Eksponen Hurst dan Analisis R/S: Memori Jangka Panjang, Pengiraan dan Had Dagangan

Eksponen Hurst, ditulis sebagai \(H\), ialah kecerunan hubungan antara skala masa dengan saiz turun naik yang diukur pada skala tersebut. Dalam analisis julat terskala, julat sisihan terkumpul dibahagikan dengan sisihan piawai siri. Jika nisbah purata meningkat kira-kira mengikut kadar \(n^H\) apabila panjang blok \(n\) bertambah, kecerunan pada graf log–log menganggar \(H\). Pekali ini berasal daripada kajian H. E. Hurst tentang kapasiti simpanan yang diperlukan oleh takungan untuk mengurus aliran sungai yang berubah-ubah; ia bukan dicipta sebagai penunjuk beli atau jual. Makalah asal Hurst, “Long-Term Storage Capacity of Reservoirs”, menerangkan penggunaan sisihan terkumpul aliran tahunan daripada minnya untuk mengira julat.

Tafsiran seperti “persisten”, “antipersisten” dan “seakan rawak” bergantung pada proses yang dikaji serta andaian penskalaan. Di bawah penanda aras peningkatan pegun yang lazim, \(H=0.5\) sepadan dengan penskalaan punca kuasa dua masa; \(H>0.5\) dikaitkan dengan persistensi positif dan \(H<0.5\) dengan antipersistensi. Istilah ini merujuk kepada kebergantungan dalam siri yang diukur pada skala yang dianalisis. Istilah ini bukan kebarangkalian pulangan seterusnya mempunyai tanda tertentu.

Siri input mengubah persoalan yang dikaji. Menggunakan kaedah ini pada pulangan mentah, pulangan mutlak, pulangan kuasa dua, paras harga atau pulangan terkumpul tidak menghasilkan jawapan yang boleh saling menggantikan. Siri pulangan mungkin mempunyai sedikit kebergantungan arah, sedangkan pulangan mutlaknya menunjukkan pengelompokan turun naik yang persisten. Paras harga yang bertendensi atau bersepadu boleh menunjukkan penskalaan atas sebab yang berbeza daripada memori jangka panjang pegun dalam pulangan. Nyatakan pemboleh ubah, sela pensampelan dan julat skala apabila melaporkan \(H\).

Ambil blok \(n\) pemerhatian \(x_1,\ldots,x_n\). Kira min blok \(\bar{x}_n\), kemudian tolak min itu daripada setiap pemerhatian dan jumlahkan nilai yang telah dipusatkan secara terkumpul:

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

Laluan terkumpul boleh naik dan turun walaupun jumlah pemerhatian terpusat ialah sifar pada penghujung blok. Julatnya ialah nilai terkumpul tertinggi tolak nilai terendah:

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

Kira sisihan piawai blok dengan konvensyen yang dinyatakan. Di sini, penyebutnya ialah \(n\):

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

Nisbah \(Q_n\) menyatakan julat terkumpul dalam unit turun naik biasa bagi blok itu. Blok malar mempunyai \(S_n=0\), maka nisbahnya tidak ditakrifkan; ia tidak boleh dianggap secara senyap sebagai sumbangan sifar. Dalam amalan, bahagikan rekod kepada blok dengan panjang terpilih, kira nisbah setiap blok yang sah dan ambil puratanya. Ulangi untuk julat panjang blok yang telah ditetapkan terlebih dahulu. Mandelbrot dan Wallis mengkaji tingkah laku R/S di bawah pelbagai taburan simulasi dan corak kebergantungan dalam makalah mereka pada 1969. Analisis mereka menjadikan R/S diagnostik penskalaan yang digunakan secara meluas, bukan kaedah yang kebal terhadap setiap salah spesifikasi.

Jika statistik blok purata mengikut \(\overline{Q}_n\approx Cn^H\) merentasi skala yang dipilih, ambil logaritma:

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

Kecerunan padanan \(\log \overline{Q}_n\) terhadap \(\log n\) menganggar eksponen itu. Garis yang kelihatan lurus dalam julat sempit atau julat yang dipilih selepas melihat hasil ialah bukti yang lemah dengan sendirinya. Banyak sampel terhingga boleh kelihatan linear pada beberapa skala sahaja, dan bahagian berlainan dalam rekod yang sama boleh mempunyai kecerunan berbeza.

Pertimbangkan lapan pulangan hipotesis dalam unit mata asas arbitrari: \(3,1,0,-1,2,0,-2,-3\). Min keseluruhan sampel ialah sifar. Untuk setiap panjang blok, bahagikan urutan kepada blok bersebelahan yang tidak bertindih, kira \(R_n/S_n\) bagi setiap blok dan puratakan nisbah tersebut. Contoh ini menggunakan sisihan piawai gaya populasi dengan penyebut \(n\); konvensyen lain mengubah nombor sedikit.

