เลขชี้กำลัง Hurst และการวิเคราะห์ R/S: ความหมาย วิธีคำนวณ และข้อจำกัดด้านการเทรด

เลขชี้กำลัง Hurst เขียนเป็น \(H\) และเป็นความชันของความสัมพันธ์ระหว่างสเกลเวลากับขนาดความผันผวนที่วัดในสเกลนั้น ใน rescaled-range analysis จะนำช่วงของ cumulative deviations หารด้วยส่วนเบี่ยงเบนมาตรฐานของอนุกรม หากอัตราส่วนที่คาดหมายเติบโตโดยประมาณตาม \(n^H\) เมื่อความยาวบล็อกเป็น \(n\) ความชันบนกราฟ log–log คือค่าประมาณ \(H\) ตัวชี้วัดนี้มาจากงานของ H. E. Hurst เรื่องความจุอ่างเก็บน้ำที่ต้องใช้เพื่อจัดการการไหลของแม่น้ำที่ผันแปร ไม่ได้สร้างขึ้นเป็นสัญญาณซื้อหรือขาย บทความต้นฉบับ Long-Term Storage Capacity of Reservoirs ใช้ cumulative departures ของปริมาณน้ำไหลรายปีจากค่าเฉลี่ยเพื่อคำนวณช่วง

คำอธิบายอย่าง “persistence”, “anti-persistence” และ “คล้ายสุ่ม” ขึ้นกับกระบวนการและสมมติฐานการปรับสเกลที่ศึกษา สำหรับ benchmark ของ stationary increments ที่ใช้กันทั่วไป \(H=0.5\) สอดคล้องกับการปรับสเกลตามรากที่สองของเวลา \(H>0.5\) เกี่ยวข้องกับ increments ที่มี positive persistence ส่วน \(H<0.5\) เกี่ยวข้องกับ anti-persistence ป้ายเหล่านี้อธิบาย dependence ของอนุกรมในสเกลที่วิเคราะห์ ไม่ใช่ความน่าจะเป็นที่ผลตอบแทนครั้งถัดไปมีเครื่องหมายใดเครื่องหมายหนึ่ง

อนุกรมนำเข้าทำให้คำถามเปลี่ยนไป การใช้วิธีกับผลตอบแทนดิบ ผลตอบแทนสัมบูรณ์ ผลตอบแทนยกกำลังสอง ระดับราคา หรือผลตอบแทนสะสมไม่ได้ให้คำตอบที่ใช้แทนกันได้ อนุกรมผลตอบแทนอาจมี dependence ด้านทิศทางน้อย แต่ผลตอบแทนสัมบูรณ์อาจแสดง volatility clustering ที่ต่อเนื่อง ระดับราคาที่มีแนวโน้มหรือเป็น integrated อาจเกิด scaling ด้วยเหตุผลอื่นที่ต่างจาก long memory แบบ stationary ในผลตอบแทน เมื่อรายงาน \(H\) ให้ระบุตัวแปร ความถี่การสุ่มตัวอย่าง และช่วงสเกลที่ใช้

พิจารณาบล็อกข้อมูล \(n\) ค่า \(x_1,\ldots,x_n\) และค่าเฉลี่ยบล็อก \(\bar{x}_n\) ลบค่าเฉลี่ยออกจากทุกข้อมูลแล้วสะสมค่าที่ center แล้ว:

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

เส้นทางสะสมอาจขึ้นลงได้ แม้ผลรวมของข้อมูลที่ center แล้วจะเป็นศูนย์ที่ปลายบล็อก ช่วงของเส้นทางเท่ากับค่าสะสมสูงสุดลบค่าต่ำสุด:

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

ต้องระบุวิธีคำนวณส่วนเบี่ยงเบนมาตรฐานของบล็อก ตัวอย่างนี้ใช้ตัวหาร \(n\):

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

อัตราส่วน \(Q_n\) วัดช่วงสะสมเป็นหน่วยของความผันแปรทั่วไปภายในบล็อก หากบล็อกมีค่าเท่ากันทั้งหมด \(S_n=0\) และอัตราส่วนจะไม่กำหนด ห้ามถือเป็น contribution ศูนย์โดยไม่ระบุ ในทางปฏิบัติแบ่งข้อมูลเป็นบล็อกตามความยาวที่เลือก คำนวณอัตราส่วนของแต่ละบล็อกที่ใช้ได้แล้วหาค่าเฉลี่ย จากนั้นทำซ้ำตามช่วงความยาวบล็อกที่กำหนดไว้ล่วงหน้า Mandelbrot และ Wallis ศึกษาพฤติกรรมของ R/S ภายใต้การแจกแจงจำลองและรูปแบบ dependence หลากหลายไว้ใน บทความปี 1969 งานนี้ทำให้ R/S เป็นเครื่องมือวินิจฉัย scaling ที่แพร่หลาย แต่ไม่ได้ทำให้วิธีนี้ปลอดจาก model misspecification ทุกชนิด

