赫斯特指數與 R/S 分析：長記憶估計、計算與交易限制

赫斯特指數記為 \(H\)，代表時間尺度與該尺度下量測到的波動幅度之間關係的斜率。在重標範圍分析中，累積偏差的範圍會除以序列的標準差。如果平均比率隨區塊長度 \(n\) 增加而大致依 \(n^H\) 成長，對數—對數關係的斜率就是 \(H\) 的估計值。這個係數來自 H. E. Hurst 研究水庫需要多大儲水量才能管理變動的河川流量；它不是為買賣訊號而設計。Hurst 的原始論文〈水庫的長期儲水能力〉說明如何利用年度流量相對於平均值的累積偏差計算範圍。

「持續」、「反持續」和「近似隨機」等解讀，取決於研究的過程及尺度假設。在常見的定態增量基準下，\(H=0.5\) 對應平方根時間尺度；\(H>0.5\) 與正向持續性相關，\(H<0.5\) 則與反持續性相關。這些用語描述的是在分析尺度下量測到的序列依賴性，不是下一期報酬率為特定正負方向的機率。

輸入序列不同，研究問題也不同。將相同方法套用在原始報酬率、絕對報酬率、報酬率平方、價格水準或累積報酬率，所得答案不能互換。報酬率序列可能沒有明顯方向依賴，但絕對報酬率仍可能呈現持續的波動叢聚。帶有趨勢或整合特性的價格水準，也可能因為不同於定態報酬率長記憶的原因而呈現尺度關係。報告 \(H\) 時，請說明變數、取樣間隔和使用的尺度範圍。

取一個包含 \(n\) 個觀測值 \(x_1,\ldots,x_n\) 的區塊。先計算區塊平均值 \(\bar{x}_n\)，再從每個觀測值減去平均值，並將中心化後的數值逐步累加：

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

即使中心化觀測值的總和在區塊終點為零，累積路徑仍會在中間上下移動。範圍等於累積值的最高點減去最低點：

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

依照明確說明的慣例計算區塊標準差。此處使用 \(n\) 作為分母：

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

比率 \(Q_n\) 以區塊內一般波動的單位表示累積範圍。若區塊為常數，\(S_n=0\)，因此比率沒有定義；不能默默將它視為零貢獻。實務上，將紀錄按指定長度分成區塊，計算每個有效區塊的比率並取平均，再對預先設定的一系列區塊長度重複計算。Mandelbrot 與 Wallis 在1969 年論文中，研究 R/S 在多種模擬分布和依賴模式下的行為。他們的分析讓 R/S 成為常用的尺度診斷工具，但不代表它能免於各種模型設定錯誤。

若所選尺度上的區塊平均統計量大致符合 \(\overline{Q}_n\approx Cn^H\)，取對數後可得：

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

將 \(\log \overline{Q}_n\) 對 \(\log n\) 擬合後的斜率，就是指數估計值。即使在狹窄或看過結果後才挑選的區間內，圖形看起來像直線，單靠這點仍是薄弱證據。許多有限樣本在少數尺度上都可能看似線性，同一紀錄不同區段也可能有不同斜率。

考慮八個假設報酬率，單位為任意基點：\(3,1,0,-1,2,0,-2,-3\)。全樣本平均值為零。對每種區塊長度，將序列分成相鄰且不重疊的區塊，計算各區塊的 \(R_n/S_n\)，再對比率取平均。範例使用分母為 \(n\) 的母體型標準差；採用其他慣例會讓數字略有差異。

在 \(n=2\) 時，每一組的範圍與標準差比率都是 1，所以平均值也是 1。在 \(n=4\) 時，兩個區塊的 \((R,S)\) 約為 \((2.500,1.479)\) 和 \((3.500,1.920)\)。比率約為 1.690 和 1.823，平均值約為 1.756。在 \(n=8\) 時，中心化累積路徑為 \(3,4,4,3,5,5,3,0\)，因此範圍為 5。標準差為 \(\sqrt{3.5}\approx1.871\)，比率約為 2.673。

這三個對數尺度點之間的距離相同，因此一般最小平方法斜率等於兩端點的斜率：

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

這是以八個虛構數值完成的可重現計算，不是長記憶的可靠證據。估計值對個別觀測值非常敏感，只有三個尺度，也沒有不確定區間。如果序列包含結構改變，或是在看過結果後才選擇尺度，增加觀測值不會自動解決問題。

