Показатель Хёрста и анализ R/S: смысл, расчёт и ограничения в торговле

Показатель Хёрста, обозначаемый \(H\), — наклон зависимости между временным масштабом и величиной колебаний, измеренных на этом масштабе. В анализе масштабированного размаха диапазон накопленных отклонений делят на стандартное отклонение ряда. Если ожидаемое отношение растёт примерно как \(n^H\) при длине блока \(n\), наклон логарифмического графика оценивает \(H\). Показатель возник в работе Х. Э. Хёрста о необходимой ёмкости водохранилищ для управления изменчивым речным стоком, а не как сигнал покупки или продажи. В исходной статье Long-Term Storage Capacity of Reservoirs диапазон рассчитывался по накопленным отклонениям годового стока от среднего.

Интерпретации «персистентность», «антиперсистентность» и «похожесть на случайный процесс» зависят от исследуемого процесса и предположений о масштабировании. Для распространённого эталона стационарных приращений \(H=0.5\) соответствует масштабированию по квадратному корню из времени; \(H>0.5\) связывают с положительно персистентными приращениями, а \(H<0.5\) — с антиперсистентностью. Эти обозначения относятся к зависимости измеренного ряда на проанализированных масштабах, а не к вероятности положительной или отрицательной следующей доходности.

Выбор входного ряда меняет вопрос. Применение метода к исходным, абсолютным или квадратам доходностей, уровням цен либо накопленной доходности даёт разные, невзаимозаменяемые ответы. У ряда доходностей может быть мало направленной зависимости, тогда как абсолютные доходности показывают устойчивую кластеризацию волатильности. Трендовый или интегрированный уровень цены может демонстрировать масштабирование по причинам, отличным от стационарной долгосрочной памяти доходностей. При сообщении \(H\) указывайте переменную, интервал выборки и диапазон масштабов.

Пусть блок содержит \(n\) наблюдений \(x_1,\ldots,x_n\), а его среднее равно \(\bar{x}_n\). Вычтите среднее из каждого наблюдения и накопите центрированные значения:

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

Накопленная траектория может подниматься и опускаться, хотя сумма центрированных наблюдений в конце блока равна нулю. Размах — максимальное накопленное значение за вычетом минимального:

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

Укажите соглашение для стандартного отклонения блока. Здесь используется делитель \(n\):

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

Отношение \(Q_n\) выражает накопленный размах в единицах обычного разброса внутри блока. Для постоянного блока \(S_n=0\), поэтому отношение не определено; не следует молча считать его нулевым вкладом. На практике ряд делят на блоки выбранной длины, вычисляют отношение для каждого допустимого блока, усредняют и повторяют процедуру для заранее заданного диапазона длин. Mandelbrot и Wallis изучали свойства R/S для множества смоделированных распределений и структур зависимости в статье 1969 года. Это сделало R/S распространённой диагностикой масштабирования, но не защитило метод от всех ошибок спецификации.

Если средняя блочная статистика на выбранных масштабах примерно подчиняется \(\overline{Q}_n\approx Cn^H\), возьмите логарифмы:

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

Наклон регрессии \(\log\overline{Q}_n\) на \(\log n\) оценивает показатель. Прямая на узком диапазоне или интервале, выбранном после просмотра результатов, сама по себе мало что доказывает: многие конечные выборки выглядят линейными на нескольких масштабах, а наклоны в разных частях одного ряда могут различаться.

Рассмотрим восемь гипотетических доходностей в условных базисных пунктах: \(3,1,0,-1,2,0,-2,-3\). Среднее всей выборки равно нулю. Для каждой длины блока разбейте ряд на соседние неперекрывающиеся блоки, вычислите \(R_n/S_n\) для каждого и усредните отношения. Здесь стандартное отклонение рассчитывается с делителем \(n\); другая конвенция немного изменит значения.

При \(n=2\) отношение размаха к стандартному отклонению для каждой пары равно 1, поэтому среднее тоже равно 1. При \(n=4\) значения \((R,S)\) для двух блоков приблизительно равны \((2.500,1.479)\) и \((3.500,1.920)\). Их отношения — примерно 1.690 и 1.823, среднее — около 1.756. При \(n=8\) центрированная накопленная траектория равна \(3,4,4,3,5,5,3,0\), её размах равен 5. Стандартное отклонение \(\sqrt{3.5}\approx1.871\), а отношение — около 2.673.

Поскольку три точки на логарифмической шкале равноотстоящие, наклон обычного МНК совпадает с наклоном между крайними точками:

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

Это воспроизводимый расчёт на восьми вымышленных значениях, а не убедительное доказательство долгосрочной памяти. Оценка крайне чувствительна к отдельным наблюдениям, использует только три масштаба и не имеет интервала неопределённости. Дополнительные наблюдения не решают проблему автоматически, если ряд содержит структурные сдвиги или масштабы выбрали после поиска желаемого наклона.

