Exponente de Hurst y análisis R/S: memoria de largo plazo, cálculo y límites para el trading

El exponente de Hurst, representado por \(H\), es la pendiente de la relación entre una escala temporal y el tamaño de las fluctuaciones medidas a esa escala. En el análisis de rango reescalado, el rango de las desviaciones acumuladas se divide por la desviación estándar de la serie. Si el cociente medio crece aproximadamente como \(n^H\) al aumentar la longitud del bloque \(n\), la pendiente de la relación log–log estima \(H\). El coeficiente procede del trabajo de H. E. Hurst sobre la capacidad de almacenamiento que necesitaban los embalses para gestionar las variaciones del caudal fluvial; no se creó como indicador de compra o venta. El artículo original de Hurst, “Long-Term Storage Capacity of Reservoirs”, describe cómo calcular el rango a partir de las desviaciones acumuladas de los caudales anuales respecto de su media.

Interpretaciones como “persistente”, “antipersistente” y “similar al azar” dependen del proceso estudiado y de los supuestos de escalamiento. Bajo una referencia común de incrementos estacionarios, \(H=0.5\) corresponde al escalamiento de raíz cuadrada del tiempo; \(H>0.5\) se asocia con persistencia positiva y \(H<0.5\) con antipersistencia. Estos términos describen la dependencia de la serie medida en las escalas analizadas, no la probabilidad de que el próximo rendimiento tenga un signo determinado.

La serie de entrada cambia la pregunta. Aplicar el método a rendimientos brutos, rendimientos absolutos, rendimientos al cuadrado, niveles de precios o rendimientos acumulados no produce respuestas intercambiables. Una serie de rendimientos puede tener poca dependencia direccional y, a la vez, mostrar agrupamiento persistente de la volatilidad en sus rendimientos absolutos. Un nivel de precios con tendencia o integrado puede mostrar escalamiento por motivos distintos de la memoria de largo plazo estacionaria en los rendimientos. Al informar \(H\), especifica la variable, el intervalo de muestreo y el rango de escalas usado.

Considera un bloque de \(n\) observaciones \(x_1,\ldots,x_n\). Calcula su media \(\bar{x}_n\), réstala de cada observación y acumula los valores centrados:

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

La trayectoria acumulada puede subir y bajar aunque la suma de las observaciones centradas sea cero al final del bloque. Su rango es el valor acumulado más alto menos el más bajo:

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

Calcula la desviación estándar del bloque con una convención explícita. Aquí se usa \(n\) como divisor:

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

El cociente \(Q_n\) expresa el rango acumulado en unidades de la variación habitual del bloque. En un bloque constante, \(S_n=0\) y el cociente no está definido; no debe tratarse silenciosamente como una contribución nula. En la práctica, divide el registro en bloques de una longitud seleccionada, calcula el cociente de cada bloque válido y promedia los resultados. Repite el proceso para un rango de longitudes definido de antemano. Mandelbrot y Wallis estudiaron el comportamiento de R/S bajo una amplia variedad de distribuciones simuladas y patrones de dependencia en su artículo de 1969. Su análisis convirtió R/S en un diagnóstico de escalamiento muy usado, pero no en un procedimiento inmune a cualquier especificación errónea.

Si la estadística media de los bloques sigue aproximadamente \(\overline{Q}_n\approx Cn^H\) en las escalas elegidas, toma logaritmos:

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

La pendiente de la regresión de \(\log \overline{Q}_n\) sobre \(\log n\) estima el exponente. Que la gráfica parezca recta en un intervalo estrecho o seleccionado después de ver los resultados es, por sí solo, una evidencia débil: muchas muestras finitas pueden parecer lineales en unas pocas escalas, y distintas partes del mismo registro pueden tener pendientes diferentes.

Considera ocho rendimientos hipotéticos, en unidades arbitrarias de puntos básicos: \(3,1,0,-1,2,0,-2,-3\). La media de toda la muestra es cero. Para cada longitud de bloque, divide la secuencia en bloques adyacentes y no superpuestos, calcula el \(R_n/S_n\) de cada uno y promedia los cocientes. El ejemplo usa la desviación estándar de tipo poblacional con divisor \(n\); otra convención cambiaría ligeramente las cifras.

