Wykładnik Hursta i analiza R/S: pamięć długiego zasięgu, obliczenia i ograniczenia w tradingu

Wykładnik Hursta, oznaczany \(H\), jest nachyleniem zależności między skalą czasu a wielkością wahań mierzonych w tej skali. W analizie przeskalowanego zakresu zakres skumulowanych odchyleń dzieli się przez odchylenie standardowe szeregu. Jeśli średni iloraz rośnie w przybliżeniu jak \(n^H\) wraz ze wzrostem długości bloku \(n\), nachylenie zależności log–log szacuje \(H\). Współczynnik pochodzi z badań H. E. Hursta nad pojemnością magazynową zbiorników potrzebną do regulowania zmiennego przepływu rzeki; nie powstał jako wskaźnik kupna lub sprzedaży. W oryginalnej pracy Hurst, „Long-Term Storage Capacity of Reservoirs”, opisuje obliczanie zakresu z kumulowanych odchyleń rocznych przepływów od ich średniej.

Interpretacje takie jak „persystentny”, „antypersystentny” i „zbliżony do losowego” zależą od badanego procesu i założeń dotyczących skalowania. W typowym punkcie odniesienia ze stacjonarnymi przyrostami \(H=0.5\) odpowiada skalowaniu proporcjonalnemu do pierwiastka z czasu; \(H>0.5\) wiąże się z dodatnią persystencją, a \(H<0.5\) z antypersystencją. Terminy te opisują zależności w mierzonej serii w analizowanych skalach. Nie oznaczają prawdopodobieństwa, że następna stopa zwrotu będzie miała określony znak.

Wybór szeregu wejściowego zmienia pytanie. Zastosowanie tej samej metody do surowych stóp zwrotu, ich wartości bezwzględnych, kwadratów, poziomów cen lub skumulowanych stóp zwrotu nie daje zamiennych odpowiedzi. Szereg stóp zwrotu może wykazywać niewielką zależność kierunkową, podczas gdy wartości bezwzględne wskazują na utrzymujące się skupianie zmienności. Poziom cen z trendem lub zintegrowany może wykazywać skalowanie z innych powodów niż stacjonarna pamięć długiego zasięgu w stopach zwrotu. Raportując \(H\), podaj zmienną, częstotliwość próbkowania i zakres analizowanych skal.

Rozważ blok \(n\) obserwacji \(x_1,\ldots,x_n\). Oblicz średnią bloku \(\bar{x}_n\), odejmij ją od każdej obserwacji i skumuluj wartości wycentrowane:

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

Skumulowana ścieżka może rosnąć i opadać, mimo że suma wycentrowanych obserwacji na końcu bloku wynosi zero. Zakres to najwyższa wartość skumulowana minus najniższa:

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

Oblicz odchylenie standardowe bloku według jawnie podanej konwencji. W tym przykładzie dzielimy przez \(n\):

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

Iloraz \(Q_n\) wyraża skumulowany zakres w jednostkach zwykłej zmienności w bloku. W bloku stałym \(S_n=0\), więc iloraz jest nieokreślony; nie należy po cichu traktować go jako zerowego wkładu. W praktyce dzieli się zapis na bloki o wybranej długości, oblicza iloraz dla każdego prawidłowego bloku i uśrednia wyniki. Następnie powtarza się to dla wcześniej ustalonego zakresu długości bloków. Mandelbrot i Wallis zbadali zachowanie R/S dla wielu symulowanych rozkładów i wzorców zależności w pracy z 1969 r.. Ich analiza sprawiła, że R/S stało się szeroko stosowaną diagnostyką skalowania, ale nie metodą odporną na każdy błąd specyfikacji.

Jeśli średnia statystyka blokowa w wybranych skalach jest w przybliżeniu zgodna z \(\overline{Q}_n\approx Cn^H\), weź logarytmy:

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

Nachylenie regresji \(\log \overline{Q}_n\) względem \(\log n\) szacuje wykładnik. Prosta linia widoczna w wąskim przedziale albo przedziale wybranym po obejrzeniu wyników sama w sobie jest słabym dowodem: wiele skończonych prób wygląda liniowo w kilku skalach, a różne fragmenty tego samego szeregu mogą mieć odmienne nachylenia.

Rozważmy osiem hipotetycznych stóp zwrotu w arbitralnych jednostkach punktów bazowych: \(3,1,0,-1,2,0,-2,-3\). Średnia z całej próby wynosi zero. Dla każdej długości bloku podzielmy sekwencję na sąsiadujące, niepokrywające się bloki, obliczmy \(R_n/S_n\) dla każdego z nich, a następnie uśrednijmy ilorazy. Przykład używa odchylenia standardowego typu populacyjnego z dzielnikiem \(n\); inna konwencja nieznacznie zmieni wartości.

