关于R/S法计算Hurst指数的简单修正

       我发现网上有大量的关于Hurst指数计算的文章，其中大多是R/S法求Hurst指数，因为其公式简洁容易通过代码实现。我通过网上的方法用python实现Hurst指数的计算后，我发现了一个问题：Hurst指数计算结果与理论结果偏差较大。我使用一系列随机数进行测试，发现Hurst值为0.54，从统计上显著异于理论的0.5，我一开始觉得是随机性导致的偏差，于是我重复生成了大量的一系列随机数进行上千次重复测试，取均值，得到Hurst指数为0.53，仍然从统计上显著异于理论的0.5。所以，我认为是Hurst的估计值出现了统计性的偏差，并不是随机性导致的。

       我们发现R/S法计算Hurst指数其实有一个重要问题需要解决，就是如何将原来的时间序列进行分割，同样我使用的方法是网上比较流行的二分法，将时间序列分为1，2，4，8...，2^n个部分，再在每种分割情况下分别求R/S值。于是，我开始调整我的分割方式，我将最大几个（1，2，3...），最小几个(2^n,2^(n-1),....)的分割情况删去，将剩下的分割情况的log（R/S）与log（每组数据个数）进行回归，发现Hurst指数有所变化。于是，我不断调整终于将长度为10000的随机序列的Hurst估计结果均值调到了0.509。这时，我将长度改为1000，Hurst指数估计结果又从统计上显著异于理论的0.5。

下面是重点：

        最后，我找到了这篇论文：Hurst指数估计法中的修正方法研究. 朱灵蕾;姚远程;姜军;秦明伟.电子技术应用,2016。里面详细介绍了几种Hurst求值方法修正方法，这里我只介绍R/S法的修正方法：m = 某种分割方法下每组数据的个数。

论文截图

通过增大m的最小值，可以Hurst指数估计值的减小误差。设m = xlog(N) 

下面我分别对长度为500，1000，5000，10000的随机数列，在 x = 2 , 10 , 30 的情况下进行Hurst指数的计算，循环1000次取均值。

x值\随机序列长度	500	1000	5000	10000
2	0.556	0.547	0.534	0.531
10	0.529	0.526	0.519	0.513
30	0.516	0.51	0.509	0.51

确实如论文所说，Hurst指数的估计值精确度有所提升。

注明：一系列随机数，例如：random_data = np.random.uniform(-1, 1, 10000)

郑重申明：这个修正方法源于论文：Hurst指数估计法中的修正方法研究. 朱灵蕾;姚远程;姜军;秦明伟.电子技术应用,2016。