Pada \(n=2\), nisbah julat kepada sisihan piawai bagi setiap pasangan ialah 1, maka puratanya juga 1. Pada \(n=4\), nilai \((R,S)\) untuk dua blok masing-masing kira-kira \((2.500,1.479)\) dan \((3.500,1.920)\). Nisbahnya kira-kira 1.690 dan 1.823, memberikan purata hampir 1.756. Pada \(n=8\), laluan terkumpul terpusat ialah \(3,4,4,3,5,5,3,0\), maka julatnya 5. Sisihan piawai ialah \(\sqrt{3.5}\approx1.871\), dan nisbahnya kira-kira 2.673.

Tiga titik skala log ini mempunyai jarak yang sama, maka kecerunan kuasa dua terkecil biasa sama dengan kecerunan antara dua hujung:

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

Ini ialah pengiraan yang boleh diulang menggunakan lapan nilai rekaan, bukan bukti yang boleh dipercayai tentang memori jangka panjang. Anggaran ini sangat sensitif terhadap pemerhatian individu, hanya mempunyai tiga skala dan tiada selang ketidakpastian. Lebih banyak pemerhatian tidak semestinya menyelesaikan masalah jika siri mengandungi perubahan struktur atau skala dipilih selepas melihat kecerunan yang dikehendaki.

<!-- Kedudukan ilustrasi: selepas bahagian ini; gambaran konsep tanpa teks tentang pemerhatian terpusat yang terkumpul menjadi julat pada skala blok pendek dan panjang, dengan julat meningkat lebih pantas daripada sisihan piawai dalam blok. Tiada paksi, label atau dakwaan angka. -->

Bagi siri pegun dengan varians terhingga dan kebergantungan jarak pendek, banyak hasil penskalaan jangka panjang yang lazim menghasilkan eksponen hampir 0.5. Di bawah model seakan hingar Gaussian pecahan, \(H>0.5\) selaras dengan kebergantungan jarak jauh positif: berbanding penanda aras, sisihan yang sama arah lebih kerap diikuti oleh sisihan searah, sementara korelasi merosot secara perlahan. Eksponen di bawah 0.5 dikaitkan dengan antipersistensi, apabila pembalikan atau kebergantungan bertanda bertentangan menguasai tingkah laku penskalaan.

Frasa “di bawah model” penting. Kecerunan R/S biasa ialah anggaran, bukan ujian langsung bagi satu mekanisme ekonomi yang ditakrifkan secara unik. Bias sampel kecil boleh mengalih anggaran daripada 0.5; blok bertindih, konvensyen penyebut, hujung skala dan autokorelasi turut mempengaruhi hasil. Selang keyakinan yang merangkumi 0.5 tidak membuktikan kebebasan, dan selang yang tidak merangkuminya juga tidak membuktikan bahawa model memori jangka panjang yang stabil menjana pemerhatian tersebut.

Jangan tafsir \(H=0.7\) sebagai “kebarangkalian trend bersambung ialah 70%”, “pulangan kekal selama 70 hari” atau “kadar kejayaan 70%”. \(H\) bukan kebarangkalian atau tempoh pegangan. Ia menerangkan hubungan penskalaan yang dianggarkan. Bukti statistik kebergantungan masih memerlukan model, penilaian ketidakpastian dan pemeriksaan alternatif seperti korelasi jangka pendek, heteroskedastisiti bersyarat, trend deterministik atau perubahan rejim.

R/S klasik bertindak balas kepada perkara selain kebergantungan jarak jauh yang tulen. Corak AR yang singkat boleh mengekalkan sisihan bertanda sama berdekatan lalu meningkatkan julat terkumpul. Lo menunjukkan bahawa korelasi siri jangka pendek boleh menyebabkan statistik klasik berat sebelah ke atas, lalu proses memori pendek kelihatan persisten. Kaedah R/S terubah suainya direka untuk menguji memori jangka panjang sambil mengambil kira kebergantungan jarak pendek. Dalam indeks pulangan saham yang dikajinya, bukti memori jangka panjang hilang selepas autokorelasi jangka pendek diambil kira; itu ialah dapatan untuk sampel dan ujian beliau, bukannya keputusan untuk semua aset atau tempoh kemudian. Rujuk makalah Lo pada 1991.

