझने से पहले block range और न्यूनतम block count तय करें, हर scale में इस्तेमाल observations की संख्या बताएँ, और उचित endpoints बदलकर sensitivity दिखाएँ। अगर prices integrated हैं, तो stationary returns की सामान्य व्याख्या जस की तस लागू नहीं होती। Detrending हर समस्या का इलाज नहीं: यह मापी जा रही वस्तु बदल देता है और nuisance trend के साथ आर्थिक रूप से अर्थपूर्ण variation भी हटा सकता है।

Lo का संशोधन centered cumulative deviations का range बनाए रखता है, लेकिन सामान्य block standard deviation की जगह short-lag autocovariances शामिल करने वाला long-run variance estimate इस्तेमाल करता है। एक प्रचलित notation है:

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

यहाँ \(\widehat{\gamma}_j\), lag \(j\) पर sample autocovariance है और \(q\) truncation bandwidth है। Triangular weights cutoff के पास autocovariances को कम महत्व देते हैं। Modified statistic की तुलना उसके उपयुक्त null distribution से की जाती है; यह केवल बेहतर दिखने वाले denominator वाला classical R/S estimate नहीं है, और इसका मान अपने-आप adjusted \(H\) नहीं बन जाता।

Bandwidth तय करता है कि variance estimate में कौन-सी short-run correlations आएँ। \(q\) बहुत छोटा हो तो प्रासंगिक short-range dependence छूट सकती है; बहुत बड़ा हो तो estimate noisy हो सकता है और उन patterns को भी समेट सकता है जिन्हें अलग करना था। Bandwidth rule, sample frequency, test statistic, null और p-value रिपोर्ट करें; पहले से तय sensitivity range पर भी विचार करें। Lo का लेख बताता है कि यह अंतर क्यों मायने रखता है: classical R/S short memory पर भी प्रतिक्रिया कर सकता है, जबकि modified test ऐसा व्यापक null जाँचता है जो कमजोर short-run dependence की अनुमति देता है।

Detrended fluctuation analysis (DFA) पहले mean-centered observations से integrated profile बनाता है, फिर profile को windows में बाँटता है, हर window में local polynomial fit करता है और residual fluctuation का root-mean-square मान \(F(s)\) निकालता है; \(s\) window size है। \(\log F(s)\) को \(\log s\) पर regress करने से scaling slope मिलता है। Local fit चुने गए polynomial trends की संवेदनशीलता घटा सकता है, लेकिन detrending order, window lengths और series type फिर भी मायने रखते हैं। DFA breaks, volatility changes या plot देखकर बाद में चुने scale interval से मुक्त नहीं।

Frequency-domain विधियाँ periodogram से low-frequency व्यवहार का अनुमान लगाती हैं। किसी विशेष stationary long-memory model के तहत, यदि zero frequency के पास spectral power \(f(\lambda)\propto|\lambda|^{-\beta}\) हो, तो fractional-noise-शैली return process के लिए \(H=(\beta+1)/2\)। Low-frequency bandwidth तय करता है कि कौन-से observations fitted slope को प्रभावित करेंगे; seasonal peaks, breaks और कुछ ही low-frequency ordinates परिणाम पर हावी हो सकते हैं। Spectral parameter और \(H\) का संबंध इस बात पर निर्भर करता है कि input stationary increment series है या integrated level।

ये अलग-अलग finite-sample व्यवहार वाले वैकल्पिक estimators हैं, अपने-आप में तीन स्वतंत्र पुष्टि नहीं। Weron के finite-sample comparison (DOI 10.1016/S0378-4371(02)00961-5) ने simulated Gaussian white noise पर R/S, DFA और periodogram regression की तुलना की और दिखाया कि method तथा sample length के अनुसार estimates और confidence intervals बदलते हैं। इससे यह साबित नहीं होता कि financial data पर DFA हमेशा बेहतर है; यह बताता है कि वास्तविक प्रक्रिया और data के लिए inference को calibrate करना क्यों ज़रूरी है।

अनुमानित exponent ऐतिहासिक scaling pattern बताने या स्पष्ट hypothesis बनाने में मदद कर सकता है। लेकिन यह entry और exit rule, forecast timing, position size, risk limit या मापा गया संबंध जानकारी में आने के बाद भी क्यों बना रहेगा—इनका उत्तर नहीं देता। यदि शोधकर्ता जाँचे कि trailing \(H\) estimate returns का पूर्वानुमान देता है या नहीं, तो evaluation से पहले prediction horizon और decision time तय होने चाहिए तथा हर input उसी समय उपलब्ध रहा हो।

ऊँचा \(H\) दिखाने वाले window lengths, block sizes, assets, return transforms, detrending orders और thresholds खोजते जाना multiple testing है। दिखने वाला winner उसी data में से चुना गया है जिससे उसका मूल्यांकन हुआ। पूरी खोज को research record का हिस्सा मानें; untouched या सही forward-chained evaluation लें और candidate search का हिसाब रखें। Probability of backtest overfitting और White’s Reality Check मार्गदर्शिकाएँ इससे जुड़ी selection समस्याएँ समझाती हैं।

सांख्यिकीय संबंध लागत के बाद trading edge नहीं होता। Strategy का मूल्यांकन bid–ask spread, commissions, slippage, market impact, funding या financing, borrow costs और turnover के बाद करें। Persistent volatility, direction of returns सुधारे बिना भी risk और drawdown बढ़ा सकती है। Estimate की uncertainty बताएँ, short-memory और break विकल्पों से तुलना करें, अंतिम test से पहले rule freeze करें, और historical diagnostic को strategy result से अलग रखें।

Resampling तभी मदद करता है जब उसका design उस dependence के अनुरूप हो जिसकी जाँच हो रही है। अलग-अलग returns को स्वतंत्र रूप से चुनने वाला iid bootstrap समय-क्रम नष्ट कर देता है। Block bootstrap चुने गए हर block में स्थानीय runs बनाए रखता है, लेकिन छोटा block धीमी dependence छोड़ सकता है और लंबा block प्रभावी रूप से अलग टुकड़ों की संख्या घटाता है; कोई भी structural break मिटाता नहीं। Data से scale, window या asset चुना गया हो तो search-adjusted uncertainty के लिए हर resample के भीतर उस चयन को दोहराएँ। केवल अंतिम चुने exponent को resample करने पर खोज से आई uncertainty कम दिखाई देती है।