Esponente di Hurst e analisi R/S: memoria a lungo termine, calcolo e limiti nel trading

L’esponente di Hurst, indicato con \(H\), è la pendenza della relazione tra una scala temporale e l’ampiezza delle fluttuazioni misurate a quella scala. Nell’analisi del range riscalato, il range degli scarti cumulati viene diviso per la deviazione standard della serie. Se il rapporto medio cresce all’incirca come \(n^H\) all’aumentare della lunghezza del blocco \(n\), la pendenza della relazione log–log stima \(H\). Il coefficiente deriva dal lavoro di H. E. Hurst sulla capacità di stoccaggio necessaria a un bacino per gestire le variazioni della portata di un fiume; non è stato creato come indicatore di acquisto o vendita. Il suo articolo originale, “Long-Term Storage Capacity of Reservoirs”, descrive il calcolo del range usando gli scarti cumulati delle portate annuali dalla loro media.

Interpretazioni come “persistente”, “antipersistente” e “simile al caso” dipendono dal processo studiato e dalle ipotesi di scaling. Nel comune riferimento degli incrementi stazionari, \(H=0.5\) corrisponde allo scaling con la radice quadrata del tempo; \(H>0.5\) è associato a persistenza positiva e \(H<0.5\) ad antipersistenza. Questi termini descrivono la dipendenza della serie misurata alle scale analizzate, non la probabilità che il prossimo rendimento abbia un segno specifico.

La serie in ingresso cambia la domanda. Applicare il metodo ai rendimenti grezzi, ai rendimenti assoluti, ai rendimenti al quadrato, ai livelli di prezzo o ai rendimenti cumulati non produce risposte intercambiabili. Una serie di rendimenti può avere poca dipendenza direzionale, mentre i rendimenti assoluti mostrano un persistente clustering della volatilità. Un livello di prezzo con trend o integrato può mostrare scaling per ragioni diverse dalla memoria a lungo termine stazionaria nei rendimenti. Quando riporti \(H\), specifica la variabile, l’intervallo di campionamento e l’intervallo di scale utilizzato.

Considera un blocco di \(n\) osservazioni \(x_1,\ldots,x_n\). Calcola la media del blocco \(\bar{x}_n\), sottraila a ogni osservazione e accumula i valori centrati:

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

Il percorso cumulato può salire e scendere anche se la somma delle osservazioni centrate è zero alla fine del blocco. Il range è il valore cumulato più alto meno quello più basso:

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

Calcola la deviazione standard del blocco con una convenzione dichiarata. Qui si usa \(n\) come divisore:

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

Il rapporto \(Q_n\) esprime il range cumulato in unità della variazione ordinaria del blocco. In un blocco costante, \(S_n=0\) e il rapporto non è definito; non va trattato in silenzio come un contributo nullo. In pratica, si suddivide la serie in blocchi della lunghezza scelta, si calcola il rapporto di ogni blocco valido e si fa la media. Si ripete per un intervallo di lunghezze stabilito in anticipo. Nel loro articolo del 1969, Mandelbrot e Wallis hanno studiato il comportamento di R/S con molte distribuzioni simulate e diversi pattern di dipendenza. La loro analisi ha reso R/S una diagnosi di scaling molto utilizzata, non un metodo immune a ogni errore di specificazione.

Se la statistica media dei blocchi segue approssimativamente \(\overline{Q}_n\approx Cn^H\) alle scale selezionate, prendi i logaritmi:

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

La pendenza della regressione di \(\log \overline{Q}_n\) su \(\log n\) stima l’esponente. Una linea che sembra retta in un intervallo ristretto, o scelto dopo aver visto i risultati, è da sola una prova debole: molti campioni finiti possono apparire lineari su poche scale e parti diverse della stessa serie possono avere pendenze diverse.

Considera otto rendimenti ipotetici in unità arbitrarie di punti base: \(3,1,0,-1,2,0,-2,-3\). La media dell’intero campione è zero. Per ogni lunghezza del blocco, dividi la sequenza in blocchi adiacenti e non sovrapposti, calcola \(R_n/S_n\) per ciascuno e fai la media dei rapporti. L’esempio usa la deviazione standard di tipo popolazione con divisore \(n\); un’altra convenzione cambierebbe leggermente i valori.

