Eksponen Hurst dan Analisis R/S: Makna, Perhitungan, dan Batas Trading

Eksponen Hurst, ditulis \(H\), adalah kemiringan hubungan antara skala waktu dan besar fluktuasi yang diukur pada skala tersebut. Dalam analisis rentang terskala ulang, rentang deviasi kumulatif dibagi simpangan baku deret. Jika rasio yang diharapkan tumbuh kira-kira seperti \(n^H\) pada panjang blok \(n\), kemiringan grafik log-log mengestimasi \(H\). Ukuran ini berasal dari karya H. E. Hurst tentang kapasitas waduk untuk mengelola arus sungai yang berubah-ubah, bukan sebagai indikator beli atau jual. Makalah aslinya, Long-Term Storage Capacity of Reservoirs, menghitung rentang dari penyimpangan kumulatif aliran tahunan terhadap rata-ratanya.

Penafsiran seperti “persisten”, “anti-persisten”, dan “mirip acak” bergantung pada proses yang dikaji dan asumsi penskalaannya. Pada tolok ukur inkremen stasioner yang umum, \(H=0.5\) sesuai dengan penskalaan akar waktu; \(H>0.5\) berkaitan dengan inkremen yang persisten positif, sedangkan \(H<0.5\) berkaitan dengan anti-persistensi. Label ini menjelaskan dependensi pada seri dan skala yang dianalisis, bukan peluang tanda imbal hasil berikutnya.

Seri masukan mengubah pertanyaannya. Menerapkan metode pada imbal hasil mentah, absolut, kuadrat, level harga, atau imbal hasil kumulatif tidak menghasilkan jawaban yang dapat dipertukarkan. Deret imbal hasil dapat memiliki sedikit dependensi arah, sementara imbal hasil absolut menunjukkan pengelompokan volatilitas yang persisten. Level harga yang bertendensi atau terintegrasi bisa memperlihatkan penskalaan karena alasan berbeda dari memori jangka panjang yang stasioner pada imbal hasil. Saat melaporkan \(H\), sebutkan variabel, interval sampling, dan rentang skala.

Untuk blok berisi \(n\) pengamatan \(x_1,\ldots,x_n\), hitung rata-rata blok \(\bar{x}_n\). Kurangi rata-rata dari setiap pengamatan lalu akumulasikan nilai yang telah dipusatkan:

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

Lintasan kumulatif dapat naik dan turun meskipun jumlah pengamatan terpusat sama dengan nol di ujung blok. Rentangnya adalah nilai kumulatif tertinggi dikurangi yang terendah:

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

Tentukan konvensi simpangan baku blok. Di sini penyebutnya \(n\):

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

Rasio \(Q_n\) menyatakan rentang kumulatif dalam satuan variasi biasa di dalam blok. Jika blok konstan, \(S_n=0\) dan rasionya tidak terdefinisi; jangan diam-diam menganggapnya sebagai kontribusi nol. Dalam praktik, pecah catatan menjadi blok dengan panjang pilihan, hitung rasio setiap blok valid lalu ambil rata-ratanya, dan ulangi untuk rentang panjang blok yang telah ditentukan. Mandelbrot dan Wallis mengkaji perilaku R/S pada beragam distribusi simulasi dan pola dependensi dalam makalah 1969 mereka. Kajian itu menjadikan R/S diagnostik penskalaan yang banyak dipakai, tetapi tidak membuatnya kebal terhadap segala salah spesifikasi.

Jika statistik blok rata-rata mengikuti \(\overline{Q}_n\approx Cn^H\) pada skala yang dipilih, ambil logaritma:

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

Kemiringan regresi \(\log\overline{Q}_n\) terhadap \(\log n\) mengestimasi eksponen. Garis yang tampak lurus pada interval sempit atau dipilih setelah melihat hasil bukan bukti kuat dengan sendirinya: banyak sampel terbatas tampak linear pada beberapa skala saja, dan bagian berbeda dari seri yang sama dapat memiliki kemiringan berbeda.

Pertimbangkan delapan imbal hasil hipotetis dalam satuan basis poin arbitrer: \(3,1,0,-1,2,0,-2,-3\). Rata-rata seluruh sampel adalah nol. Untuk setiap panjang blok, pisahkan urutan menjadi blok berurutan yang bersebelahan dan tidak tumpang-tindih, hitung \(R_n/S_n\) tiap blok, lalu rata-ratakan. Contoh ini memakai simpangan baku bergaya populasi dengan penyebut \(n\); konvensi lain sedikit mengubah angka.