Dla \(n=2\) iloraz zakresu do odchylenia standardowego każdej pary wynosi 1, więc średnia również wynosi 1. Dla \(n=4\) wartości \((R,S)\) dwóch bloków wynoszą w przybliżeniu \((2.500,1.479)\) oraz \((3.500,1.920)\). Ilorazy to około 1.690 i 1.823, a ich średnia jest bliska 1.756. Dla \(n=8\) wycentrowana ścieżka skumulowana to \(3,4,4,3,5,5,3,0\), więc zakres wynosi 5. Odchylenie standardowe to \(\sqrt{3.5}\approx1.871\), a iloraz około 2.673.

Trzy punkty są równo odległe w skali logarytmicznej, więc nachylenie zwykłej regresji najmniejszych kwadratów jest równe nachyleniu między skrajnymi punktami:

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

To odtwarzalne obliczenie na ośmiu wymyślonych wartościach, a nie wiarygodny dowód pamięci długiego zasięgu. Oszacowanie jest bardzo wrażliwe na pojedyncze obserwacje, obejmuje tylko trzy skale i nie ma przedziału niepewności. Więcej obserwacji nie rozwiąże automatycznie problemu, jeśli szereg zawiera załamania albo skale wybrano po obejrzeniu pożądanego nachylenia.

<!-- Miejsce ilustracji: po tej sekcji; beztekstowa ilustracja koncepcyjna pokazuje, jak wycentrowane obserwacje kumulują się w zakres przy krótkich i długich skalach bloków, a zakres może rosnąć szybciej niż odchylenie standardowe wewnątrz bloku. Bez osi, etykiet i twierdzeń liczbowych. -->

Dla stacjonarnego szeregu o skończonej wariancji i zależności krótkiego zasięgu wiele typowych wyników skalowania długookresowego daje wykładnik bliski 0.5. W modelu typu ułamkowego szumu gaussowskiego \(H>0.5\) jest zgodne z dodatnią zależnością dalekiego zasięgu: w porównaniu z punktem odniesienia odchylenia w tym samym kierunku częściej następują jedno po drugim, a korelacje zanikają powoli. Wykładnik poniżej 0.5 wiąże się z antypersystencją, w której dominują odwrócenia lub zależności o przeciwnym znaku.

Zastrzeżenie „w ramach modelu” ma znaczenie. Zwykłe nachylenie R/S jest oszacowaniem, a nie bezpośrednim testem jednego, jednoznacznie określonego mechanizmu ekonomicznego. Obciążenie małej próby może oddalić oszacowania od 0.5; wpływ mają też nakładające się bloki, konwencja mianownika, krańce zakresu skal i autokorelacja. Przedział ufności obejmujący 0.5 nie dowodzi niezależności, a przedział go wykluczający nie dowodzi, że obserwacje wygenerował stabilny model pamięci długiego zasięgu.

Nie tłumacz \(H=0.7\) jako „70% szans na kontynuację trendu”, „stopy zwrotu utrzymają się przez 70 dni” ani „70% skuteczności”. \(H\) nie jest prawdopodobieństwem ani okresem utrzymania pozycji. Opisuje oszacowaną zależność skali. Dowody statystyczne zależności nadal wymagają modelu, oceny niepewności i sprawdzenia alternatyw: korelacji krótkoterminowej, warunkowej heteroskedastyczności, trendu deterministycznego lub zmiany reżimu.

Klasyczne R/S reaguje nie tylko na rzeczywistą zależność dalekiego zasięgu. Krótkotrwały wzorzec AR może utrzymywać odchylenia o tym samym znaku blisko siebie i zwiększać skumulowany zakres. Lo wykazał, że korelacja szeregowa krótkiego zasięgu może zawyżać klasyczną statystykę, sprawiając, że proces z krótką pamięcią wygląda na persistentny. Jego zmodyfikowane R/S opracowano do testowania pamięci długiego zasięgu z uwzględnieniem zależności krótkiego zasięgu. W analizowanych przez niego indeksach stóp zwrotu z akcji dowody pamięci długiego zasięgu zniknęły po uwzględnieniu krótkoterminowej autokorelacji; jest to wynik dla jego prób i testu, a nie rozstrzygnięcie dotyczące każdego aktywa lub późniejszego okresu. Zobacz pracę Lo z 1991 r..