<!-- 插圖位置：本節之後；以無文字概念圖呈現中心化觀測值在短區塊與長區塊尺度下累積成範圍，且範圍的成長速度高於區塊內標準差。不要加入座標軸、標籤或數值主張。 -->

對具有有限變異數和短程依賴的定態序列，許多常見的長期尺度結果會得到接近 0.5 的指數。在類似分數高斯雜訊的模型下，\(H>0.5\) 與正向長程依賴相符：相較於基準，同方向偏差較容易接續出現，相關性也會緩慢衰減。低於 0.5 的指數則與反持續性相關，反轉或相反符號的依賴會主導尺度行為。

「在模型下」這項限定很重要。一般 R/S 斜率是估計值，不是對某個唯一經濟機制的直接檢定。小樣本偏誤可能使估計值偏離 0.5；重疊區塊、分母慣例、尺度端點和自相關也會影響結果。信賴區間包含 0.5，不能證明序列相互獨立；區間不包含 0.5，也不能證明觀測值來自穩定的長記憶模型。

不要把 \(H=0.7\) 解讀成「趨勢延續機率為 70%」、「報酬率持續 70 天」或「勝率為 70%」。\(H\) 不是機率或持有期間，而是描述估計出的尺度關係。要提出依賴性的統計證據，仍需模型、不確定性評估，以及對短期相關、條件異質變異、決定性趨勢或狀態轉換等替代解釋的檢查。

傳統 R/S 不只會對真正的長程依賴有反應。短期 AR 型態可能讓同號偏差彼此接近，並提高累積範圍。Lo 指出，短期序列相關可能讓傳統統計量向上偏誤，使短記憶過程看起來有持續性。他的修正 R/S 方法是為了在考量短程依賴後檢定長記憶。在他研究的股票報酬率指數中，納入短期自相關後，長記憶的證據消失；這是他所用樣本與檢定的結果，不是對所有資產或之後期間的判斷。請參考 Lo 的1991 年論文。

波動叢聚會造成另一種誤判。報酬率正負號可以交替，但報酬幅度仍可能成群出現。對報酬率使用 R/S，研究的是帶正負號的累積偏差；對絕對報酬率或平方報酬率使用，研究的則是幅度持續性。若 \(|r_t|\) 的估計值偏高，可能代表風險聚集，而不是價格方向可預測。條件變異數依賴性的另一項診斷，請看 [ARCH LM 檢定指南](/zh-TW/learn/arch-lm-test-volatility-clustering-finance-explained)。[變異數比率指南](/zh-TW/learn/variance-ratio-test-random-walk-horizon-scaling-explained)則介紹跨持有期間彙整報酬率依賴性的另一種方法。

厚尾和離群值也很重要。Mandelbrot 與 Wallis 在許多非高斯模擬中發現有用的穩健性，但這不代表單一極端變動、波動狀態轉換或平均數設定錯誤都無關緊要。良好的分析會報告所選原始序列的結果，並檢查合理替代設定下結果如何改變，而不是一直移除不方便的觀測值，直到指數看起來熟悉為止。

從每個區塊扣除區塊平均數，可以移除固定水準，但不能移除所有決定性或變動型態。緩慢趨勢、一次性的水準跳升、樣本組成改變或波動狀態轉換，都可能造成長距離的累積偏移。擬合的對數關係可能看似冪律，即使序列並沒有穩定的長記憶機制。結構改變檢定或分段迴歸回答的是不同問題；請參閱[中斷時間序列迴歸指南](/zh-TW/learn/interrupted-time-series-segmented-regression-finance-explained)。

尺度選擇也是模型的一部分。極短區塊主要反映局部雜訊與市場微結構；極長區塊則只剩少數可用片段。使用重疊視窗可以增加計算出的比率數目，卻不會等比例增加獨立資訊。短尺度一個斜率、長尺度另一個斜率的交叉現象，可能表示不同動態、結構改變、季節性，也可能只是估計雜訊。沒有說明就把它們合併成單一 \(H\) 並不妥當。

請明確列出輸入是價格、對數價格、報酬率、絕對報酬率或濾波後殘差，以及區塊是否重疊。解讀結果前先決定區塊範圍和最少區塊數，報告每個尺度所使用的觀測值數目，並呈現合理端點下的敏感度。如果價格是整合序列，針對定態報酬率的常見解讀不能原樣套用。去趨勢不是萬用解法：它會改變量測對象，也可能連同不需要的趨勢一起移除具經濟意義的變化。