Con \(n=2\), el cociente entre rango y desviación estándar de cada pareja es 1, así que su media también es 1. Con \(n=4\), los valores \((R,S)\) de los dos bloques son aproximadamente \((2.500,1.479)\) y \((3.500,1.920)\). Sus cocientes son cerca de 1.690 y 1.823, con una media aproximada de 1.756. Con \(n=8\), la trayectoria acumulada centrada es \(3,4,4,3,5,5,3,0\), de modo que el rango es 5. La desviación estándar es \(\sqrt{3.5}\approx1.871\), y el cociente es aproximadamente 2.673.

Como estos tres puntos están igualmente espaciados en la escala logarítmica, la pendiente de mínimos cuadrados ordinarios coincide con la pendiente entre los extremos:

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

Es un cálculo reproducible con ocho valores inventados, no una evidencia fiable de memoria de largo plazo. La estimación es muy sensible a observaciones individuales, solo incluye tres escalas y no tiene intervalo de incertidumbre. Añadir observaciones no resuelve automáticamente el problema si la serie contiene rupturas o si las escalas se eligen después de ver qué pendiente conviene.

<!-- Ubicación de la ilustración: después de esta sección; representación conceptual sin texto de cómo las observaciones centradas se acumulan en un rango para bloques cortos y largos, y de cómo ese rango puede crecer más que la desviación estándar dentro del bloque. Sin ejes, rótulos ni afirmaciones numéricas. -->

En una serie estacionaria con varianza finita y dependencia de corto alcance, muchos resultados habituales de escalamiento a largo plazo dan un exponente cercano a 0.5. Bajo un modelo similar al ruido gaussiano fraccional, \(H>0.5\) es compatible con dependencia positiva de largo alcance: frente a la referencia, las desviaciones en la misma dirección tienden a sucederse con más frecuencia y las correlaciones decaen lentamente. Los exponentes inferiores a 0.5 se asocian con antipersistencia, donde las reversiones o la dependencia de signo opuesto dominan el comportamiento de escalamiento.

La expresión “bajo el modelo” importa. La pendiente R/S ordinaria es una estimación, no una prueba directa de un mecanismo económico único y bien definido. El sesgo en muestras pequeñas puede alejar las estimaciones de 0.5; también influyen los bloques superpuestos, la convención del denominador, los extremos de escala y la autocorrelación. Un intervalo de confianza que incluya 0.5 no demuestra independencia, y uno que lo excluya tampoco demuestra que un modelo estable de memoria de largo plazo haya generado las observaciones.

No traduzcas \(H=0.7\) como “hay un 70% de probabilidad de que continúe la tendencia”, “los rendimientos persisten durante 70 días” o “la tasa de acierto es del 70%”. \(H\) no es una probabilidad ni un periodo de tenencia. Describe una relación de escalamiento estimada. Para afirmar que existe evidencia estadística de dependencia también hacen falta un modelo, una evaluación de incertidumbre y comprobaciones frente a alternativas como correlación de corto plazo, heterocedasticidad condicional, tendencia determinista o cambios de régimen.

El R/S clásico responde a algo más que la dependencia genuina de largo alcance. Un patrón AR de corta duración puede mantener cerca las desviaciones con el mismo signo y aumentar el rango acumulado. Lo mostró que la correlación serial de corto alcance puede sesgar al alza el estadístico clásico y hacer que un proceso de memoria corta parezca persistente. Su método R/S modificado se diseñó para contrastar la memoria de largo plazo teniendo en cuenta la dependencia de corto alcance. En los índices de rendimientos bursátiles que examinó, la evidencia de memoria de largo plazo desapareció al considerar la autocorrelación de corto plazo; ese resultado corresponde a sus muestras y su prueba, no a todos los activos ni a periodos posteriores. Consulta el artículo de Lo de 1991.

