Giải thích số mũ Hurst và phân tích R/S: Ý nghĩa, cách tính và giới hạn giao dịch

Số mũ Hurst, ký hiệu \(H\), là độ dốc trong quan hệ giữa thang thời gian và quy mô dao động được đo ở thang đó. Trong phân tích khoảng đã chuẩn hóa lại, khoảng của các độ lệch tích lũy được chia cho độ lệch chuẩn của chuỗi. Nếu tỷ số kỳ vọng tăng xấp xỉ theo \(n^H\) qua các độ dài khối \(n\), độ dốc trên đồ thị log-log là ước lượng của \(H\). Chỉ số này bắt nguồn từ nghiên cứu của H. E. Hurst về dung tích hồ chứa cần thiết để quản lý dòng chảy sông biến động, chứ không được tạo ra làm tín hiệu mua bán. Bài viết gốc Long-Term Storage Capacity of Reservoirs tính khoảng từ các sai lệch tích lũy của lưu lượng hằng năm so với trung bình.

Các cách diễn giải như “dai dẳng”, “phản dai dẳng” và “giống ngẫu nhiên” phụ thuộc vào quá trình được nghiên cứu và giả định co giãn. Với mốc tham chiếu phổ biến về các gia số dừng, \(H=0.5\) tương ứng với quy luật co giãn theo căn bậc hai thời gian; \(H>0.5\) gắn với gia số dai dẳng dương, còn \(H<0.5\) gắn với tính phản dai dẳng. Những nhãn này nói về sự phụ thuộc của chuỗi trên các thang đã phân tích, không phải xác suất lợi suất tiếp theo mang dấu nào.

Chuỗi đầu vào làm thay đổi câu hỏi. Áp dụng phương pháp cho lợi suất thô, lợi suất tuyệt đối, lợi suất bình phương, mức giá hoặc lợi suất tích lũy sẽ không cho câu trả lời có thể thay thế cho nhau. Chuỗi lợi suất có thể ít phụ thuộc về hướng, trong khi lợi suất tuyệt đối thể hiện cụm biến động dai dẳng. Mức giá có xu hướng hoặc tích hợp có thể tạo ra co giãn biểu kiến vì những lý do khác với trí nhớ dài hạn dừng trong lợi suất. Khi báo cáo \(H\), hãy nêu biến được dùng, khoảng lấy mẫu và phạm vi thang đo.

Xét khối gồm \(n\) quan sát \(x_1,\ldots,x_n\), có trung bình khối \(\bar{x}_n\). Trừ trung bình khỏi từng quan sát rồi cộng dồn các giá trị đã định tâm:

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

Đường tích lũy có thể tăng giảm dù tổng các quan sát đã định tâm bằng không tại cuối khối. Khoảng của đường đi là giá trị tích lũy cao nhất trừ giá trị thấp nhất:

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

Cần nêu quy ước tính độ lệch chuẩn của khối. Ở đây mẫu số là \(n\):

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

Tỷ số \(Q_n\) biểu thị khoảng tích lũy theo đơn vị biến động thông thường trong khối. Với khối hằng, \(S_n=0\), nên tỷ số không xác định; không được âm thầm coi đó là phần đóng góp bằng không. Trong thực tế, chia chuỗi thành các khối có độ dài đã chọn, tính tỷ số cho mỗi khối hợp lệ rồi lấy trung bình, sau đó lặp lại cho phạm vi độ dài khối được xác định trước. Mandelbrot và Wallis nghiên cứu hành vi R/S với nhiều phân phối mô phỏng và kiểu phụ thuộc trong bài báo năm 1969. Nghiên cứu này giúp R/S trở thành công cụ chẩn đoán co giãn phổ biến, nhưng không khiến nó miễn nhiễm với mọi dạng đặc tả sai.

Nếu thống kê khối trung bình xấp xỉ \(\overline{Q}_n\approx Cn^H\) trên các thang đã chọn, lấy log hai vế:

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

Độ dốc của hồi quy \(\log\overline{Q}_n\) theo \(\log n\) ước lượng số mũ. Một đường thẳng nhìn có vẻ khớp trên khoảng hẹp hoặc được chọn sau khi xem kết quả tự nó là bằng chứng yếu: nhiều mẫu hữu hạn có thể trông tuyến tính ở vài thang, và các phần khác nhau của cùng chuỗi có thể cho độ dốc khác nhau.

Xét tám lợi suất giả định theo đơn vị điểm cơ bản tùy ý: \(3,1,0,-1,2,0,-2,-3\). Trung bình toàn mẫu bằng không. Với mỗi độ dài khối, chia chuỗi thành các khối liền kề không chồng lấp, tính \(R_n/S_n\) cho từng khối rồi lấy trung bình. Ví dụ dùng độ lệch chuẩn kiểu tổng thể với mẫu số \(n\); quy ước khác sẽ làm các số thay đổi đôi chút.