Pada \(n=2\), rasio rentang terhadap simpangan baku untuk tiap pasangan adalah 1, sehingga rata-ratanya 1. Pada \(n=4\), nilai \((R,S)\) kedua blok kira-kira \((2.500,1.479)\) dan \((3.500,1.920)\). Rasionya sekitar 1.690 dan 1.823, dengan rata-rata sekitar 1.756. Pada \(n=8\), lintasan kumulatif terpusat adalah \(3,4,4,3,5,5,3,0\), sehingga rentangnya 5. Simpangan bakunya \(\sqrt{3.5}\approx1.871\), dan rasionya sekitar 2.673.

Karena tiga titik pada skala log berjarak sama, kemiringan kuadrat terkecil biasa sama dengan kemiringan titik ujung:

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

Ini perhitungan yang dapat diulang dari delapan angka rekaan, bukan bukti kredibel adanya memori jangka panjang. Estimasinya sangat peka terhadap tiap pengamatan, hanya memakai tiga skala, dan tidak memiliki interval ketidakpastian. Lebih banyak pengamatan tidak otomatis menyelesaikan persoalan jika seri memiliki patahan atau rentang skala dipilih setelah mencari kemiringan yang diinginkan.

<!-- 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. -->

Untuk seri stasioner dengan varians terbatas dan dependensi jangka pendek, banyak hasil penskalaan jangka panjang yang umum mengarah pada eksponen mendekati 0,5. Dalam model bergaya derau Gaussian fraksional, \(H>0.5\) konsisten dengan dependensi jangka panjang positif: penyimpangan lebih sering diikuti penyimpangan searah daripada pada tolok ukur, dengan korelasi yang meluruh perlahan. Eksponen di bawah 0,5 berkaitan dengan anti-persistensi, ketika pembalikan atau dependensi bertanda berlawanan mendominasi pola penskalaan.

Kualifikasi “dalam model tersebut” penting. Kemiringan R/S biasa adalah estimasi, bukan uji langsung atas satu mekanisme ekonomi yang unik. Bias sampel kecil dapat menjauhkan estimasi dari 0,5; blok tumpang-tindih, konvensi penyebut, batas skala, dan autokorelasi juga memengaruhi hasil. Interval kepercayaan yang mencakup 0,5 tidak membuktikan independensi, dan interval yang tidak mencakupnya tidak membuktikan bahwa model memori panjang yang stabil menghasilkan data.

Jangan menafsirkan \(H=0.7\) sebagai “peluang tren berlanjut 70%”, “imbal hasil bertahan 70 hari”, atau “tingkat keberhasilan 70%”. \(H\) bukan probabilitas atau lama memegang posisi; nilainya menjelaskan hubungan penskalaan terestimasi. Bukti dependensi statistik tetap memerlukan model, penilaian ketidakpastian, dan pemeriksaan alternatif seperti korelasi jangka pendek, heteroskedastisitas bersyarat, tren deterministik, atau perubahan rezim.

R/S klasik merespons lebih dari sekadar memori jangka panjang yang sebenarnya. Pola AR berumur pendek dapat membuat deviasi dengan tanda sama berdekatan dan memperbesar rentang kumulatif. Lo menunjukkan bahwa korelasi serial jangka pendek dapat menggeser statistik klasik ke atas sehingga proses memori pendek tampak persisten. Modified R/S yang diusulkannya dirancang untuk menguji memori panjang sambil memperhitungkan dependensi jangka pendek. Pada indeks saham yang ia teliti, bukti memori panjang menghilang setelah autokorelasi jangka pendek diperhitungkan; hasil itu khusus untuk sampel dan uji tersebut, bukan kesimpulan untuk semua aset atau periode selanjutnya. Lihat makalah Lo tahun 1991.