Pengelompokan turun naik mewujudkan perangkap yang berbeza. Tanda pulangan boleh berselang-seli, sedangkan saiz pulangan kekal berkelompok. R/S pada pulangan mengkaji sisihan terkumpul bertanda; pada pulangan mutlak atau kuasa dua, ia mengkaji persistensi magnitud. Anggaran tinggi untuk \(|r_t|\) boleh menggambarkan risiko yang berkelompok tanpa membayangkan arah harga boleh diramal. Untuk diagnostik berasingan bagi kebergantungan varians bersyarat, lihat panduan ujian ARCH LM. Panduan nisbah varians menghuraikan satu lagi ringkasan kebergantungan pulangan merentas ufuk.

Ekor berat dan pencilan juga penting. Mandelbrot dan Wallis mendapati sifat keteguhan yang berguna dalam banyak simulasi bukan Gaussian, tetapi itu tidak bermaksud satu pergerakan ekstrem, perubahan rejim turun naik atau min yang tersalah spesifikasi tidak memberi kesan. Analisis yang baik melaporkan hasil untuk siri asal yang dipilih dan meneliti perubahannya di bawah alternatif yang berasas, bukannya membuang pemerhatian yang menyusahkan sehingga eksponennya kelihatan biasa.

Menolak min blok menghapuskan paras tetap daripada setiap blok, tetapi bukan semua corak deterministik atau corak yang berubah. Trend beransur-ansur, anjakan paras sekali, perubahan komposisi sampel atau perubahan rejim turun naik boleh menghasilkan sisihan terkumpul yang panjang. Hubungan log–log yang dipadankan mungkin kelihatan seperti hukum kuasa walaupun siri itu tidak mempunyai mekanisme memori jangka panjang yang stabil. Ujian perubahan struktur atau regresi bersegmen menjawab soalan lain; lihat panduan regresi siri masa terganggu.

Pilihan skala sebahagian daripada model. Blok yang sangat pendek kebanyakannya mencerminkan hingar setempat dan mikrostruktur pasaran; blok yang sangat panjang meninggalkan sedikit segmen yang boleh digunakan. Tetingkap bertindih boleh menambah bilangan nisbah yang dikira tetapi tidak menambah sebanyak itu maklumat bebas. Persilangan yang menunjukkan satu kecerunan pada skala pendek dan kecerunan lain pada skala panjang boleh menandakan dinamik berlainan, perubahan struktur, corak bermusim atau hingar anggaran semata-mata. Jangan gabungkan semuanya menjadi satu \(H\) tanpa penjelasan.

Nyatakan sama ada input ialah harga, log harga, pulangan, pulangan mutlak atau baki yang ditapis, serta sama ada blok bertindih. Pilih julat blok dan bilangan minimum blok sebelum mentafsir hasil, laporkan pemerhatian yang menyumbang pada setiap skala dan tunjukkan kepekaan terhadap titik hujung yang munasabah. Jika harga bersepadu, tafsiran biasa untuk pulangan pegun tidak boleh digunakan tanpa perubahan. Menyahtrend bukan penyelesaian universal: ia mengubah objek yang diukur dan mungkin membuang variasi yang bermakna dari segi ekonomi bersama trend yang tidak dikehendaki.

Pengubahsuaian Lo mengekalkan julat sisihan terkumpul yang dipusatkan, tetapi menggantikan sisihan piawai blok biasa dengan anggaran varians jangka panjang yang merangkumi autokovarians pada lag pendek. Satu notasi lazim ialah:

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

Di sini \(\widehat{\gamma}_j\) ialah autokovarians sampel pada lag \(j\), manakala \(q\) ialah lebar jalur pemotongan. Pemberat segi tiga memberikan berat yang semakin kecil kepada autokovarians berhampiran had pemotongan. Statistik terubah suai dibandingkan dengan taburan nol yang sesuai; ia bukan sekadar anggaran R/S klasik dengan penyebut yang nampak lebih baik, dan nilainya bukan secara automatik anggaran \(H\) yang telah dilaras.

Lebar jalur menentukan korelasi jangka pendek yang dimasukkan dalam anggaran varians. Nilai \(q\) terlalu kecil boleh meninggalkan kebergantungan jarak pendek yang relevan; nilai terlalu besar menjadikan anggaran bising dan mungkin menyerap corak yang sepatutnya dibezakan. Laporkan peraturan lebar jalur, kekerapan sampel, statistik ujian, hipotesis nol dan nilai-p; pertimbangkan juga julat kepekaan yang ditetapkan terlebih dahulu. Makalah Lo menunjukkan sebab perbezaan ini penting: R/S klasik boleh bertindak balas terhadap memori pendek, sedangkan ujian terubah suai menyasarkan hipotesis nol yang lebih luas dan membenarkan kebergantungan jangka pendek yang lemah.

