Hurst Exponent: 探索时间序列的自相似性与长记忆性

原创

已于 2024-11-14 16:25:57 修改 · 2.1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#时间序列 #平稳性 #Hurst #Exponent #Python

于 2024-11-14 11:26:15 首次发布

引言

在时间序列分析中，Hurst指数（Hurst Exponent）是衡量数据自相似性和长期依赖性的一种重要指标。它由英国水文学家H.E. Hurst于1951年提出，最初用于研究尼罗河流量的波动性。随着时间的推移，Hurst指数被广泛应用于金融市场、气候变化、物理学等领域，帮助研究者理解和预测复杂系统的行为。

Hurst指数的定义

Hurst指数通常用符号H表示，其取值范围在0到1之间。根据Hurst指数的不同取值，可以将时间序列的行为大致分为以下几类：

H = 0.5：表示随机游走（或布朗运动），即时间序列没有长记忆性，未来的走势与过去的走势无关。
H < 0.5：表示时间序列存在反持性（anti-persistence），即当前的上升趋势往往意味着未来将出现下降趋势。
H > 0.5：表示时间序列存在持性（persistence），即当前的上升趋势往往意味着未来将继续上升。

通过计算Hurst指数，可以判断时间序列是具有长记忆性的还是具有短期依赖性的，从而对未来走势进行更为精准的预测。

Hurst指数的Python实现

在Python中，可以通过hurst库快速计算时间序列的Hurst指数。以下是一个简单的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from hurst import compute_Hc

# 生成一个随机时间序列（白噪声）
np.random.seed(42)
data = np.random.randn(1000)

# 计算Hurst指数
H, c, data_reg = compute_Hc(data, kind='price', simplified=True)

# 输出Hurst指数
print(f"Hurst Exponent: {H