El agrupamiento de la volatilidad plantea otra trampa. Los signos de los rendimientos pueden alternarse mientras sus magnitudes permanecen agrupadas. Aplicar R/S a los rendimientos plantea una pregunta sobre desviaciones acumuladas con signo; aplicarlo a rendimientos absolutos o al cuadrado estudia persistencia en la magnitud. Una estimación elevada para \(|r_t|\) puede describir riesgo agrupado sin implicar que la dirección de los precios sea predecible. Para otro diagnóstico de la dependencia de la varianza condicional, consulta la guía de la prueba ARCH LM. La guía de la prueba de razón de varianzas presenta otro resumen de la dependencia de los rendimientos entre horizontes.

Las colas pesadas y los valores atípicos también importan. Mandelbrot y Wallis encontraron propiedades útiles de robustez en muchas simulaciones no gaussianas, pero eso no significa que un movimiento extremo, un cambio de régimen de volatilidad o una media mal especificada sean inocuos. Un análisis sólido informa los resultados de la serie original elegida y examina cómo cambian bajo alternativas justificadas, en lugar de eliminar observaciones incómodas hasta que el exponente parezca familiar.

Restar la media de cada bloque elimina un nivel constante, pero no todos los patrones deterministas o cambiantes. Una tendencia gradual, un salto de nivel aislado, un cambio en la composición de la muestra o una ruptura de volatilidad pueden generar una excursión acumulada larga. La relación log–log ajustada puede parecer una ley de potencia aunque la serie no tenga un mecanismo estable de memoria de largo plazo. Una prueba de rupturas o una regresión segmentada responde a otra pregunta; consulta la guía de regresión de series temporales interrumpidas.

La selección de escalas forma parte del modelo. Los bloques muy cortos reflejan sobre todo ruido local y microestructura de mercado; los muy largos dejan pocos segmentos utilizables. Las ventanas superpuestas permiten calcular más cocientes, pero no crean en la misma proporción más piezas de información independientes. Un cruce aparente —una pendiente para escalas cortas y otra para escalas más largas— puede señalar dinámicas distintas, una ruptura, estacionalidad o simplemente ruido de estimación. No debe reducirse a un solo \(H\) sin explicación.

Especifica si la entrada son precios, logaritmos de precios, rendimientos, rendimientos absolutos o residuos filtrados, y si los bloques se superponen. Elige el rango de bloques y el mínimo de bloques antes de interpretar el resultado, informa cuántas observaciones contribuyen a cada escala y muestra la sensibilidad a extremos razonables. Si los precios están integrados, la interpretación habitual para rendimientos estacionarios no se aplica sin cambios. El detrending no es una solución universal: cambia el objeto medido y puede eliminar variación económicamente relevante junto con la tendencia molesta.

La modificación de Lo conserva el rango de las desviaciones acumuladas centradas, pero sustituye la desviación estándar ordinaria del bloque por una estimación de varianza de largo plazo que incorpora autocovarianzas de retardos cortos. Una notación habitual es:

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

Aquí, \(\widehat{\gamma}_j\) es la autocovarianza muestral en el retardo \(j\), y \(q\) es el ancho de banda de truncamiento. Los pesos triangulares dan menos peso a las autocovarianzas cercanas al límite. El estadístico modificado se compara con su distribución nula correspondiente; no es simplemente la estimación clásica R/S con un denominador más atractivo, y su valor tampoco es automáticamente un \(H\) ajustado.

El ancho de banda determina qué correlaciones de corto plazo entran en la estimación de varianza. Un \(q\) demasiado pequeño puede dejar sin tratar dependencias pertinentes; uno demasiado grande hace que la estimación sea ruidosa y puede absorber patrones que se querían distinguir. Informa la regla para el ancho de banda, la frecuencia de muestreo, el estadístico, la hipótesis nula y el valor p; considera también un rango de sensibilidad preestablecido. El artículo de Lo muestra por qué importa la diferencia: el R/S clásico puede reaccionar ante memoria corta, mientras que la prueba modificada contrasta una hipótesis nula más amplia que permite dependencia débil de corto plazo.