Skupianie zmienności tworzy inną pułapkę. Znaki stóp zwrotu mogą się zmieniać, podczas gdy ich wielkości pozostają skupione. R/S zastosowane do stóp zwrotu bada skumulowane odchylenia ze znakiem, a zastosowane do ich wartości bezwzględnych lub kwadratów — persystencję wielkości. Wysokie oszacowanie dla \(|r_t|\) może opisywać skupione ryzyko, nie przewidywalność kierunku ceny. Osobną diagnostykę zależności wariancji warunkowej opisuje przewodnik po teście ARCH LM. Przewodnik po teście ilorazu wariancji przedstawia inne podsumowanie zależności stóp zwrotu w różnych horyzontach.

Znaczenie mają również grube ogony i obserwacje odstające. Mandelbrot i Wallis stwierdzili przydatne własności odporności w wielu symulacjach niegaussowskich, ale nie oznacza to, że pojedynczy skrajny ruch, zmiana reżimu zmienności lub błędna specyfikacja średniej są nieszkodliwe. Rzetelna analiza przedstawia wyniki dla wybranego oryginalnego szeregu i sprawdza, jak zmieniają się w uzasadnionych wariantach, zamiast usuwać niewygodne obserwacje aż do uzyskania znajomego wykładnika.

Odjęcie średniej bloku usuwa z niego stały poziom, ale nie każdy deterministyczny lub zmienny wzorzec. Stopniowy trend, pojedynczy skok poziomu, zmiana składu próby lub załamanie zmienności mogą utworzyć długie skumulowane wychylenie. Dopasowana relacja log–log może przypominać prawo potęgowe, mimo że szereg nie ma stabilnego mechanizmu pamięci długiego zasięgu. Test załamania lub regresja segmentowa odpowiada na inne pytanie; zobacz przewodnik po regresji przerywanego szeregu czasowego.

Wybór skali jest częścią modelu. Bardzo krótkie bloki odzwierciedlają głównie lokalny szum i mikrostrukturę rynku, a przy bardzo długich blokach zostaje niewiele użytecznych segmentów. Nakładające się okna zwiększają liczbę obliczonych ilorazów, ale nie tworzą proporcjonalnie tylu niezależnych porcji informacji. Pozorne przejście od jednego nachylenia przy krótkich skalach do drugiego przy długich może oznaczać różną dynamikę, załamanie, sezonowość lub zwykły szum oszacowania. Nie należy bez wyjaśnienia sprowadzać go do jednego \(H\).

Określ, czy wejściem jest cena, logarytm ceny, stopa zwrotu, jej wartość bezwzględna czy filtrowana reszta, a także czy bloki się nakładają. Przed interpretacją wybierz zakres bloków i minimalną liczbę bloków, podaj liczbę obserwacji wnoszących wkład na każdej skali i pokaż wrażliwość na rozsądne wartości graniczne. Jeśli ceny są zintegrowane, typowa interpretacja dla stacjonarnych stóp zwrotu nie ma zastosowania bez zmian. Usuwanie trendu nie jest uniwersalnym rozwiązaniem: zmienia mierzony obiekt i może usunąć ekonomicznie istotne wahania wraz z niepożądanym trendem.

Modyfikacja Lo zachowuje zakres wycentrowanych skumulowanych odchyleń, ale zamiast zwykłego odchylenia standardowego bloku używa oszacowania wariancji długookresowej uwzględniającego autokowariancje dla krótkich opóźnień. Typowy zapis wygląda następująco:

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

Tutaj \(\widehat{\gamma}_j\) oznacza autokowariancję z próby przy opóźnieniu \(j\), a \(q\) — szerokość pasma obcięcia. Wagi trójkątne zmniejszają wagę autokowariancji blisko granicy obcięcia. Zmodyfikowaną statystykę porównuje się z odpowiednim rozkładem zerowym; nie jest to po prostu klasyczne oszacowanie R/S z lepiej wyglądającym mianownikiem, a jego wartość nie staje się automatycznie skorygowanym \(H\).

Szerokość pasma określa, które korelacje krótkoterminowe trafiają do oszacowania wariancji. Zbyt małe \(q\) może pozostawić istotną zależność krótkiego zasięgu poza modelem; zbyt duże powoduje większy szum i może pochłonąć wzorce, które analiza miała rozróżnić. Podaj regułę wyboru szerokości pasma, częstotliwość próbkowania, statystykę testową, hipotezę zerową i wartość p; rozważ także wcześniej ustalony zakres wrażliwości. Praca Lo pokazuje, dlaczego ta różnica jest istotna: klasyczne R/S może reagować na krótką pamięć, a zmodyfikowany test sprawdza szerszą hipotezę zerową dopuszczającą słabą zależność krótkoterminową.