Con \(n=2\), il rapporto tra range e deviazione standard di ogni coppia è 1, quindi anche la media è 1. Con \(n=4\), i valori \((R,S)\) dei due blocchi sono circa \((2.500,1.479)\) e \((3.500,1.920)\). I rapporti sono circa 1.690 e 1.823, con una media vicina a 1.756. Con \(n=8\), il percorso cumulato centrato è \(3,4,4,3,5,5,3,0\), quindi il range è 5. La deviazione standard è \(\sqrt{3.5}\approx1.871\) e il rapporto è circa 2.673.

I tre punti sono equidistanti sulla scala logaritmica, quindi la pendenza dei minimi quadrati ordinari coincide con quella tra gli estremi:

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

È un calcolo riproducibile su otto valori inventati, non una prova credibile di memoria a lungo termine. La stima è molto sensibile alle singole osservazioni, comprende solo tre scale e non ha un intervallo di incertezza. Aggiungere osservazioni non risolve automaticamente il problema se la serie contiene rotture o se le scale vengono scelte dopo aver visto quale pendenza si desidera.

<!-- Posizione dell’illustrazione: dopo questa sezione; rappresentazione concettuale senza testo di osservazioni centrate che si accumulano in un range a scale di blocco corte e lunghe, con il range che cresce più della deviazione standard interna al blocco. Nessun asse, etichetta o affermazione numerica. -->

Per una serie stazionaria con varianza finita e dipendenza a corto raggio, molti risultati comuni di scaling a lungo termine danno un esponente vicino a 0,5. In un modello simile al rumore gaussiano frazionario, \(H>0.5\) è compatibile con dipendenza positiva a lungo raggio: rispetto al riferimento, gli scarti nella stessa direzione tendono a susseguirsi più spesso e le correlazioni decadono lentamente. Un esponente sotto 0,5 è associato ad antipersistenza, dove le inversioni o la dipendenza con segno opposto dominano il comportamento di scaling.

La precisazione “sotto il modello” è importante. La pendenza R/S ordinaria è una stima, non un test diretto di un unico meccanismo economico. La distorsione dei campioni piccoli può allontanare la stima da 0,5; anche blocchi sovrapposti, convenzione del denominatore, estremi di scala e autocorrelazione influenzano il risultato. Un intervallo di confidenza che include 0,5 non dimostra indipendenza, e un intervallo che lo esclude non dimostra che le osservazioni provengano da un modello stabile di memoria a lungo termine.

Non tradurre \(H=0.7\) in “probabilità del 70% che il trend continui”, “i rendimenti persistono per 70 giorni” o “tasso di successo del 70%”. \(H\) non è una probabilità né un periodo di detenzione: descrive una relazione di scaling stimata. Per fornire prove statistiche di dipendenza servono comunque un modello, una valutazione dell’incertezza e controlli rispetto ad alternative come correlazione a breve termine, eteroschedasticità condizionale, trend deterministico o cambiamento di regime.

Il R/S classico risponde anche a fenomeni diversi dalla vera dipendenza a lungo raggio. Un pattern AR di breve durata può tenere vicini gli scarti con lo stesso segno e aumentare il range cumulato. Lo ha mostrato che la correlazione seriale a breve termine può distorcere verso l’alto la statistica classica e far apparire persistente un processo a memoria corta. Il suo R/S modificato è stato progettato per testare la memoria a lungo termine tenendo conto della dipendenza a corto raggio. Negli indici di rendimenti azionari esaminati, le prove di memoria a lungo termine sono scomparse dopo aver considerato l’autocorrelazione a breve termine; è un risultato per quei campioni e quel test, non un verdetto su ogni attività o periodo successivo. Vedi l’articolo di Lo del 1991.