<!-- Illustration placement: after this section; text-free conceptual depiction of centered observations accumulating into a range at short and long block scales, with the range growing more than the within-block standard deviation. No axes, labels, or numeric claims. -->

Для стационарного ряда с конечной дисперсией и краткосрочной зависимостью многие распространённые результаты долгосрочного масштабирования дают показатель около 0,5. В модели типа дробного гауссовского шума \(H>0.5\) согласуется с положительной долгосрочной зависимостью: отклонение чаще сопровождается отклонением того же знака, чем в эталонной модели, а корреляции убывают медленно. Значение ниже 0,5 связывают с антиперсистентностью, при которой в масштабной зависимости преобладают развороты или зависимость противоположных знаков.

Оговорка «в рамках модели» важна. Обычный наклон R/S — оценка, а не прямой тест единственного экономического механизма. Смещение малой выборки может отодвинуть оценки от 0,5; на результат влияют перекрывающиеся блоки, соглашение о знаменателе, границы масштабов и автокорреляция. Доверительный интервал, включающий 0,5, не доказывает независимость, а интервал, исключающий 0,5, не доказывает, что наблюдения породила стабильная модель долгой памяти.

Не переводите \(H=0.7\) как «вероятность продолжения тренда 70%», «доходности сохраняются 70 дней» или «успешность 70%». \(H\) не является вероятностью или сроком удержания позиции. Он описывает оценённую зависимость масштабирования. Статистический вывод о зависимости требует модели, оценки неопределённости и проверок альтернатив: краткосрочной корреляции, условной гетероскедастичности, детерминированного тренда или смены режима.

Классический R/S реагирует не только на истинную долгосрочную память. Краткосрочный паттерн AR может сближать отклонения одного знака и увеличивать накопленный размах. Lo показал, что краткосрочная серийная корреляция может смещать классическую статистику вверх, из-за чего процесс с короткой памятью выглядит персистентным. Его модифицированный R/S предназначен для проверки долгой памяти с учётом краткосрочной зависимости. В исследованных им фондовых индексах свидетельства долгой памяти исчезли после учёта краткосрочной автокорреляции; это результат для его выборок и теста, а не вывод обо всех активах и последующих периодах. См. статью Lo 1991 года.

Кластеризация волатильности создаёт другую ловушку. Доходности могут чередоваться по знаку, тогда как их абсолютные значения остаются сгруппированными. R/S для доходностей оценивает знаковые накопленные отклонения; для абсолютных или квадратов доходностей он оценивает устойчивость величины. Высокая оценка для \(|r_t|\) может описывать кластеризацию риска, не означая предсказуемость направления цены. Для отдельной диагностики зависимости условной дисперсии см. руководство по тесту ARCH LM. Руководство по отношению дисперсий рассматривает другой показатель зависимости доходностей на разных горизонтах.

Важны и тяжёлые хвосты с выбросами. Mandelbrot и Wallis обнаружили полезные свойства устойчивости во многих негауссовских симуляциях, но это не означает, что отдельное экстремальное движение, смена режима волатильности или ошибочная спецификация среднего безвредны. Сообщайте результаты на исходном выбранном ряде и проверяйте их чувствительность к обоснованным альтернативам, а не удаляйте неудобные наблюдения до получения привычного показателя.

Вычитание среднего блока удаляет постоянный уровень внутри каждого блока, но не все детерминированные или меняющиеся закономерности. Плавный тренд, единовременный сдвиг уровня, изменение состава выборки или сдвиг волатильности могут создать длинное накопленное отклонение. Тогда логарифмическая зависимость может выглядеть как степенной закон, хотя стабильного механизма долгой памяти нет. Тест на сдвиг или сегментированная регрессия отвечают на другой вопрос; см. руководство по прерванным временным рядам.

Выбор масштаба — часть модели. Очень короткие блоки в основном отражают локальный шум и микроструктуру; слишком длинные оставляют мало пригодных сегментов. Перекрывающиеся окна увеличивают количество рассчитанных отношений, но не создают столько же независимых фрагментов информации. Перекрёстный переход — один наклон на коротких и другой на длинных масштабах — может указывать на другую динамику, сдвиг, сезонность или просто шум оценки. Не сводите его к одному \(H\) без объяснения.

Укажите, является ли входом цена, логарифм цены, доходность, абсолютная доходность или фильтрованный остаток, а также перекрываются ли блоки. До интерпретации задайте диапазон блоков и минимальное число сегментов; сообщите количество наблюдений на каждом масштабе и чувствительность к разумным границам. Если цены интегрированы, обычная интерпретация для стационарных доходностей не переносится на них напрямую. Устранение тренда — не универсальное решение: оно меняет измеряемый объект и может удалить экономически значимую вариацию вместе с помехой.