Analiza fluktuacji bez trendu (DFA) najpierw tworzy z obserwacji wycentrowanych względem średniej zintegrowany profil, dzieli go na okna, dopasowuje lokalny wielomian w każdym oknie i oblicza średnią kwadratową fluktuację reszt \(F(s)\) dla rozmiaru okna \(s\). Regresja \(\log F(s)\) względem \(\log s\) szacuje nachylenie skalowania. Lokalne dopasowanie może zmniejszyć wrażliwość na wybrane trendy wielomianowe, ale nadal mają znaczenie rząd usuwania trendu, długości okien i typ szeregu. DFA nie jest odporna na załamania, zmiany zmienności ani zakres skal wybrany po obejrzeniu wykresu.

Metody w dziedzinie częstotliwości szacują zachowanie niskich częstotliwości na podstawie periodogramu. W określonym stacjonarnym modelu pamięci długiego zasięgu, jeśli moc widmowa w pobliżu częstotliwości zero spełnia \(f(\lambda)\propto|\lambda|^{-\beta}\), to dla procesu stóp zwrotu typu szumu ułamkowego \(H=(\beta+1)/2\). Szerokość pasma niskich częstotliwości określa, które obserwacje wpływają na dopasowane nachylenie; mogą je zdominować szczyty sezonowe, załamania i nieliczne rzędne niskich częstotliwości. Zależność parametru widmowego od \(H\) zależy od tego, czy wejściem jest stacjonarny szereg przyrostów, czy zintegrowany poziom.

To alternatywne estymatory o różnym zachowaniu w skończonych próbach, a nie automatycznie trzy niezależne potwierdzenia. Porównanie Werona dla skończonych prób (DOI 10.1016/S0378-4371(02)00961-5) zestawiało R/S, DFA i regresję periodogramu na symulowanym gaussowskim białym szumie i pokazało, że oszacowania oraz przedziały ufności różnią się zależnie od metody i długości próby. Wynik nie dowodzi, że DFA zawsze jest najlepsza dla danych finansowych; pokazuje, dlaczego wnioskowanie trzeba skalibrować do konkretnej procedury i mechanizmu generującego dane.

Oszacowany wykładnik może opisywać historyczny wzorzec skalowania albo pomóc sformułować konkretną hipotezę. Nie podaje jednak reguł wejścia i wyjścia, momentu prognozy, wielkości pozycji ani limitów ryzyka, ani nie wyjaśnia, dlaczego zmierzona zależność miałaby utrzymać się po jej odkryciu. Jeśli badacz sprawdza, czy kroczące oszacowanie \(H\) przewiduje stopy zwrotu, musi przed oceną ustalić horyzont prognozy i moment decyzji oraz upewnić się, że wszystkie dane wejściowe były wtedy dostępne.

Testowanie wielu długości okien, rozmiarów bloków, aktywów, przekształceń stóp zwrotu, rzędów usuwania trendu i progów aż do znalezienia wysokiego \(H\) jest wielokrotnym testowaniem. Pozorny zwycięzca został wybrany z tych samych danych, na których go oceniono. Zapisz cały proces poszukiwań, użyj nietkniętych danych lub poprawnej oceny łańcuchowej w przód i uwzględnij liczbę testowanych wariantów. Przewodniki po prawdopodobieństwie przeuczenia backtestu i teście rzeczywistości White’a omawiają powiązane problemy selekcji.

Zależność statystyczna nie oznacza przewagi transakcyjnej po kosztach. Oceniaj strategię po uwzględnieniu spreadu bid–ask, prowizji, poślizgu cenowego, wpływu na rynek, finansowania, kosztów pożyczki i obrotu. Utrzymująca się zmienność może zwiększać ryzyko i obsunięcia bez poprawy przewidywalności kierunku stóp zwrotu. Raportuj niepewność oszacowania, porównuj je z wyjaśnieniami krótkiej pamięci i załamań, zamroź regułę przed testem końcowym i oddziel diagnostykę historyczną od wyników strategii.

Resampling pomaga tylko wtedy, gdy jego projekt pasuje do badanej zależności. Bootstrap iid, który niezależnie losuje pojedyncze stopy zwrotu, niszczy ich kolejność w czasie. Bootstrap blokowy zachowuje lokalne sekwencje wewnątrz wybranych bloków, ale krótki blok może pominąć powolną zależność, a długi pozostawia mniej faktycznie różnych segmentów; żadna metoda nie usuwa załamania strukturalnego. Jeśli skalę, okno lub aktywo wybrano na podstawie danych, powtórz ten wybór w każdej próbie bootstrapowej, aby oszacować niepewność skorygowaną o proces poszukiwania. Resampling wyłącznie końcowego, wybranego wykładnika zaniża niepewność wywołaną wyszukiwaniem.