Detrended fluctuation analysis (DFA) mula-mula membentuk profil bersepadu daripada pemerhatian yang dipusatkan pada min, membahagikan profil kepada tetingkap, memadankan polinomial setempat dalam setiap tetingkap dan mengira turun naik baki punca min kuasa dua \(F(s)\) pada saiz tetingkap \(s\). Regresi \(\log F(s)\) terhadap \(\log s\) menganggar kecerunan penskalaan. Padanan setempat boleh mengurangkan kepekaan terhadap trend polinomial tertentu, tetapi tertib nyahtrend, panjang tetingkap dan jenis siri masih penting. DFA tidak kebal terhadap perubahan struktur, perubahan turun naik atau julat skala yang dipilih selepas graf diperiksa.

Kaedah domain frekuensi menganggar tingkah laku frekuensi rendah daripada periodogram. Di bawah model memori jangka panjang pegun tertentu, jika kuasa spektrum berhampiran frekuensi sifar mengikut \(f(\lambda)\propto|\lambda|^{-\beta}\), maka bagi proses pulangan gaya hingar pecahan, \(H=(\beta+1)/2\). Lebar jalur frekuensi rendah menentukan pemerhatian yang mempengaruhi kecerunan padanan; puncak bermusim, perubahan struktur dan sebilangan kecil ordinat frekuensi rendah boleh menguasainya. Hubungan antara parameter spektrum dengan \(H\) bergantung pada sama ada input ialah siri peningkatan pegun atau paras bersepadu.

Kaedah ini ialah penganggar alternatif dengan tingkah laku sampel terhingga yang berbeza, bukannya tiga pengesahan bebas secara automatik. Perbandingan sampel terhingga Weron (DOI 10.1016/S0378-4371(02)00961-5) membandingkan R/S, DFA dan regresi periodogram menggunakan hingar putih Gaussian simulasi, lalu menunjukkan bahawa anggaran dan selang keyakinan berbeza mengikut kaedah dan panjang sampel. Hasilnya tidak membuktikan DFA sentiasa terbaik untuk data kewangan; ia menunjukkan sebab inferens perlu disesuaikan dengan prosedur serta keadaan penjanaan data sebenar.

Eksponen yang dianggar boleh membantu menghuraikan corak penskalaan sejarah atau mencadangkan hipotesis yang jelas. Namun, ia tidak menyediakan peraturan masuk dan keluar, masa ramalan, saiz kedudukan, had risiko atau alasan bahawa hubungan terukur akan berterusan selepas diketahui. Jika penyelidik menguji sama ada anggaran \(H\) bergerak mengikut masa meramalkan pulangan, ufuk ramalan dan masa keputusan perlu ditetapkan sebelum penilaian, dan semua input mestilah tersedia pada masa itu.

Menguji banyak panjang tetingkap, saiz blok, aset, transformasi pulangan, tertib nyahtrend dan ambang sehingga satu daripadanya menghasilkan \(H\) yang tinggi ialah ujian berbilang. Pemenang yang kelihatan dipilih daripada data yang sama digunakan untuk menilainya. Rekodkan keseluruhan pencarian sebagai sebahagian daripada penyelidikan, gunakan penilaian yang belum digunakan atau jujukan ke hadapan yang betul, dan ambil kira bilangan calon yang diuji. Panduan kebarangkalian terlebih suai uji balik dan White’s Reality Check membincangkan masalah pemilihan yang berkaitan.

Hubungan statistik bukan kelebihan dagangan bersih selepas kos. Nilai strategi selepas spread bida-tawar, komisen, gelinciran, kesan pasaran, pembiayaan, kos pinjaman dan pusing ganti. Volatiliti persisten boleh meningkatkan risiko serta susut nilai tanpa menjadikan arah pulangan lebih mudah diramal. Laporkan ketidakpastian anggaran, bandingkan dengan alternatif memori pendek dan perubahan struktur, tetapkan peraturan sebelum ujian akhir, dan bezakan diagnostik sejarah daripada keputusan strategi.

Pensampelan semula hanya membantu apabila reka bentuknya sepadan dengan kebergantungan yang dikaji. Bootstrap iid yang memilih pulangan individu secara bebas memusnahkan susunan masa. Bootstrap blok mengekalkan turutan setempat dalam blok terpilih, tetapi blok pendek mungkin terlepas kebergantungan perlahan manakala blok panjang meninggalkan lebih sedikit bahagian yang benar-benar berbeza; kedua-duanya tidak memadamkan perubahan struktur. Jika skala, tetingkap atau aset dipilih daripada data, ulangi pemilihan itu dalam setiap pensampelan semula untuk menganggar ketidakpastian yang mengambil kira pencarian. Pensampelan semula hanya eksponen yang akhirnya dipilih akan merendahkan ketidakpastian akibat pencarian.