Với \(n=2\), tỷ số khoảng trên độ lệch chuẩn của từng cặp là 1 nên trung bình cũng là 1. Với \(n=4\), các giá trị \((R,S)\) của hai khối xấp xỉ \((2.500,1.479)\) và \((3.500,1.920)\). Tỷ số lần lượt khoảng 1.690 và 1.823, trung bình gần 1.756. Với \(n=8\), đường tích lũy đã định tâm là \(3,4,4,3,5,5,3,0\), nên khoảng bằng 5. Độ lệch chuẩn là \(\sqrt{3.5}\approx1.871\), và tỷ số xấp xỉ 2.673.

Ba điểm cách đều nhau trên thang log, vì vậy độ dốc bình phương tối thiểu thông thường bằng độ dốc giữa hai điểm đầu cuối:

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

Đây là phép tính có thể tái tạo từ tám giá trị hư cấu, không phải bằng chứng đáng tin cậy về trí nhớ dài hạn. Ước lượng rất nhạy với từng quan sát, chỉ có ba thang và không có khoảng bất định. Thêm quan sát không tự động giải quyết vấn đề nếu chuỗi có điểm gãy hoặc các thang được chọn sau khi tìm kiếm độ dốc mong muốn.

<!-- 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. -->

Với chuỗi dừng có phương sai hữu hạn và phụ thuộc ngắn hạn, nhiều kết quả co giãn dài hạn phổ biến dẫn đến số mũ gần 0,5. Theo mô hình kiểu nhiễu Gaussian phân số, \(H>0.5\) phù hợp với phụ thuộc dài hạn dương: độ lệch có xu hướng được theo sau bởi độ lệch cùng hướng thường hơn so với mốc tham chiếu, còn tương quan giảm chậm. Số mũ dưới 0,5 gắn với tính phản dai dẳng, khi đảo chiều hoặc phụ thuộc trái dấu chi phối hành vi co giãn.

Điều kiện “theo mô hình” rất quan trọng. Độ dốc R/S thông thường là một ước lượng, không phải phép kiểm định trực tiếp một cơ chế kinh tế duy nhất. Sai lệch mẫu nhỏ có thể đẩy ước lượng khỏi 0,5; khối chồng lấp, quy ước mẫu số, biên của phạm vi thang đo và tự tương quan cũng ảnh hưởng kết quả. Khoảng tin cậy bao gồm 0,5 không chứng minh tính độc lập; khoảng loại trừ 0,5 cũng không chứng minh một mô hình trí nhớ dài hạn ổn định tạo ra các quan sát.

Đừng diễn giải \(H=0.7\) thành “70% khả năng xu hướng tiếp tục”, “lợi suất dai dẳng trong 70 ngày” hay “tỷ lệ thắng 70%”. \(H\) không phải xác suất hay thời gian nắm giữ. Nó mô tả một quan hệ co giãn được ước lượng. Bằng chứng thống kê về phụ thuộc vẫn cần mô hình, đánh giá bất định và kiểm tra các phương án như tương quan ngắn hạn, phương sai có điều kiện thay đổi, xu hướng xác định hoặc thay đổi chế độ.

R/S cổ điển phản ứng với nhiều thứ hơn trí nhớ dài hạn thực sự. Một dạng AR tồn tại ngắn có thể giữ các độ lệch cùng dấu gần nhau và làm tăng khoảng tích lũy. Lo cho thấy tương quan chuỗi ngắn hạn có thể làm thống kê cổ điển bị lệch lên, khiến quá trình có trí nhớ ngắn trông như dai dẳng. R/S hiệu chỉnh của ông được thiết kế để kiểm tra trí nhớ dài hạn nhưng vẫn tính đến phụ thuộc ngắn hạn. Với các chỉ số cổ phiếu ông nghiên cứu, bằng chứng trí nhớ dài hạn biến mất sau khi tính đến tự tương quan ngắn hạn; đó là kết quả trong mẫu và phép kiểm định của ông, không phải kết luận cho mọi tài sản hay giai đoạn sau này. Xem bài báo Lo năm 1991.

Cụm biến động tạo ra một nhầm lẫn khác. Dấu lợi suất có thể luân phiên dương âm trong khi độ lớn vẫn tập trung thành cụm. R/S áp dụng cho lợi suất hỏi về các độ lệch tích lũy có dấu; áp dụng cho lợi suất tuyệt đối hoặc bình phương thì hỏi về tính dai dẳng của độ lớn. Ước lượng cao cho \(|r_t|\) có thể mô tả rủi ro theo cụm mà không hàm ý hướng giá dự báo được. Để chẩn đoán riêng phụ thuộc phương sai có điều kiện, xem hướng dẫn kiểm định ARCH LM. Hướng dẫn tỷ số phương sai trình bày một tóm tắt khác về phụ thuộc lợi suất qua các chân trời.