Lo 的修正保留中心化累積偏差的範圍，但以包含短落後期自共變異數的長期變異數估計值，取代一般區塊標準差。常見的寫法如下：

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

其中 \(\widehat{\gamma}_j\) 是落後期 \(j\) 的樣本自共變異數，\(q\) 是截斷頻寬。三角形權重會降低接近截斷點之自共變異數的權重。修正統計量要與相應的虛無分布比較；它不只是分母較好的傳統 R/S 估計值，其數值也不會自動成為調整後的 \(H\)。

頻寬決定哪些短期相關會納入變異數估計。\(q\) 太小可能漏掉相關的短程依賴；\(q\) 太大會讓估計更嘈雜，也可能吸收原本想區分的型態。請報告頻寬規則、樣本頻率、檢定統計量、虛無假設和 p 值，並考慮預先設定的敏感度範圍。Lo 的論文說明這項差異為何重要：傳統 R/S 會受短記憶影響，而修正檢定針對的是更廣泛、允許弱短期依賴的虛無假設。

去趨勢波動分析（DFA）會先將扣除平均數後的觀測值累積成整合剖面，把剖面分成數個視窗，在每個視窗內配適局部多項式，再計算殘差波動的均方根 \(F(s)\)，其中 \(s\) 是視窗長度。將 \(\log F(s)\) 對 \(\log s\) 迴歸可估計尺度斜率。局部配適能降低對特定多項式趨勢的敏感度，但去趨勢階數、視窗長度和序列類型仍然重要。DFA 也無法避免結構改變、波動變化，或看過圖後才選擇尺度區間的影響。

頻率域方法從週期圖估計低頻行為。在特定定態長記憶模型下，如果零頻附近的頻譜功率符合 \(f(\lambda)\propto|\lambda|^{-\beta}\)，則對分數雜訊型報酬率過程而言，\(H=(\beta+1)/2\)。低頻頻寬決定哪些觀測值會影響擬合斜率；季節性峰值、結構改變和少數低頻點都可能主導結果。頻譜參數與 \(H\) 的關係，取決於輸入是定態增量序列，還是整合後的水準值。

這些是有限樣本表現不同的替代估計方法，不應自動視為三項獨立驗證。Weron 的有限樣本比較（DOI：10.1016/S0378-4371(02)00961-5）使用模擬高斯白雜訊比較 R/S、DFA 和週期圖迴歸，並指出估計值與信賴區間會因方法和樣本長度而不同。這不代表 DFA 在金融資料上永遠最好，而是說明推論應依實際程序和資料生成條件進行校準。

估計出的指數可以協助描述歷史尺度型態，或提出明確的假說。但它不會提供進場與出場規則、預測時間、部位大小、風險限制，也不會解釋某個已量測的關係為何在公開後仍會持續。如果研究者要檢驗移動 \(H\) 估計值能否預測報酬率，必須在評估前固定預測期間和決策時間，並確保每項輸入在當時都已經可用。

反覆測試視窗長度、區塊大小、資產、報酬率轉換、去趨勢階數和門檻，直到某組設定得到高 \(H\)，就是多重檢定。表面上的最佳結果是從同一批用來評估的資料中挑出的。應將整個搜尋過程納入研究紀錄，使用未碰過的資料或正確的前向串接評估，並把候選方案搜尋納入考量。[回測過度擬合機率指南](/zh-TW/learn/probability-of-backtest-overfitting-cscv-explained)和 [White’s Reality Check 指南](/zh-TW/learn/white-reality-check-data-snooping-strategy-backtest-explained)討論相關的選擇問題。

統計關聯不等於扣除成本後的交易優勢。策略評估必須扣除買賣價差、手續費、滑價、市場衝擊、資金或融資成本、借券成本和週轉率。持續波動可以增加風險和回撤，卻不一定提高報酬方向的可預測性。請報告估計值的不確定性，與短記憶及結構改變等替代解釋比較，在最後測試前固定規則，並將歷史診斷結果與策略績效區分開來。

只有在重抽樣設計符合所研究的依賴性時，重抽樣才有幫助。若 iid bootstrap 將個別報酬率獨立抽取，時間順序就會被破壞。區塊 bootstrap 保留所選區塊內的局部連續性，但區塊太短可能漏掉緩慢依賴，太長則會留下較少真正不同的區段；兩者都無法消除結構改變。如果尺度、視窗或資產是根據資料挑選的，要在每次重抽樣中重複選擇程序，才能估計已考量搜尋過程的不確定性。只重抽樣最後選出的指數，會低估搜尋帶來的不確定性。