Hurst 指数与应用

这是什么

本篇讲两件事：Hurst 指数是什么、怎么算，以及怎么用它做单股票的择时。文章先反驳「收益率独立随机」的教科书假设（真实数据有自相关：牛市往往持续、熊市也持续），再讲 Hurst 从水文（河流流量）研究来的渊源与 R/S 计算流程、0–1 的区间含义，最后给出一个「用 Hurst 判断市场处于趋势还是回归状态、再按收益率方向决定买卖」的策略。

核心要点

动机：收益率不是独立随机的

• 标准金融模型假设波动随机独立；真实股票数据不是这样：低迷持续很久、暴涨远超平均收益。
• 原因：收益率存在自相关——当前收益率高，之后也倾向高（牛市持续）；低则之后也低（熊市持续）。
• 作者点明 CTA 策略分类：要么抓趋势（偏动量），要么抓震荡（偏均值回归）；Hurst 能帮你判断现在属于哪种。

Hurst 指数的来历

• 源自 Hurst 对河流流量的研究：干旱越久越可能持续干旱，大洪水后更可能再来大洪水——序列有「记忆」。
• 思路：像刻画河流一样刻画股票收益率的记忆性，识别「更可能持续上涨」的股票。

怎么算（R/S 分析，7 步）

• 输入：沪深 300 日回报率序列 X₁…Xₙ。
• 1. 均值 m_t；2) 离差 Y_t = X_t − m_t；3) 离差和 Z = 累计 Y，取极差 R_t = max(Z)−min(Z)；4) 标准差 S_t（分母 t−1）；5) R/S_t = R_t/S_t。
• 6. 对 t=2,3,…,n 各取前缀重复 1–5 步，得一串 (t, (R/S)_t)；
• 7. 对 t 与 R/S 都取 log10，线性回归 lg(R/S) 对 lg t，回归斜率就是 Hurst 指数 H。
• 直观：样本越多、变化越丰富，极差越大；有相关性的序列长期朝一个方向走，极差比随机情形更大——极差随样本量增长越快，记忆性越强；H 量化这个增速。

区间含义（性质）

• H 在 0–1 之间，0.5 是分界：
  • H=0.5：标准布朗运动 = 随机游走，马尔可夫链性质（无记忆）。
  • H≠0.5：分形布朗运动，有长期相关（长期记忆）——H>0.5 为持续性（延续之前性质，趋势）；H<0.5 为反持续性（均值回归）。

策略应用（方向判断四象限）

• 规则（结合收益率方向与相关性的正负）：
  • 过去收益上升 + 正相关（H>0.6）→ 买入；
  • 过去收益下降 + 正相关（H>0.6）→ 卖出；
  • 过去收益下降 + 负相关（H<0.4）→ 买入（要反转了）；
  • 过去收益上升 + 负相关（H<0.4）→ 卖出。
• 阈值：H>0.6 认为有趋势性；H<0.4 认为有负相关性。
• 怎么判断「收益上升/下降」：不用「现价 vs N 日前价」（只能判断水平、不能判断变化）；而是把过去 N 日收益率对时间回归，斜率正 = 收益率在增长，斜率负 = 在下降。
• 参数：N=59（收盘价数据取 N=60 天）。

回测结果

• Hurst 择时应对大跌效果好；但因为要求「收益率持续增长」，往往在大牛市中提前空仓；一整个牛熊周期下来，收益远高于大盘（图见正文）。

机制 / 论证

• 为什么极差增速能度量记忆：随机游走里离差和的极差随样本数按 √t 增长；有持续性的序列偏向一方累积，极差增长更快。H 就是这个增长指数——H 越大记忆越强。
• 为什么 H=0.5 是随机：标准布朗运动无记忆（马尔可夫性），未来增量与过去无关，极差增长落在基准水平 → 斜率 0.5。
• 为什么把 H>0.5 当趋势、H<0.5 当回归：持续性 = 过去的方向会延续（动量成立，顺势）；反持续性 = 走势会掉头（回归成立，逆势）。这正好对应作者开头的 CTA 两分法，Hurst 是「自动判断该用哪套」的开关。
• 为什么收益方向要回归斜率而不是现价比较：策略关心的是「收益率在升高还是降低」（增量趋势），不是「价格高于 N 日前」这种水平判断；回归斜率能抓变化率。
• 为什么牛市会提前空仓：H>0.5 只保证「趋势延续」，但策略还要求收益率斜率为正才持有；一旦收益率增速转负（涨势变缓）就卖出，所以在牛市顶部区域会提前离场——代价是少赚牛尾，换来大跌时少亏，全周期总收益仍高于大盘。

可操作

• 计算口径（保留原文）：
  • R/S 分析七步（均值→离差→离差和极差 R→标准差 S→R/S→多 t 重复→log-log 回归斜率 = H）。
  • N=59（收盘价取 N=60 天）。
• 择时规则：
  • H>0.6 = 趋势性（顺势）；H<0.4 = 反持续性（逆势）；0.4–0.6 视为灰色区（raw 未给处理）。
  • 收益上升判定：N 日收益率对时间回归斜率正。
  • 买卖四象限（见「核心要点」）。
• 平台落地：沪深 300 日回报率、N 日收盘价用行情取数（attribute_history，见 聚宽行情与财务数据获取 API）；log-log 回归可用 statsmodels/numpy（量化课堂 part 32 讲 OLS，part 31 讲协整）；正文代码与函数说明书在附图，raw 未贴 [需要验证]。
• 注意：正文标注「单股票」应用；整套是择时思路，非完整交易体系。

术语

• 自相关/长期记忆：序列当前值与过去值的统计关联。
• 标准布朗运动：无记忆随机游走，H=0.5。
• 分形布朗运动：有长期相关的随机过程，H≠0.5。
• 持续性（H>0.5）：过去的方向倾向延续。
• 反持续性（H<0.5）：走势倾向掉头（均值回归）。
• R/S 分析：重标极差法（rescaled range），算 Hurst 的经典方法。
• CTA：商品交易顾问策略，泛指趋势/动量类系统化交易。

不确定 / 待验证

• 回测只有图与定性结论（「应对大跌效果好」「牛市提前空仓」「收益远高于大盘」），无具体收益/回撤数字 [需要验证]。
• H>0.6 / H<0.4 的阈值是作者设定，0.4–0.6 灰色区如何处理 raw 未交代 [需要验证]。
• 用收益率对时间回归的 N=59 参数与回归实现细节（含不含截距等）未展开。
• R/S 分析对小样本、非平稳序列的估计稳定性是统计学的已知难点，raw 以 level-0 深度略过原理，只给流程 [需要验证]。
• 应用是单股票择时；多股票组合、与仓位管理的结合正文未涉及。

相关

• Hurst 指数（时间序列的记忆性） — Hurst 指数系统页（本篇）
• 趋势跟踪（顺势而为的策略家族） — 顺势（H>0.5 时的做法）对照
• 均值回归（买超跌赌反转） — 逆势（H<0.5 时的做法）对照
• 回测评价三指标（收益 / 最大回撤 / 交易次数） — 回测三指标（评估全周期收益语境）
• 聚宽量化课堂（低频量化策略 43 篇） — 量化课堂 43 篇总览