用 Python 计算 Hurst 指数并预测市场趋势

建造水库是一个高风险的问题。如果计算错误，成千上万的人可能会失去他们的家园。在20世纪中期，英国水文学家埃德温-哈罗德-赫斯特在解决这类问题方面取得了重大突破。他开发了后来被称为Hurst指数的东西，这是一个衡量时间序列中自动相关的指标。虽然它是为了估计河流中的水量而开发，但正如我们所期望的那样，对于涉及时间序列的数学计算，Hurst指数在金融市场研究中得到了有趣的应用。

下面将展示如何计算Hurst指数，并使用它来评估标准普尔500指数、比特币和美元/瑞士法郎交易对的特性，看看我们是否能理解这些金融序列的交易趋势。

什么是Hurst指数？

Hurst指数可以用来确定一个时间序列是否倾向于向单一方向移动（H>0.5），振荡（H<0.5），或随机（H=0.5）。

虽然赫斯特发现这种关系在各种自然现象中很有用，如洪水、河流排放和树木年轮，但我们也可以用它来将一个市场归类为趋势性或均值回归性。如果我们知道一个市场倾向于以某种方式行事，我们可以尝试用适当的均值回归或趋势跟踪策略来捕捉这一点，或者在你的算法交易系统中使用它作为一个过滤器。

如何计算Hurst指数？计算Hurst指数需要估计多个不同时间段的R/S统计量，然后将其与各时间段绘制成对数图，并找出斜率。这条线的斜率就是Hurst指数 —— H。

有多种方法来估计Hurst指数。就我所知，重新标定的范围分析方法是最古老的，但使用去趋势波动分析（DFA）是最常见的。我们将使用后者，因为尽管它听起来很复杂，但它只需要3-4行代码就能运行，而且比我的重标范围分析实现快一个数量级。这两种方法都是可行的，但它们略有不同。

假设我们有一个价格序列，我们称之为x。然后我们可以看一下x在不同时间t的差异，并取其差值。这个时间差将被称为lag（滞后）。我们想得到这些滞后差值的标准差的关系。

我们可以按以下步骤写出我们的计算结果。

1、选择一个滞后期的范围（如2到100）。

2、计算x中所有点的滞后差值。

3、计算每个lag的标准差。

4、将标准差的对数与lag的对数作图，以估计H。

数学上的公式为：

将所有的数据插入最后一个方程，我们可以找到最佳拟合线，我们就得到了H的值。让我们来看看如何用Python来做这件事!

用Python中计算Hurst指数

首先导入几个包：