Hurst-exponent en R/S-analyse: langetermijngeheugen, berekening en handelsbeperkingen

De Hurst-exponent, aangeduid met \(H\), is de helling van de relatie tussen een tijdschaal en de omvang van de fluctuaties die op die schaal worden gemeten. Bij rescaled-range-analyse wordt het bereik van cumulatieve afwijkingen gedeeld door de standaardafwijking van de reeks. Als de gemiddelde verhouding ongeveer volgens \(n^H\) groeit wanneer de bloklengte \(n\) toeneemt, schat de helling van de log-logrelatie \(H\). De coëfficiënt komt voort uit het werk van H. E. Hurst naar de opslagcapaciteit die een stuwmeer nodig heeft om wisselende rivierstromen op te vangen; de exponent is niet als koop- of verkoopsignaal ontwikkeld. Hurst beschreef het berekenen van het bereik uit cumulatieve afwijkingen van jaarlijkse stromen ten opzichte van hun gemiddelde in zijn oorspronkelijke artikel “Long-Term Storage Capacity of Reservoirs”.

Interpretaties als “persistent”, “antipersistent” en “willekeurig” hangen af van het onderzochte proces en de aannames over schaalgedrag. Onder een gangbare referentie met stationaire incrementen komt \(H=0.5\) overeen met schaalgedrag volgens de wortel van de tijd; \(H>0.5\) hangt samen met positieve persistentie en \(H<0.5\) met antipersistentie. Deze termen beschrijven afhankelijkheid in de gemeten reeks over de onderzochte schalen. Ze geven niet de kans aan dat het volgende rendement een bepaald teken heeft.

De invoerreeks verandert de vraag. De methode toepassen op ruwe rendementen, absolute rendementen, gekwadrateerde rendementen, prijsniveaus of cumulatieve rendementen levert geen uitwisselbare antwoorden op. Een rendementsreeks kan weinig richtingsafhankelijkheid hebben terwijl de absolute rendementen aanhoudende volatiliteitsclusters laten zien. Een trendmatig of geïntegreerd prijsniveau kan schalen om andere redenen dan stationair langetermijngeheugen in rendementen. Vermeld bij \(H\) de variabele, het bemonsteringsinterval en het gebruikte schaalbereik.

Neem een blok met \(n\) waarnemingen \(x_1,\ldots,x_n\). Bereken het blokgemiddelde \(\bar{x}_n\), trek dat van elke waarneming af en tel de gecentreerde waarden cumulatief op:

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

Het cumulatieve pad kan stijgen en dalen, ook al is de som van de gecentreerde waarnemingen aan het einde van het blok nul. Het bereik is de hoogste cumulatieve waarde minus de laagste:

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

Bereken de standaardafwijking van het blok volgens een expliciet vermelde conventie. Hier is de deler \(n\):

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

De verhouding \(Q_n\) geeft het cumulatieve bereik weer in eenheden van de gebruikelijke variatie binnen het blok. In een constant blok is \(S_n=0\), waardoor de verhouding ongedefinieerd is; behandel die niet stilzwijgend als een nulbijdrage. In de praktijk deel je de reeks op in blokken van een gekozen lengte, bereken je voor elk geldig blok de verhouding en neem je het gemiddelde. Herhaal dit voor een vooraf vastgesteld bereik aan bloklengten. Mandelbrot en Wallis onderzochten het gedrag van R/S voor uiteenlopende gesimuleerde verdelingen en afhankelijkheidspatronen in hun artikel uit 1969. Hun analyse maakte R/S tot een veelgebruikt diagnostisch instrument voor schaalgedrag, niet tot een methode die immuun is voor elke vorm van modelspecificatiefout.

Als de gemiddelde blokstatistiek over de gekozen schalen ongeveer \(\overline{Q}_n\approx Cn^H\) volgt, neem dan de logaritme:

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

De helling van de regressie van \(\log \overline{Q}_n\) op \(\log n\) schat de exponent. Een rechte lijn over een smal interval, of een interval dat pas na het bekijken van de uitkomst is gekozen, is op zichzelf zwak bewijs. Veel eindige steekproeven lijken op enkele schalen lineair, en verschillende delen van dezelfde reeks kunnen uiteenlopende hellingen hebben.

Neem acht hypothetische rendementen in willekeurige basispunteenheden: \(3,1,0,-1,2,0,-2,-3\). Het gemiddelde van de volledige steekproef is nul. Verdeel de reeks voor elke bloklengte in aangrenzende, niet-overlappende blokken, bereken voor elk blok \(R_n/S_n\) en neem het gemiddelde van die verhoudingen. Het voorbeeld gebruikt de populatieachtige standaardafwijking met deler \(n\); een andere conventie verandert de getallen iets.