หากค่าเฉลี่ยสถิติของบล็อกทำตาม \(\overline{Q}_n\approx Cn^H\) โดยประมาณในสเกลที่เลือก เมื่อลอการิทึมทั้งสองข้างจะได้:

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

ความชันจากการถดถอย \(\log\overline{Q}_n\) บน \(\log n\) คือค่าประมาณเลขชี้กำลัง เส้นที่ดูตรงในช่วงแคบหรือเลือกหลังเห็นผลไม่ได้เป็นหลักฐานหนักแน่นด้วยตัวมันเอง เพราะข้อมูล finite sample หลายชุดดูเป็นเส้นตรงได้ในไม่กี่สเกล และส่วนต่าง ๆ ของอนุกรมเดียวกันอาจมีความชันไม่เท่ากัน

สมมติผลตอบแทนแปดค่าที่สร้างขึ้นเพื่อสาธิต โดยใช้หน่วย basis point ตามอำเภอใจ: \(3,1,0,-1,2,0,-2,-3\) ค่าเฉลี่ยทั้งชุดเป็นศูนย์ สำหรับความยาวบล็อกแต่ละค่า ให้แบ่งเป็นบล็อกต่อเนื่องที่ไม่ซ้อนทับกัน คำนวณ \(R_n/S_n\) ของแต่ละบล็อกแล้วหาค่าเฉลี่ย ตัวอย่างนี้ใช้ส่วนเบี่ยงเบนมาตรฐานแบบประชากรที่มีตัวหาร \(n\); หากใช้ convention อื่น ตัวเลขจะเปลี่ยนเล็กน้อย

ที่ \(n=2\) อัตราส่วน range ต่อส่วนเบี่ยงเบนมาตรฐานของแต่ละคู่เท่ากับ 1 ดังนั้นค่าเฉลี่ยเท่ากับ 1 ที่ \(n=4\) ค่าของ \((R,S)\) ในสองบล็อกอยู่ที่ประมาณ \((2.500,1.479)\) และ \((3.500,1.920)\) อัตราส่วนประมาณ 1.690 และ 1.823 ค่าเฉลี่ยประมาณ 1.756 ที่ \(n=8\) เส้นทางสะสมที่ center แล้วคือ \(3,4,4,3,5,5,3,0\) จึงมีช่วงเท่ากับ 5 ส่วนเบี่ยงเบนมาตรฐานคือ \(\sqrt{3.5}\approx1.871\) และอัตราส่วนประมาณ 2.673

จุดทั้งสามมีระยะห่างเท่ากันบนสเกล log ดังนั้นความชัน OLS เท่ากับความชันระหว่างจุดปลาย:

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

นี่คือการคำนวณที่ทำซ้ำได้จากตัวเลขสมมติแปดค่า ไม่ใช่หลักฐานที่น่าเชื่อถือของ long memory ค่าประมาณไวต่อข้อมูลแต่ละจุดมาก ใช้เพียงสามสเกล และไม่มีช่วงความไม่แน่นอน การเพิ่มข้อมูลไม่ได้แก้ปัญหาโดยอัตโนมัติหากอนุกรมมี break หรือเลือกสเกลหลังค้นหาความชันที่ต้องการ

<!-- 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. -->

สำหรับอนุกรม stationary ที่มี finite variance และ dependence ระยะสั้น ผลลัพธ์ long-run scaling ที่พบทั่วไปหลายแบบให้เลขชี้กำลังใกล้ 0.5 ภายใต้แบบจำลองคล้าย fractional Gaussian noise ค่า \(H>0.5\) สอดคล้องกับ positive long-range dependence: deviations มีแนวโน้มตามด้วย deviations ทิศเดียวกันมากกว่า benchmark และ correlation ลดลงช้า ค่าต่ำกว่า 0.5 เกี่ยวข้องกับ anti-persistence ซึ่ง reversal หรือ dependence ที่มีเครื่องหมายตรงข้ามเด่นใน scaling behavior