Il clustering della volatilità crea un’altra insidia. I segni dei rendimenti possono alternarsi mentre le loro dimensioni restano raggruppate. Applicare R/S ai rendimenti studia gli scarti cumulati con segno; applicarlo ai rendimenti assoluti o al quadrato studia la persistenza delle dimensioni. Una stima elevata per \(|r_t|\) può descrivere un rischio raggruppato senza implicare che la direzione dei prezzi sia prevedibile. Per un altro diagnostico della dipendenza della varianza condizionale, consulta la guida al test ARCH LM. La guida al test del rapporto di varianza illustra un altro riepilogo della dipendenza dei rendimenti su orizzonti diversi.

Contano anche le code pesanti e i valori anomali. Mandelbrot e Wallis hanno trovato proprietà di robustezza utili in molte simulazioni non gaussiane, ma ciò non rende innocui un singolo movimento estremo, un cambiamento del regime di volatilità o una media specificata male. Un’analisi solida riporta i risultati sulla serie originale scelta e controlla come cambiano con alternative giustificate, invece di eliminare osservazioni scomode finché l’esponente non appare familiare.

Sottrarre la media del blocco rimuove un livello costante da ciascun blocco, ma non tutti i pattern deterministici o variabili. Un trend graduale, un salto di livello isolato, una variazione nella composizione del campione o una rottura della volatilità possono creare una lunga escursione cumulata. La relazione log–log stimata può sembrare una legge di potenza anche senza un meccanismo stabile di memoria a lungo termine. Un test di rottura o una regressione segmentata risponde a un’altra domanda; consulta la guida alla regressione su serie temporale interrotta.

La scelta delle scale fa parte del modello. I blocchi molto brevi riflettono soprattutto il rumore locale e la microstruttura di mercato; quelli molto lunghi lasciano pochi segmenti utilizzabili. Finestre sovrapposte possono aumentare il numero di rapporti calcolati, ma non creano altrettanti elementi informativi indipendenti. Un incrocio apparente — una pendenza alle scale brevi e un’altra a quelle lunghe — può indicare dinamiche diverse, una rottura, stagionalità o semplice rumore di stima. Non va riassunto in un solo \(H\) senza spiegarlo.

Specifica se l’input è un prezzo, un log-prezzo, un rendimento, un rendimento assoluto o un residuo filtrato, e se i blocchi si sovrappongono. Scegli l’intervallo dei blocchi e il numero minimo prima di interpretare il risultato, indica quante osservazioni contribuiscono a ogni scala e mostra la sensibilità a estremi ragionevoli. Se i prezzi sono integrati, l’interpretazione usuale per i rendimenti stazionari non si applica senza modifiche. Il detrending non è una soluzione universale: cambia l’oggetto misurato e può rimuovere variazioni economicamente significative insieme al trend indesiderato.

La modifica di Lo mantiene il range degli scarti cumulati centrati, ma sostituisce la deviazione standard ordinaria del blocco con una stima della varianza di lungo periodo che include autocovarianze a ritardi brevi. Una notazione comune è:

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

Qui \(\widehat{\gamma}_j\) è l’autocovarianza campionaria al ritardo \(j\), mentre \(q\) è la larghezza di banda di troncamento. I pesi triangolari attribuiscono meno peso alle autocovarianze vicine al limite. La statistica modificata va confrontata con la distribuzione nulla appropriata; non è semplicemente una stima R/S classica con un denominatore più elegante, e il suo valore non diventa automaticamente un \(H\) corretto.

La larghezza di banda stabilisce quali correlazioni a breve termine entrano nella stima della varianza. Un \(q\) troppo piccolo può lasciare fuori dipendenze rilevanti; uno troppo grande rende la stima rumorosa e può assorbire pattern che si volevano distinguere. Riporta la regola per la banda, la frequenza di campionamento, la statistica di test, l’ipotesi nulla e il p-value; considera anche un intervallo di sensibilità definito in anticipo. Il lavoro di Lo mostra perché la distinzione conta: R/S classico può rispondere alla memoria corta, mentre il test modificato considera un’ipotesi nulla più ampia che ammette una debole dipendenza a breve termine.