Đuôi dày và ngoại lệ cũng quan trọng. Mandelbrot và Wallis tìm thấy một số tính chất bền vững hữu ích trong nhiều mô phỏng phi Gaussian, nhưng điều đó không có nghĩa một biến động cực đoan, thay đổi chế độ biến động hoặc mô hình hóa sai trung bình đều vô hại. Hãy báo cáo kết quả trên chuỗi gốc được chọn và kiểm tra độ nhạy với các phương án có cơ sở thay vì loại bỏ quan sát bất lợi cho đến khi số mũ trông quen thuộc.

Trừ trung bình khối loại bỏ một mức cố định trong từng khối, nhưng không loại bỏ mọi mẫu hình xác định hoặc thay đổi. Xu hướng từ từ, dịch chuyển mức một lần, thay đổi thành phần mẫu hoặc điểm gãy biến động có thể tạo ra độ lệch tích lũy kéo dài. Quan hệ log-log khi đó có thể trông như quy luật lũy thừa dù chuỗi không có cơ chế trí nhớ dài hạn ổn định. Kiểm định điểm gãy hoặc phân tích hồi quy phân đoạn trả lời câu hỏi khác; xem hướng dẫn hồi quy chuỗi thời gian gián đoạn.

Việc chọn thang đo là một phần của mô hình. Khối quá ngắn chủ yếu phản ánh nhiễu cục bộ và vi cấu trúc; khối quá dài để lại ít đoạn có thể dùng. Cửa sổ chồng lấp làm tăng số tỷ số tính được nhưng không tạo ra số lượng tương đương các mảnh thông tin độc lập. Điểm đổi độ dốc giữa thang ngắn và dài có thể báo hiệu động lực khác nhau, điểm gãy, mùa vụ hoặc đơn giản là nhiễu ước lượng. Đừng gộp chúng thành một \(H\) mà không giải thích.

Hãy nêu đầu vào là giá, log giá, lợi suất, lợi suất tuyệt đối hay phần dư đã lọc, và các khối có chồng lấp không. Xác định trước phạm vi khối và số đoạn tối thiểu trước khi diễn giải; báo cáo số quan sát góp vào từng thang và độ nhạy với các điểm cuối hợp lý. Nếu giá là chuỗi tích hợp, không thể áp nguyên xi cách hiểu thông thường dành cho lợi suất dừng. Khử xu hướng không phải cách chữa phổ quát: thao tác này thay đổi đại lượng được đo và có thể loại bỏ biến động có ý nghĩa kinh tế cùng với xu hướng gây nhiễu.

Phương pháp của Lo giữ nguyên khoảng của các độ lệch tích lũy đã định tâm nhưng thay độ lệch chuẩn khối thông thường bằng ước lượng phương sai dài hạn có thêm tự hiệp phương sai ở các độ trễ ngắn. Một ký hiệu phổ biến là:

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

Trong đó \(\widehat{\gamma}_j\) là tự hiệp phương sai mẫu ở độ trễ \(j\), còn \(q\) là băng thông cắt cụt. Trọng số tam giác giảm dần đối với tự hiệp phương sai gần điểm cắt. Cần so sánh thống kê hiệu chỉnh với phân phối không phù hợp; đây không chỉ là R/S cổ điển có mẫu số trông tốt hơn, và giá trị của nó không tự động trở thành \(H\) đã điều chỉnh.

Băng thông quyết định tương quan ngắn hạn nào được đưa vào ước lượng phương sai. \(q\) quá nhỏ có thể bỏ sót phụ thuộc ngắn hạn liên quan; \(q\) quá lớn làm ước lượng nhiễu hơn và có thể hấp thụ mẫu hình mà phân tích muốn tách riêng. Hãy báo cáo quy tắc chọn băng thông, tần suất mẫu, thống kê kiểm định, giả thuyết không và p-value; cân nhắc phạm vi độ nhạy được xác định trước. Bài của Lo cho thấy sự khác biệt này quan trọng: R/S cổ điển có thể phản ứng với trí nhớ ngắn, còn phép kiểm định hiệu chỉnh nhắm đến giả thuyết không rộng hơn, cho phép phụ thuộc ngắn hạn yếu.