คำว่า “ภายใต้แบบจำลอง” สำคัญ ความชัน R/S ธรรมดาเป็นค่าประมาณ ไม่ใช่การทดสอบกลไกเศรษฐกิจที่มีคำตอบเฉพาะหนึ่งเดียว small-sample bias อาจทำให้ค่าประมาณเคลื่อนจาก 0.5; บล็อกที่ซ้อนทับกัน convention ของตัวหาร ขอบเขตสเกล และ autocorrelation ก็มีผล ช่วงความเชื่อมั่นที่ครอบคลุม 0.5 ไม่ได้พิสูจน์ independence และช่วงที่ไม่ครอบคลุมก็ไม่ได้พิสูจน์ว่าข้อมูลเกิดจากแบบจำลอง long-memory ที่เสถียร

อย่าแปล \(H=0.7\) ว่า “โอกาส 70% ที่แนวโน้มจะดำเนินต่อ” “ผลตอบแทนจะ persist 70 วัน” หรือ “ชนะ 70%” \(H\) ไม่ใช่ probability หรือ holding period แต่เป็นค่าที่อธิบายความสัมพันธ์การปรับสเกลที่ประมาณได้ หลักฐาน dependence ทางสถิติยังต้องใช้แบบจำลอง การประเมินความไม่แน่นอน และการตรวจสอบทางเลือก เช่น short-run correlation, conditional heteroskedasticity, deterministic trend หรือ regime shift

R/S แบบคลาสสิกตอบสนองต่อสิ่งที่มากกว่า long-range dependence จริง รูปแบบ AR ที่มีอายุสั้นอาจทำให้ deviations เครื่องหมายเดียวกันอยู่ใกล้กันและเพิ่ม cumulative range Lo แสดงว่า serial correlation ระยะสั้นอาจทำให้สถิติคลาสสิกเอนสูง จนกระบวนการ short-memory ดูเหมือน persistent วิธี modified R/S ของเขาออกแบบมาเพื่อทดสอบ long memory โดยคำนึงถึง dependence ระยะสั้น ในดัชนีหุ้นที่เขาศึกษา หลักฐาน long memory หายไปหลังควบคุม short-term autocorrelation; ผลนี้ใช้กับตัวอย่างและการทดสอบของเขา ไม่ใช่ข้อสรุปกับสินทรัพย์ทุกชนิดหรือช่วงเวลาอื่น ดู บทความ Lo ปี 1991

Volatility clustering ทำให้เกิดกับดักอีกแบบ อนุกรมอาจสลับผลตอบแทนบวกและลบ ขณะที่ขนาดผลตอบแทนยังเกาะกลุ่มกัน R/S บนผลตอบแทนดิบถามถึง cumulative deviations ที่มีเครื่องหมาย; เมื่อใช้ผลตอบแทนสัมบูรณ์หรือยกกำลังสอง จะถามถึง persistence ของขนาด ค่า \(H\) สูงสำหรับ \(|r_t|\) อาจอธิบายการจับกลุ่มของความเสี่ยงโดยไม่ได้หมายความว่าทิศทางราคาพยากรณ์ได้ สำหรับการวินิจฉัย conditional-variance dependence โดยเฉพาะ ดูคู่มือ ARCH LM test และคู่มือ variance-ratio ซึ่งอธิบายสถิติอีกแบบของ dependence ของผลตอบแทนข้าม horizon

Heavy tails และ outlier ก็สำคัญ Mandelbrot และ Wallis พบคุณสมบัติ robustness ที่เป็นประโยชน์ภายใต้ simulation แบบ non-Gaussian หลายแบบ แต่ไม่ได้หมายความว่า extreme move ครั้งเดียว การเปลี่ยน regime ความผันผวน หรือการกำหนด mean ผิดจะไม่มีผล รายงานผลบนอนุกรมต้นฉบับและตรวจสอบความไวภายใต้ทางเลือกที่มีเหตุผล อย่าลบข้อมูลที่ไม่เข้าทางจนได้เลขชี้กำลังที่คุ้นเคย

การลบค่าเฉลี่ยบล็อกเอาระดับคงที่ออกจากแต่ละบล็อก แต่ไม่ได้กำจัดทุก deterministic pattern หรือการเปลี่ยนแปลง แนวโน้มค่อยเป็นค่อยไป การเปลี่ยนระดับครั้งเดียว การเปลี่ยนองค์ประกอบตัวอย่าง หรือ volatility break อาจสร้าง cumulative excursion ที่ยาว ความสัมพันธ์ log–log จึงดูเหมือน power law ทั้งที่ไม่มีกลไก long-memory ที่เสถียร การทดสอบ break หรือ segmented regression ถามคนละคำถาม ดูคู่มือ interrupted time-series regression