Pengelompokan volatilitas menimbulkan jebakan lain. Tanda imbal hasil dapat berganti positif dan negatif sementara besar imbal hasil tetap berkelompok. R/S pada imbal hasil menanyakan deviasi kumulatif bertanda; pada imbal hasil absolut atau kuadrat, pertanyaannya adalah persistensi magnitudo. Estimasi tinggi untuk \(|r_t|\) dapat menunjukkan pengelompokan risiko tanpa menyiratkan arah harga bisa diprediksi. Untuk diagnostik dependensi varians bersyarat yang terpisah, lihat panduan uji ARCH LM. Panduan variance ratio membahas ringkasan lain dari dependensi imbal hasil lintas horizon.

Ekor tebal dan pencilan juga berpengaruh. Mandelbrot dan Wallis menemukan sifat ketahanan yang berguna pada banyak simulasi non-Gaussian, tetapi bukan berarti satu pergerakan ekstrem, perubahan rezim volatilitas, atau rataan yang salah spesifikasi tidak berbahaya. Laporkan hasil untuk seri asli yang dipilih dan periksa perubahan di bawah alternatif yang beralasan; jangan membuang pengamatan yang tidak nyaman sampai eksponen terlihat familier.

Mengurangi rata-rata blok menghilangkan tingkat konstan pada setiap blok, tetapi tidak menghapus semua pola deterministik atau berubah. Tren bertahap, pergeseran level satu kali, perubahan komposisi sampel, atau patahan volatilitas dapat membuat ekskursi kumulatif panjang. Hubungan log-log lalu mungkin terlihat seperti hukum pangkat meskipun tidak ada mekanisme memori panjang yang stabil. Uji patahan atau analisis regresi tersegmen menjawab pertanyaan berbeda; lihat panduan regresi deret waktu terputus.

Pilihan skala merupakan bagian dari model. Blok yang sangat pendek terutama menangkap derau lokal dan mikrostruktur; blok terlalu panjang hanya menyisakan sedikit segmen yang dapat digunakan. Jendela tumpang-tindih dapat menambah jumlah rasio hitungan, tetapi tidak menciptakan jumlah potongan informasi independen yang sama banyaknya. Perubahan kemiringan antara skala pendek dan panjang mungkin menunjukkan dinamika berbeda, patahan, musiman, atau sekadar derau estimasi. Jangan merangkumnya menjadi satu \(H\) tanpa penjelasan.

Nyatakan apakah input berupa harga, log harga, imbal hasil, imbal hasil absolut, atau residual tersaring, serta apakah blok saling tumpang-tindih. Tentukan rentang blok dan jumlah segmen minimum sebelum menafsirkan hasil; laporkan jumlah observasi pada tiap skala dan sensitivitas terhadap titik akhir yang masuk akal. Jika harga terintegrasi, interpretasi yang biasa untuk imbal hasil stasioner tidak berlaku langsung. Detrending bukan obat universal: langkah itu mengubah objek yang diukur dan dapat menghapus variasi yang bermakna secara ekonomi bersama tren pengganggu.

Modifikasi Lo mempertahankan rentang deviasi kumulatif yang telah dipusatkan, tetapi mengganti simpangan baku blok biasa dengan estimasi varians jangka panjang yang memasukkan autokovarians lag pendek. Notasi umum adalah:

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

Di sini \(\widehat{\gamma}_j\) adalah autokovarians sampel pada lag \(j\), sedangkan \(q\) adalah bandwidth pemotongan. Bobot segitiga mengurangi bobot autokovarians yang mendekati batas. Statistik termodifikasi dibandingkan dengan distribusi nol yang sesuai; ini bukan R/S klasik dengan penyebut yang tampak lebih baik dan nilainya tidak otomatis menjadi \(H\) yang telah disesuaikan.

Bandwidth menentukan korelasi jangka pendek mana yang masuk ke estimasi varians. \(q\) yang terlalu kecil dapat meninggalkan dependensi relevan; \(q\) terlalu besar membuat estimasi berisik dan mungkin menyerap pola yang hendak dibedakan. Laporkan aturan bandwidth, frekuensi sampel, statistik uji, hipotesis nol, dan nilai-p; pertimbangkan rentang sensitivitas yang ditetapkan sebelumnya. Makalah Lo menunjukkan mengapa perbedaannya penting: R/S klasik dapat merespons memori pendek, sementara uji termodifikasi menargetkan hipotesis nol yang lebih luas dan mengizinkan dependensi lemah jangka pendek.