Bij \(n=2\) is de verhouding tussen bereik en standaardafwijking voor elk paar 1, en dus ook het gemiddelde. Bij \(n=4\) zijn de \((R,S)\)-waarden van de twee blokken ongeveer \((2.500,1.479)\) en \((3.500,1.920)\). De verhoudingen zijn ongeveer 1.690 en 1.823, met een gemiddelde van circa 1.756. Bij \(n=8\) is het gecentreerde cumulatieve pad \(3,4,4,3,5,5,3,0\), dus is het bereik 5. De standaardafwijking is \(\sqrt{3.5}\approx1.871\) en de verhouding ongeveer 2.673.

De drie punten liggen gelijkmatig verdeeld op de log-schaal, waardoor de gewone kleinste-kwadratenhelling gelijk is aan de helling tussen de eindpunten:

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

Dit is een reproduceerbare berekening met acht verzonnen waarden, geen geloofwaardig bewijs van langetermijngeheugen. De schatting is zeer gevoelig voor afzonderlijke waarnemingen, omvat maar drie schalen en heeft geen onzekerheidsinterval. Meer waarnemingen lossen het probleem niet vanzelf op als de reeks breuken bevat of de schalen achteraf zijn gekozen om een gewenste helling te krijgen.

<!-- Illustratiepositie: na deze sectie; een tekstloos conceptbeeld van gecentreerde waarnemingen die bij korte en lange blokschalen cumuleren tot een bereik dat sneller groeit dan de standaardafwijking binnen het blok. Geen assen, labels of numerieke claims. -->

Voor een stationaire reeks met eindige variantie en kortetermijnafhankelijkheid komen veel gangbare resultaten voor langetermijnschaling uit op een exponent dicht bij 0,5. Onder een model dat lijkt op fractionele Gaussische ruis is \(H>0.5\) verenigbaar met positieve langetermijnafhankelijkheid: afwijkingen in dezelfde richting volgen elkaar vaker op dan onder de referentie, en correlaties nemen langzaam af. Een exponent onder 0,5 hangt samen met antipersistentie, waarbij omkeringen of afhankelijkheid met tegengesteld teken het schaalgedrag bepalen.

De toevoeging “onder het model” is belangrijk. De gewone R/S-helling is een schatting, geen directe toets van één uniek economisch mechanisme. Vertekening in kleine steekproeven kan schattingen van 0,5 wegduwen; overlappende blokken, de keuze van de deler, schaalgrenzen en autocorrelatie beïnvloeden de uitkomst eveneens. Een betrouwbaarheidsinterval dat 0,5 bevat, bewijst geen onafhankelijkheid. Een interval dat 0,5 uitsluit, bewijst ook niet dat een stabiel langetermijngeheugenmodel de waarnemingen heeft voortgebracht.

Vertaal \(H=0.7\) niet naar “70% kans dat de trend doorzet”, “rendementen blijven 70 dagen aanhouden” of “een winstpercentage van 70%”. \(H\) is geen kans en geen houdperiode. Het beschrijft een geschatte schaalrelatie. Statistisch bewijs voor afhankelijkheid vereist nog steeds een model, een beoordeling van onzekerheid en controles op alternatieven zoals kortetermijncorrelatie, conditionele heteroskedasticiteit, een deterministische trend of een regimewisseling.

Klassieke R/S reageert op meer dan echte langetermijnafhankelijkheid. Een kortdurend AR-patroon kan afwijkingen met hetzelfde teken dicht bij elkaar houden en zo het cumulatieve bereik vergroten. Lo liet zien dat kortetermijn-seriële correlatie de klassieke statistiek omhoog kan vertekenen, waardoor een proces met kort geheugen persistent lijkt. Zijn aangepaste R/S-methode is ontworpen om langetermijngeheugen te toetsen terwijl kortetermijnafhankelijkheid wordt meegenomen. In de aandelenrendementsindexen die hij onderzocht, verdween het bewijs voor langetermijngeheugen nadat kortetermijnautocorrelatie werd meegenomen. Dat resultaat geldt voor zijn steekproeven en toets, niet voor elk activum of een latere periode. Zie Lo’s artikel uit 1991.

