c++rs法计算hurst指数_随机过程（1）：随机游走，布朗运动，Hurst指数

随机过程定义：

• collection of random variables indexed by time

按时间索引的随机变量集合

• A probability distribution over paths

路径上的概率分布

随机游走

举个例子：

例如：抛硬币，正面向前走1步，背面向后走1步。因此，向前走的概率是0.5，向后走的概率是0.5，每秒行走一次。假设我们现在处于第10秒。

1. 马尔可夫（Markov Chain)：我们“知道第10秒的位置，第11秒的概率分布”和“知道前10秒所有位置，第11秒的概率分布”相同。解释一下，比如说我们知道第十秒的位置在1，那么第11秒的位置在2的概率为0.5，在0的概率为0.5，在其他位置的概率为0。但是我们得到这个结论，与前9秒位置无关。 Markov Chain英文定义为“Stochastic process whose effect of the past on future is summarized only by the current state."
2. 鞅过程(Martingale):假设我们知道第10秒的位置为1，预测第12秒的位置，那么最佳预测是什么呢？答案是，在第10秒的位置不变，即维持在1不变。这是一个简单的例子，有四种可能性，(+1,+1),(+1,-1),(-1,+1,)(-1,-1)。他们的概率均为0.25，因此期望为0. 那如果预测100秒的位置呢？答案还是在10秒的位置不变，即维持在1不变。假设Fk为已知信息，则l时刻的期望值为
3. 二次变差(Quadratic variation): 相邻时间间隔内差值的平方和。 假设现在从0时刻开始：
4. 方差(variance):
   .假设现在从0时刻开始：

注意二次变差(Quadratic variation)和方差(variance)的区别，前者基于已实现的路径，后者描述未来的不确定性。虽然结果相同

我们来模拟几条随机游走曲线

import 

用二项分布产生随机产生0，1个数，从0时刻到100时刻，左侧是模拟的四条随机游走曲线，右侧是模拟100条随机游走曲线在终点的位置。（黑色曲线为

，由图可知，由于不服从大数定律，因此时刻100的概率分布

不服从正态分布。

标准布朗运动

如果每秒投掷n次（足够大），每次向前行走

步，那么简单随机游走就变成了标准布朗运动

性质：

1. 马尔可夫（Markov Chain)：标准布朗运动与随机游走均为马尔可夫过程。
2. 鞅过程(Martingale):标准布朗运动与随机游走均为鞅过程
3. 二次变差(Quadratic variation): 相邻时间间隔内差值的平方和。 假设现在从0时刻开始，且t和t-1间隔无穷小，则：
   。可以得到一个
   重要结论
4. 方差(variance):
   .服从
   正态分布。（随机游走不服从正态分布，因为不服从大数定律）

我们来模拟几条随机游走曲线：

def Brown_movement(length):
    line =[]
    line.append(float(0))
    for i in range (1,length):
        each_step = float((2*np.random.binomial(1,0.5,1)-1)/math.sqrt(length))
        add=float(line[i-1]+each_step)
        line.append(add)
    return line

y1=np.sqrt(np.array(range(1001))/1000)
y2=2*np.sqrt(np.array(range(1001))/1000)
for i in range(0,4):
    walk=Brown_movement(1000)
    plt.plot(walk)
plt.plot(y1,'k')
plt.plot(-y1,'k')
plt.plot(y2,'k')
plt.plot(-y2,'k')
plt.grid(True)
plt.xticks(range(0,1001,1000),{"0","1"})
plt.show()

nnn=10000
sum = []
for i in range(0,nnn):
    walk=Brown_movement(1000)
    sum.append(walk[-1])
b=np.array(range(-90,91))/30
plt.hist(sum, b)
plt.show()

用二项分布产生随机产生0，1个数，从0时刻到1时刻，每个时刻震动1000次，左侧是模拟的四条标准布朗运动曲线，右侧是模拟10000条随机游走曲线在终点的位置。（黑色曲线为

，由图可知，由于服从大数定律，因此时刻1的概率分布

服从正态分布。

下面是分别模拟100，1000，10000，100000条标准布朗运动曲线，可以看出服从正态分布。（大数定律）

几何布朗运动

通常认为股票的收益率服从几何布朗运动。

,其中

是收益率，

是趋势（drift），

是风险、不确定性（Volatility）。由此可以得出

1. 不是鞅过程(Martingale):
   因为存在趋势项
2. 方差(variance):
   .

Hurst指数

参考：Gingili的做法，计算Hurst指数。具体计算方法见链接

• Hurst指数>0.5，保持趋势的可能性强。
• Hurst 指数< 0.5 ，反转的的可能性强。
• Hurst指数=0.5 近似于随机游走

大盘趋势预测：R&#x2F;S方法计算Hurst指数​www.ricequant.com

计算布朗运动的Hurst指数。

假设标准布朗运动每秒振动1000次（n取向无穷大），计算1000秒布朗运动。计算Hurst指数。

图左表示收益率，即每1秒布朗运动的值，Hurst指数为0.57

图右表示累计收益率，即0秒-1000秒的累计收益（初始价格为1元的股票的股价），Hurst指数为1.00

def Hurst(data):
    pannel_num = 8
    ARS =[]
    lag =[]
    for i in range(pannel_num):
        size = np.size(data) // (2 ** i)
        lag.append(size)
        panel = {}
        for sub_pannel_num in range((2 ** i)):
            panel["sub_pannel:"+str(sub_pannel_num)] = data[sub_pannel_num*size:(sub_pannel_num+1)*size]
        panel = pd.DataFrame(panel)
        mean = panel.mean()
        Dev = (panel - mean).cumsum()
        sigma = panel.std()
        RS = (Dev.max() - Dev.min())/sigma
        ARS.append(RS.mean())

    lag = np.log10(lag)
    ARS = np.log10(ARS)
    hurst_exponent = np.polyfit(lag, ARS, 1)
    hurst = hurst_exponent[0]
    return hurst

ret=[]
price=[]
ret.append(float(0))
price.append(float(0))
for i in range(1,1000):
    walk=Brown_movement(1000)
    ret.append(float(walk[-1]))
    price.append(float(walk[-1])+price[i-1])
print(Hurst(ret))
print(Hurst(price))
plt.plot(ret,'k')
plt.show()
plt.plot(price,'k')
plt.show()