การเลือกสเกลเป็นส่วนหนึ่งของแบบจำลอง บล็อกสั้นมากสะท้อน local noise และ market microstructure; บล็อกยาวมากเหลือ segment ที่ใช้ได้เพียงไม่กี่ชุด การใช้หน้าต่างซ้อนทับอาจเพิ่มจำนวนอัตราส่วนที่คำนวณ แต่ไม่ได้เพิ่มข้อมูลอิสระจำนวนเท่ากัน จุดเปลี่ยนที่ดูเหมือนมีความชันหนึ่งในสเกลสั้นและอีกค่าหนึ่งในสเกลยาวอาจหมายถึง dynamics ต่างกัน break, seasonal structure หรือ estimation noise อย่ายุบให้เป็น \(H\) ค่าเดียวโดยไม่อธิบาย

ระบุ input ว่าเป็นราคา log price ผลตอบแทน ผลตอบแทนสัมบูรณ์ หรือ residual หลังกรอง และบล็อกซ้อนทับกันหรือไม่ กำหนดช่วงบล็อกกับจำนวน segment ขั้นต่ำก่อนแปลผล รายงานจำนวน observation ในแต่ละสเกลและ sensitivity ต่อจุดปลายที่สมเหตุสมผล หากราคาเป็น integrated process การตีความแบบเดียวกับ stationary returns ใช้ไม่ได้โดยตรง Detrending ไม่ใช่ยาครอบจักรวาล เพราะเปลี่ยนสิ่งที่วัดและอาจลบ variation ที่มีความหมายทางเศรษฐกิจพร้อมกับ trend รบกวน

วิธีของ Lo คง range ของ cumulative deviations ที่ center แล้ว แต่แทนส่วนเบี่ยงเบนมาตรฐานทั่วไปของบล็อกด้วยค่าประมาณ long-run variance ที่รวม autocovariances ระยะสั้น สัญกรณ์ที่ใช้กันแบบหนึ่งคือ:

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

ในที่นี้ \(\widehat{\gamma}_j\) คือ sample autocovariance ที่ lag \(j\) และ \(q\) คือ bandwidth สำหรับตัด lag น้ำหนักรูปสามเหลี่ยมให้น้ำหนักลดลงกับ autocovariance ที่ใกล้ขอบการตัด สถิติที่ปรับแล้วต้องเปรียบเทียบกับ null distribution ที่เหมาะสม ไม่ใช่เพียง classical R/S ที่เปลี่ยนตัวหารให้ดูดีขึ้น และค่าไม่ได้เป็น \(H\) ที่ปรับแล้วโดยอัตโนมัติ

Bandwidth กำหนดว่าจะนับ short-run correlation ใดในค่าประมาณ variance \(q\) ที่เล็กเกินไปอาจยังเหลือ short-range dependence ที่เกี่ยวข้อง ส่วน \(q\) ที่ใหญ่เกินไปทำให้ค่าประมาณมี noise และอาจดูดซับ pattern ที่ต้องการแยก รายงานกฎเลือก bandwidth ความถี่ข้อมูล สถิติทดสอบ null hypothesis และ p-value พร้อมทดสอบช่วง sensitivity ที่กำหนดไว้ล่วงหน้า งานของ Lo แสดงความสำคัญของข้อแตกต่างนี้: classical R/S อาจตอบสนองต่อ short memory ขณะที่ modified test ใช้ null ที่กว้างกว่าและยอมให้มี weak short-run dependence

Detrended fluctuation analysis (DFA) สร้าง integrated profile จากข้อมูลที่ center รอบค่าเฉลี่ยก่อน จากนั้นแบ่ง profile เป็นหน้าต่าง fit local polynomial ในแต่ละหน้าต่าง และคำนวณ root-mean-square residual fluctuation \(F(s)\) ที่ขนาดหน้าต่าง \(s\) การถดถอย \(\log F(s)\) บน \(\log s\) ประมาณ scaling slope การ fit เฉพาะที่อาจลดความไวต่อ polynomial trend ที่เลือก แต่ order ของ detrending ความยาวหน้าต่าง และชนิดอนุกรมยังสำคัญ DFA ไม่ได้ปลอดจาก break การเปลี่ยนความผันผวน หรือการเลือกช่วงสเกลหลังดูกราฟ