Модификация Lo сохраняет размах центрированных накопленных отклонений, но заменяет обычное стандартное отклонение блока оценкой долгосрочной дисперсии, учитывающей автоковариации на коротких лагах. Распространённая запись:

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

Здесь \(\widehat{\gamma}_j\) — выборочная автоковариация на лаге \(j\), а \(q\) — полоса усечения. Треугольные веса уменьшают вес автоковариаций ближе к границе. Модифицированную статистику сравнивают с соответствующим нулевым распределением; это не просто классическая R/S с более удачным знаменателем, и её значение автоматически не становится скорректированной оценкой \(H\).

Полоса определяет, какие краткосрочные корреляции войдут в оценку дисперсии. Слишком малое \(q\) может не учесть релевантную краткосрочную зависимость; слишком большое делает оценку шумной и способно поглотить закономерности, которые анализ пытается различить. Укажите правило выбора полосы, частоту данных, статистику, нулевую гипотезу и p-значение; рассмотрите заранее заданный диапазон чувствительности. Работа Lo показывает важность этого различия: классическая R/S реагирует на короткую память, а модифицированный тест проверяет более широкую нулевую гипотезу, допускающую слабую краткосрочную зависимость.

Detrended fluctuation analysis (DFA) сначала строит интегрированный профиль центрированных наблюдений, делит его на окна, подгоняет локальный полином в каждом окне и вычисляет среднеквадратичное отклонение остатков \(F(s)\) при размере окна \(s\). Регрессия \(\log F(s)\) на \(\log s\) оценивает наклон масштабирования. Локальная подгонка может снизить чувствительность к выбранным полиномиальным трендам, но порядок удаления тренда, длина окон и тип ряда по-прежнему важны. DFA не защищает от сдвигов, изменения волатильности и выбора диапазона масштабов после просмотра графика.

Методы частотной области оценивают низкочастотное поведение по периодограмме. В определённой стационарной модели долгой памяти, если спектральная мощность около нулевой частоты следует \(f(\lambda)\propto|\lambda|^{-\beta}\), то для процесса доходностей типа дробного шума \(H=(\beta+1)/2\). Низкочастотная полоса определяет, какие наблюдения влияют на наклон; сезонные пики, сдвиги и небольшое число низкочастотных ординат могут доминировать. Связь спектрального параметра с \(H\) зависит от того, является ли вход стационарным рядом приращений или интегрированным уровнем.

Это альтернативные оцениватели с разными свойствами конечной выборки, а не три независимых подтверждения по умолчанию. Сравнение свойств конечной выборки Weron (DOI 10.1016/S0378-4371(02)00961-5) изучало R/S, DFA и регрессию периодограммы на симулированном гауссовском белом шуме и показало, что оценки и доверительные интервалы зависят от метода и длины выборки. Это не доказывает, что DFA всегда лучше на финансовых данных; оно показывает необходимость калибровать выводы под фактическую процедуру и условия генерации данных.

Оценённый показатель может описывать историческое масштабирование или подсказать чёткую гипотезу. Он не задаёт правила входа и выхода, время прогноза, размер позиции или лимиты риска и не объясняет, почему зависимость сохранится после того, как станет известной. Если исследователь проверяет, предсказывает ли скользящая оценка \(H\) доходности, горизонт прогноза и момент решения нужно зафиксировать заранее, а каждый вход должен быть доступен на тот момент.

Перебор множества длин окон, размеров блоков, активов, преобразований доходности, порядков удаления тренда и порогов с последующим выбором максимального \(H\) — это множественный поиск. Лучший на вид вариант выбран из тех же данных, на которых его оценили. Зафиксируйте всю проверенную семью моделей, используйте нетронутую выборку или последовательную проверку вперёд и учитывайте перебор. Руководство по вероятности переобучения бэктеста и White’s Reality Check описывают похожие проблемы отбора.

Статистическая связь не равна чистому торговому преимуществу. Стратегию нужно оценивать после bid–ask спреда, комиссий, проскальзывания, влияния на рынок, финансирования или займа, стоимости шорта и оборота. Персистентность волатильности может увеличивать риск и просадки, не улучшая направление доходности. Сообщайте неопределённость оценки, сравнивайте её с альтернативами краткосрочной памяти и сдвигов, фиксируйте правило до финального теста и отделяйте историческую диагностику от результата стратегии.

Повторная выборка полезна лишь тогда, когда её схема соответствует изучаемой зависимости. Iid-бутстрэп, независимо выбирающий отдельные доходности, разрушает временной порядок. Блочный бутстрэп сохраняет локальные последовательности внутри блока, но короткий блок может пропустить медленную зависимость, а длинный оставляет меньше эффективно различных фрагментов; ни один вариант не устраняет структурный сдвиг. Если масштаб, окно или актив выбраны по данным, повторяйте этот отбор в каждой повторной выборке при оценке неопределённости с поправкой на поиск. Повторная выборка только финального выбранного показателя занижает неопределённость поиска.