Detrended fluctuation analysis (DFA) trước tiên lập hồ sơ tích lũy từ các quan sát đã trừ trung bình, chia hồ sơ thành các cửa sổ, khớp đa thức cục bộ trong từng cửa sổ và tính dao động căn trung bình bình phương của phần dư \(F(s)\) tại kích thước cửa sổ \(s\). Hồi quy \(\log F(s)\) theo \(\log s\) ước lượng độ dốc co giãn. Khớp cục bộ có thể giảm độ nhạy với một số xu hướng đa thức đã chọn, nhưng bậc khử xu hướng, độ dài cửa sổ và loại chuỗi vẫn quan trọng. DFA không loại bỏ được điểm gãy, thay đổi biến động hay phạm vi thang đo được chọn sau khi xem đồ thị.

Phương pháp miền tần số ước lượng hành vi tần số thấp từ periodogram. Theo một mô hình trí nhớ dài hạn dừng cụ thể, nếu công suất phổ gần tần số không tuân theo \(f(\lambda)\propto|\lambda|^{-\beta}\), thì \(H=(\beta+1)/2\) với chuỗi lợi suất kiểu nhiễu phân số. Băng thông tần số thấp quyết định quan sát nào ảnh hưởng đến độ dốc; đỉnh mùa vụ, điểm gãy và một số ít tung độ tần số thấp có thể chi phối kết quả. Quan hệ giữa tham số phổ và \(H\) tùy thuộc đầu vào là chuỗi gia số dừng hay mức tích hợp.

Đây là các ước lượng thay thế có hành vi mẫu hữu hạn khác nhau, không phải ba xác nhận độc lập theo mặc định. So sánh mẫu hữu hạn của Weron (DOI 10.1016/S0378-4371(02)00961-5) khảo sát R/S, DFA và hồi quy periodogram bằng nhiễu trắng Gaussian mô phỏng, đồng thời nhấn mạnh ước lượng và khoảng tin cậy thay đổi theo phương pháp và độ dài mẫu. Kết quả đó không chứng minh DFA luôn tốt nhất với dữ liệu tài chính; nó cho thấy suy luận cần được hiệu chỉnh theo thủ tục và điều kiện sinh dữ liệu thực tế.

Số mũ ước lượng có thể giúp mô tả mẫu co giãn lịch sử hoặc gợi ý một giả thuyết rõ ràng. Nó không cung cấp quy tắc vào/ra, thời điểm dự báo, quy mô vị thế, giới hạn rủi ro hay lý do một quan hệ đã biết sẽ tiếp tục. Nếu nghiên cứu kiểm tra liệu ước lượng \(H\) cuốn chiếu có dự báo lợi suất không, cần cố định chân trời dự báo và thời điểm quyết định trước khi đánh giá, đồng thời chỉ dùng thông tin có sẵn ở thời điểm đó.

Thử nhiều độ dài cửa sổ, kích thước khối, tài sản, phép biến đổi lợi suất, bậc khử xu hướng và ngưỡng cho đến khi tìm được \(H\) cao là tìm kiếm bội. Phương án có vẻ tốt nhất được chọn từ chính dữ liệu dùng để đánh giá. Hãy lưu lại cả họ phương án đã thử, dùng mẫu chưa đụng tới hoặc đánh giá cuốn chiếu theo thời gian và tính đến quá trình tìm kiếm. Hướng dẫn xác suất quá khớp backtest và White's Reality Check nói về các vấn đề chọn lọc liên quan.

Mối liên hệ thống kê không đồng nghĩa lợi thế giao dịch ròng. Cần đánh giá chiến lược sau chênh lệch mua-bán, hoa hồng, trượt giá, tác động thị trường, tài trợ hoặc chi phí vốn, phí vay và vòng quay. Biến động dai dẳng có thể làm tăng rủi ro và mức sụt giảm mà không cải thiện hướng lợi suất. Hãy báo cáo độ bất định của ước lượng, so sánh với các phương án trí nhớ ngắn và điểm gãy, chốt quy tắc trước lần kiểm định cuối và phân biệt chẩn đoán lịch sử với kết quả chiến lược.

Lấy mẫu lại chỉ hữu ích nếu thiết kế phù hợp với cấu trúc phụ thuộc đang nghiên cứu. Bootstrap iid rút riêng lẻ từng lợi suất và phá vỡ thứ tự thời gian. Block bootstrap giữ các đoạn cục bộ bên trong mỗi khối đã chọn, nhưng khối ngắn có thể bỏ lỡ phụ thuộc chậm, còn khối dài làm giảm số đoạn thực sự khác nhau; không phương pháp nào xóa được điểm gãy cấu trúc. Nếu thang đo, cửa sổ hoặc tài sản được chọn từ dữ liệu, hãy lặp lại bước chọn đó trong từng mẫu bootstrap khi ước lượng độ bất định đã tính đến quá trình tìm kiếm. Chỉ lấy mẫu lại số mũ được chọn cuối cùng sẽ đánh giá thấp bất định do tìm kiếm.