วิธี frequency-domain ประมาณพฤติกรรมความถี่ต่ำจาก periodogram ภายใต้แบบจำลอง stationary long-memory แบบหนึ่ง หาก spectral power ใกล้ความถี่ศูนย์เป็นไปตาม \(f(\lambda)\propto|\lambda|^{-\beta}\) จะได้ \(H=(\beta+1)/2\) สำหรับอนุกรมผลตอบแทนแบบ fractional-noise bandwidth ความถี่ต่ำกำหนด observation ที่มีผลต่อ slope; seasonal peak, break และจำนวน ordinate ความถี่ต่ำเพียงเล็กน้อยอาจครอบงำผล ความสัมพันธ์ระหว่างพารามิเตอร์ spectral กับ \(H\) ขึ้นกับว่า input เป็น stationary increment หรือ integrated level

วิธีเหล่านี้เป็น estimator ทางเลือกที่มี finite-sample behavior ต่างกัน ไม่ใช่การยืนยันผลแบบอิสระสามครั้งโดยอัตโนมัติ งานเปรียบเทียบ finite-sample ของ Weron (DOI 10.1016/S0378-4371(02)00961-5) เปรียบเทียบ R/S, DFA และ periodogram regression บน simulated Gaussian white noise และชี้ว่า estimate กับ confidence interval เปลี่ยนตามวิธีและขนาดตัวอย่าง ผลนี้ไม่ได้ยืนยันว่า DFA ดีที่สุดเสมอสำหรับข้อมูลการเงิน แต่แสดงว่าการอนุมานต้องปรับให้เข้ากับขั้นตอนและเงื่อนไขกำเนิดข้อมูลจริง

ค่าประมาณเลขชี้กำลังช่วยอธิบายรูปแบบการปรับสเกลในอดีตหรือสร้างสมมติฐานที่ระบุชัดได้ แต่ไม่ได้ให้กฎเข้าออก เวลาออกพยากรณ์ ขนาดสถานะ หรือขีดจำกัดความเสี่ยง และไม่ได้บอกว่าความสัมพันธ์จะคงอยู่หลังตลาดรับรู้แล้ว หากทดสอบว่า rolling \(H\) พยากรณ์ผลตอบแทนได้หรือไม่ ต้องกำหนด horizon และเวลาตัดสินใจก่อนประเมิน และใช้เฉพาะข้อมูลที่มีอยู่ในเวลานั้น

การลองหน้าต่าง ความยาวบล็อก สินทรัพย์ การแปลงผลตอบแทน order ของ detrending และ threshold จำนวนมากจนได้ \(H\) สูงคือ multiple search ตัวเลือกที่ดูชนะถูกเลือกจากข้อมูลชุดเดียวกับที่ใช้ประเมิน บันทึกตัวเลือกทั้งหมดและใช้ข้อมูลที่ไม่แตะต้องหรือการทดสอบแบบเดินหน้าโดยคำนึงถึงการค้นหา คู่มือ probability of backtest overfitting และ White's Reality Check กล่าวถึงปัญหาการเลือกที่เกี่ยวข้อง

ความสัมพันธ์ทางสถิติไม่ใช่ net trading edge ต้องประเมินกลยุทธ์หลัง bid-ask spread, commission, slippage, market impact, funding หรือ financing, ค่า borrow และ turnover ความผันผวนที่ persist อาจเพิ่มความเสี่ยงและ drawdown โดยไม่ช่วยทำนายทิศทางผลตอบแทน รายงานความไม่แน่นอนของค่าประมาณ เปรียบเทียบกับทางเลือก short-memory และ break ตรึงกฎก่อนทดสอบสุดท้าย และแยก historical diagnostic ออกจากผลกลยุทธ์

Resampling มีประโยชน์เมื่อออกแบบให้ตรงกับ dependence ที่ศึกษา iid bootstrap ซึ่งสุ่มผลตอบแทนทีละค่าอย่างอิสระทำลายลำดับเวลา Block bootstrap รักษาการเคลื่อนไหวที่อยู่ติดกันในบล็อกที่เลือก แต่บล็อกสั้นอาจพลาด dependence ช้า ส่วนบล็อกยาวทำให้เหลือช่วงข้อมูลที่ต่างกันจริงน้อยลง ทั้งสองแบบไม่ได้ทำให้ structural break หายไป หากเลือกสเกล หน้าต่าง หรือสินทรัพย์จากข้อมูล ให้ทำขั้นตอนเลือกซ้ำในทุก resample เมื่อคำนวณความไม่แน่นอนที่ปรับการค้นหา การ resample เฉพาะเลขชี้กำลังตัวสุดท้ายจะประเมินความไม่แน่นอนจากการค้นหาต่ำเกินไป