La detrended fluctuation analysis (DFA) costruisce prima un profilo integrato dalle osservazioni centrate sulla media, lo divide in finestre, adatta un polinomio locale in ogni finestra e calcola la fluttuazione residua quadratica media \(F(s)\) per la dimensione della finestra \(s\). Una regressione di \(\log F(s)\) su \(\log s\) stima una pendenza di scaling. L’adattamento locale può ridurre la sensibilità a trend polinomiali specificati, ma contano ancora l’ordine del detrending, la lunghezza delle finestre e il tipo di serie. DFA non è immune a rotture, cambi di volatilità o intervalli di scala scelti dopo aver visto il grafico.

I metodi nel dominio della frequenza stimano il comportamento a bassa frequenza dal periodogramma. Sotto un particolare modello stazionario di memoria a lungo termine, se la potenza spettrale vicino alla frequenza zero segue \(f(\lambda)\propto|\lambda|^{-\beta}\), per un processo di rendimenti di tipo rumore frazionario vale \(H=(\beta+1)/2\). La larghezza di banda a bassa frequenza determina quali osservazioni influenzano la pendenza; picchi stagionali, rotture e pochi ordinati a bassa frequenza possono dominarla. La relazione tra parametro spettrale e \(H\) dipende dal fatto che l’input sia una serie di incrementi stazionari o un livello integrato.

Sono stimatori alternativi con comportamenti diversi nei campioni finiti, non tre conferme indipendenti per impostazione predefinita. Il confronto di Weron sui campioni finiti (DOI 10.1016/S0378-4371(02)00961-5) ha confrontato R/S, DFA e regressione del periodogramma usando rumore bianco gaussiano simulato, mostrando che stime e intervalli di confidenza cambiano con il metodo e la dimensione del campione. I risultati non dimostrano che DFA sia sempre migliore con dati finanziari; mostrano perché l’inferenza va calibrata sulla procedura e sulle condizioni che generano i dati.

Un esponente stimato può descrivere un pattern storico di scaling o suggerire un’ipotesi formulata chiaramente. Non fornisce regole di ingresso e uscita, tempi di previsione, dimensionamento della posizione o limiti di rischio, né spiega perché una relazione osservata dovrebbe persistere dopo essere stata scoperta. Se si verifica se una stima mobile di \(H\) predice i rendimenti, l’orizzonte di previsione e il momento della decisione devono essere fissati prima della valutazione, e tutti gli input devono essere stati disponibili in quel momento.

Provare molte lunghezze di finestra, dimensioni di blocco, attività, trasformazioni dei rendimenti, ordini di detrending e soglie finché una combinazione mostra un \(H\) elevato è un test multiplo. Il vincitore apparente è stato scelto dagli stessi dati usati per valutarlo. Registra l’intera ricerca, usa dati non toccati o una valutazione concatenata in avanti corretta e considera il numero di candidati esplorati. Le guide alla probabilità di overfitting del backtest e al White’s Reality Check trattano problemi di selezione correlati.

Un’associazione statistica non è un vantaggio di trading netto dei costi. Valuta una strategia al netto di spread denaro-lettera, commissioni, slippage, impatto sul mercato, finanziamento, costi di prestito e turnover. La volatilità persistente può aumentare rischio e drawdown senza migliorare la previsione della direzione dei rendimenti. Riporta l’incertezza della stima, confrontala con alternative di memoria corta e di rottura, blocca la regola prima del test finale e distingui la diagnosi storica dai risultati della strategia.

Il ricampionamento aiuta solo se il disegno corrisponde alla dipendenza studiata. Un bootstrap iid che estrae i singoli rendimenti in modo indipendente distrugge l’ordine temporale. Un bootstrap a blocchi conserva le sequenze locali all’interno dei blocchi scelti, ma un blocco corto può perdere la dipendenza lenta e uno lungo lascia meno segmenti effettivamente distinti; nessuno dei due elimina una rottura strutturale. Se scala, finestra o attività sono state scelte dai dati, ripeti la selezione in ogni ricampionamento per stimare l’incertezza corretta per la ricerca. Ricampionare solo l’esponente finale sottostima l’incertezza introdotta dalla selezione.