Volatiliteitsclusters vormen een andere valkuil. Rendementen kunnen van positief naar negatief wisselen terwijl hun omvang geclusterd blijft. R/S op rendementen onderzoekt getekende cumulatieve afwijkingen; op absolute of gekwadrateerde rendementen onderzoekt het persistentie in omvang. Een hoge schatting voor \(|r_t|\) kan geclusterd risico beschrijven zonder te betekenen dat de prijsrichting voorspelbaar is. Voor een aparte diagnose van conditionele variantieafhankelijkheid, zie de gids voor de ARCH-LM-toets. De variantieratiotoets-gids beschrijft een andere samenvatting van rendementsafhankelijkheid over verschillende horizonnen.

Dikke staarten en uitschieters zijn ook van belang. Mandelbrot en Wallis vonden nuttige robuustheidseigenschappen in veel niet-Gaussiaanse simulaties, maar dat betekent niet dat een extreme beweging, verandering van volatiliteitsregime of verkeerd gespecificeerd gemiddelde geen effect heeft. Een goede analyse rapporteert de resultaten op de gekozen oorspronkelijke reeks en onderzoekt hoe die veranderen onder verdedigbare alternatieven, in plaats van ongemakkelijke waarnemingen te verwijderen totdat de exponent vertrouwd oogt.

Het aftrekken van het blokgemiddelde verwijdert een constant niveau uit elk blok, maar niet elk deterministisch of veranderlijk patroon. Een geleidelijke trend, een eenmalige niveausprong, een andere steekproefsamenstelling of een volatiliteitsbreuk kan een lange cumulatieve excursie veroorzaken. De geschatte log-logrelatie kan dan op een machtswet lijken, hoewel de reeks geen stabiel langetermijngeheugenmechanisme heeft. Een breuktoets of gesegmenteerde regressie behandelt een andere vraag; zie de gids voor onderbroken-tijdreeksregressie.

De schaalkeuze maakt deel uit van het model. Zeer korte blokken weerspiegelen vooral lokale ruis en marktmicrostructuur; bij zeer lange blokken blijven weinig bruikbare segmenten over. Overlappende vensters kunnen het aantal berekende verhoudingen vergroten, maar niet in dezelfde mate het aantal onafhankelijke informatie-eenheden. Een schijnbare overgang, met één helling voor korte en een andere voor lange schalen, kan wijzen op verschillende dynamiek, een breuk, seizoenspatronen of simpelweg schattingsruis. Voeg dit niet zonder uitleg samen tot één \(H\).

Vermeld of de invoer bestaat uit prijzen, logprijzen, rendementen, absolute rendementen of gefilterde residuen, en of de blokken overlappen. Kies het blokbereik en het minimumaantal blokken voordat je de uitkomst interpreteert, rapporteer hoeveel waarnemingen per schaal bijdragen en toon de gevoeligheid voor redelijke grenswaarden. Als prijzen geïntegreerd zijn, geldt de gebruikelijke interpretatie voor stationaire rendementen niet ongewijzigd. Detrenden is geen universele oplossing: het verandert het gemeten object en kan naast de ongewenste trend ook economisch betekenisvolle variatie verwijderen.

Lo’s aanpassing behoudt het bereik van de gecentreerde cumulatieve afwijkingen, maar vervangt de gewone blokstandaardafwijking door een schatting van de langetermijnvariantie die autocovarianties met korte vertragingen bevat. Een gangbare notatie is:

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

Hier is \(\widehat{\gamma}_j\) de steekproefautocovariantie bij vertraging \(j\), en \(q\) de afkapbandbreedte. De driehoekgewichten geven autocovarianties dichter bij de afkapgrens minder gewicht. De aangepaste statistiek wordt vergeleken met de bijbehorende nulverdeling; het is niet simpelweg de klassieke R/S-schatting met een fraaier ogende noemer, en de waarde is niet automatisch een aangepaste \(H\).

De bandbreedte bepaalt welke kortetermijncorrelaties in de variantieschatting worden meegenomen. Een te kleine \(q\) kan relevante kortetermijnafhankelijkheid onbehandeld laten; een te grote \(q\) maakt de schatting ruisachtiger en kan patronen opnemen die de analyse juist wilde onderscheiden. Rapporteer de bandbreedteregel, steekproeffrequentie, toetsingsgrootheid, nulhypothese en p-waarde, en overweeg een vooraf vastgelegd gevoeligheidsbereik. Lo’s artikel laat zien waarom dit onderscheid ertoe doet: klassieke R/S kan reageren op kort geheugen, terwijl de aangepaste toets een ruimere nulhypothese onderzoekt die zwakke kortetermijnafhankelijkheid toestaat.