Detrended fluctuation analysis (DFA) mula-mula membentuk profil terintegrasi dari pengamatan yang dikurangi rata-ratanya, membagi profil tersebut ke dalam jendela, memasang polinomial lokal pada tiap jendela, lalu menghitung fluktuasi akar rata-rata kuadrat residual \(F(s)\) pada ukuran jendela \(s\). Regresi \(\log F(s)\) terhadap \(\log s\) mengestimasi kemiringan penskalaan. Pemasangan lokal dapat mengurangi sensitivitas terhadap tren polinomial pilihan, tetapi orde detrending, panjang jendela, dan jenis seri tetap berpengaruh. DFA tidak kebal terhadap patahan, perubahan volatilitas, atau rentang skala yang dipilih setelah melihat grafik.

Metode domain frekuensi mengestimasi perilaku frekuensi rendah dari periodogram. Dalam model memori panjang stasioner tertentu, jika daya spektral dekat frekuensi nol mengikuti \(f(\lambda)\propto|\lambda|^{-\beta}\), maka \(H=(\beta+1)/2\) untuk proses imbal hasil bergaya derau fraksional. Bandwidth frekuensi rendah menentukan observasi yang memengaruhi kemiringan; puncak musiman, patahan, dan sedikit ordinat berfrekuensi rendah dapat mendominasinya. Hubungan parameter spektral dengan \(H\) bergantung pada apakah input merupakan seri inkremen stasioner atau level terintegrasi.

Metode ini adalah estimator alternatif dengan perilaku sampel terbatas yang berbeda, bukan tiga konfirmasi independen secara otomatis. Perbandingan sampel terbatas oleh Weron (DOI 10.1016/S0378-4371(02)00961-5) membandingkan R/S, DFA, dan regresi periodogram dengan derau putih Gaussian simulasi serta menunjukkan bahwa estimasi dan interval kepercayaan berbeda menurut metode dan panjang sampel. Hasilnya tidak membuktikan DFA selalu terbaik untuk data keuangan; hasil itu menunjukkan inferensi perlu dikalibrasi dengan prosedur dan kondisi pembentukan data yang benar-benar digunakan.

Eksponen estimasi dapat membantu menggambarkan pola penskalaan historis atau memotivasi hipotesis yang jelas. Nilai itu tidak memberi aturan masuk dan keluar, waktu prediksi, ukuran posisi, batas risiko, atau alasan suatu hubungan akan bertahan setelah diketahui. Jika peneliti menguji apakah estimasi \(H\) bergulir memprediksi imbal hasil, horizon prediksi dan waktu keputusan harus ditetapkan sebelum evaluasi dan setiap input harus sudah tersedia saat itu.

Mencoba banyak panjang jendela, ukuran blok, aset, transformasi imbal hasil, orde detrending, dan ambang sampai satu menghasilkan \(H\) tinggi adalah pencarian multipel. Kandidat yang tampak menang dipilih dari data yang sama dengan data evaluasi. Catat seluruh keluarga yang dicoba; gunakan evaluasi yang belum disentuh atau berantai maju dan perhitungkan pencarian kandidat. Panduan probabilitas overfitting backtest dan White’s Reality Check membahas masalah seleksi serupa.

Hubungan statistik bukan keunggulan trading bersih. Evaluasi strategi setelah spread bid-ask, komisi, slippage, dampak pasar, pendanaan atau biaya pembiayaan, biaya pinjam, dan turnover. Volatilitas persisten dapat meningkatkan risiko dan drawdown tanpa memperbaiki arah imbal hasil. Laporkan ketidakpastian estimasi, bandingkan dengan alternatif memori pendek dan patahan, tetapkan aturan sebelum pengujian akhir, dan pisahkan diagnostik historis dari hasil strategi.

Resampling hanya berguna jika desainnya cocok dengan dependensi yang diteliti. Bootstrap iid yang menarik imbal hasil satu per satu secara independen merusak urutan waktu. Bootstrap blok mempertahankan run lokal dalam setiap blok, tetapi blok pendek dapat melewatkan dependensi lambat dan blok panjang menyisakan lebih sedikit potongan yang secara efektif berbeda; keduanya tidak menghilangkan patahan struktural. Jika skala, jendela, atau aset dipilih dari data, ulangi proses seleksi di setiap resampel saat menghitung ketidakpastian yang disesuaikan terhadap pencarian. Meresampel hanya eksponen terpilih terakhir akan meremehkan ketidakpastian akibat pencarian.