El análisis de fluctuación sin tendencia (DFA) primero construye un perfil integrado a partir de las observaciones centradas en la media, divide ese perfil en ventanas, ajusta un polinomio local en cada ventana y calcula la fluctuación residual cuadrática media \(F(s)\) para el tamaño de ventana \(s\). Una regresión de \(\log F(s)\) sobre \(\log s\) estima la pendiente de escalamiento. El ajuste local puede reducir la sensibilidad a las tendencias polinómicas elegidas, pero siguen importando el orden del detrending, la longitud de las ventanas y el tipo de serie. DFA tampoco es inmune a rupturas, cambios de volatilidad ni a un intervalo de escalas elegido tras examinar el gráfico.

Los métodos en el dominio de la frecuencia estiman el comportamiento de baja frecuencia mediante el periodograma. Bajo un modelo estacionario concreto de memoria de largo plazo, si la potencia espectral cerca de la frecuencia cero sigue \(f(\lambda)\propto|\lambda|^{-\beta}\), entonces, para un proceso de rendimientos tipo ruido fraccional, \(H=(\beta+1)/2\). El ancho de banda de baja frecuencia determina qué observaciones influyen en la pendiente ajustada; los picos estacionales, las rupturas y unas pocas ordenadas de baja frecuencia pueden dominarla. La relación entre el parámetro espectral y \(H\) depende de si la entrada es una serie de incrementos estacionaria o un nivel integrado.

Son estimadores alternativos con distinto comportamiento en muestras finitas, no tres confirmaciones independientes por defecto. La comparación de muestras finitas de Weron (DOI 10.1016/S0378-4371(02)00961-5) estudió R/S, DFA y regresión del periodograma mediante ruido blanco gaussiano simulado, y destacó que las estimaciones y los intervalos de confianza varían según el método y la longitud de la muestra. El estudio no demuestra que DFA sea siempre mejor con datos financieros; muestra por qué la inferencia debe calibrarse al procedimiento y al proceso generador de datos concretos.

El exponente estimado puede describir un patrón histórico de escalamiento o motivar una hipótesis claramente formulada. No proporciona reglas de entrada y salida, momento de la predicción, tamaño de posición, límites de riesgo ni una razón por la que una relación medida debería persistir después de descubrirse. Si se prueba si un \(H\) móvil predice rendimientos, hay que fijar el horizonte de predicción y el momento de decisión antes de la evaluación, y asegurar que cada dato de entrada estaba disponible entonces.

Probar muchas longitudes de ventana, tamaños de bloque, activos, transformaciones de rendimientos, órdenes de detrending y umbrales hasta que uno produzca un \(H\) alto es una prueba múltiple. El aparente ganador se seleccionó de los mismos datos usados para evaluarlo. Registra toda la búsqueda como parte de la investigación, usa una evaluación con datos no utilizados o correctamente encadenada hacia delante, y ten en cuenta el conjunto de candidatos probado. Las guías sobre la probabilidad de sobreajuste del backtest y el White’s Reality Check tratan problemas de selección relacionados.

Una asociación estadística no equivale a una ventaja de trading neta de costes. Evalúa la estrategia después del diferencial comprador-vendedor, comisiones, deslizamiento, impacto de mercado, financiación, costes de préstamo y rotación. La volatilidad persistente puede aumentar el riesgo y los drawdowns sin mejorar la capacidad de predecir la dirección de los rendimientos. Informa la incertidumbre de la estimación, compárala con alternativas de memoria corta y de rupturas, congela la regla antes de la prueba final y distingue el diagnóstico histórico del resultado de la estrategia.

El remuestreo solo ayuda cuando su diseño se corresponde con la dependencia que se estudia. Un bootstrap iid que extrae rendimientos individuales de forma independiente destruye el orden temporal. Un bootstrap por bloques conserva secuencias locales dentro de cada bloque seleccionado, pero un bloque corto puede perder dependencias lentas y uno largo deja menos segmentos efectivamente distintos; ninguno elimina una ruptura estructural. Si la escala, ventana o activo se eligió a partir de los datos, repite la selección dentro de cada remuestra para estimar la incertidumbre ajustada por búsqueda. Remuestrear solo el exponente final elegido infravalora la incertidumbre generada por la búsqueda.