Detrended fluctuation analysis (DFA) maakt eerst een geïntegreerd profiel van waarnemingen die rond het gemiddelde zijn gecentreerd, verdeelt dat profiel in vensters, past binnen elk venster een lokaal polynoom toe en berekent de residuele root-mean-squarefluctuatie \(F(s)\) voor venstergrootte \(s\). Een regressie van \(\log F(s)\) op \(\log s\) schat de schaalhelling. De lokale fit kan de gevoeligheid voor bepaalde polynomiale trends verminderen, maar de detrendingorde, vensterlengte en het type reeks blijven van belang. DFA is evenmin immuun voor breuken, volatiliteitsveranderingen of een schaalinterval dat pas na inspectie van de grafiek is gekozen.

Methoden in het frequentiedomein schatten laagfrequent gedrag met behulp van het periodogram. Onder een specifiek stationair langetermijngeheugenmodel geldt, als de spectrale kracht nabij frequentie nul voldoet aan \(f(\lambda)\propto|\lambda|^{-\beta}\), voor een rendementproces van het type fractionele ruis \(H=(\beta+1)/2\). De laagfrequente bandbreedte bepaalt welke waarnemingen de geschatte helling beïnvloeden; seizoenspieken, breuken en een klein aantal laagfrequente ordinaten kunnen de uitkomst domineren. De relatie tussen de spectrale parameter en \(H\) hangt af van de vraag of de invoer een stationaire-incrementenreeks of een geïntegreerd niveau is.

Dit zijn alternatieve schatters met verschillend gedrag in eindige steekproeven, niet automatisch drie onafhankelijke bevestigingen. Werons vergelijking voor eindige steekproeven (DOI 10.1016/S0378-4371(02)00961-5) vergeleek R/S, DFA en periodogramregressie met gesimuleerde Gaussische witte ruis en benadrukte dat schattingen en betrouwbaarheidsintervallen per methode en steekproeflengte verschillen. De resultaten bewijzen niet dat DFA altijd beter is voor financiële data; ze laten zien waarom inferentie moet worden afgestemd op de concrete procedure en het datagenererende proces.

Een geschatte exponent kan een historisch schaalpatroon beschrijven of een scherp geformuleerde hypothese motiveren. De exponent levert echter geen regels voor instappen en uitstappen, voorspellingstiming, positiegrootte of risicolimieten, en verklaart niet waarom een gemeten relatie na ontdekking zou blijven bestaan. Als wordt getest of een rollende \(H\)-schatting rendementen voorspelt, moeten de voorspellingshorizon en het beslismoment vóór de evaluatie worden vastgelegd. Elke invoer moet op dat moment beschikbaar zijn geweest.

Veel vensterlengtes, blokgroottes, activa, rendementsbewerkingen, detrendingordes en drempels uitproberen tot één ervan een hoge \(H\) oplevert, is meervoudig toetsen. De schijnbare winnaar is geselecteerd uit dezelfde gegevens waarmee hij wordt beoordeeld. Leg de volledige zoekprocedure vast, gebruik onaangeroerde gegevens of een correct voorwaarts gekoppelde evaluatie, en houd rekening met het aantal onderzochte kandidaten. De gidsen over de kans op backtest-overfitting en White’s Reality Check behandelen verwante selectieproblemen.

Een statistische samenhang is geen handelsvoordeel na kosten. Evalueer een strategie na bied-laatspread, commissies, slippage, marktimpact, financieringskosten, leenvergoedingen en omzet. Persistente volatiliteit kan risico en drawdowns verhogen zonder de richting van rendementen beter voorspelbaar te maken. Rapporteer de onzekerheid van de schatting, vergelijk die met verklaringen op basis van kort geheugen en breuken, leg de regel vast vóór de eindtest en onderscheid een historische diagnose van een strategieresultaat.

Resampling helpt alleen wanneer het ontwerp past bij de onderzochte afhankelijkheid. Een iid-bootstrap die afzonderlijke rendementen onafhankelijk trekt, vernietigt de tijdsvolgorde. Een blokbootstrap bewaart lokale reeksen binnen elk gekozen blok, maar een kort blok kan langzame afhankelijkheid missen en een lang blok laat minder effectief verschillende segmenten over; geen van beide laat een structurele breuk verdwijnen. Als schaal, venster of activum op basis van de gegevens is geselecteerd, herhaal die selectie dan in elke resample om de zoekgecorrigeerde onzekerheid te schatten. Alleen de uiteindelijk gekozen exponent resamplen onderschat de onzekerheid die de zoektocht introduceerde.