Hurst 指数与均值回归：用长记忆判别趋势还是反转

问题：一条价格序列，到底该追还是该抄？#

做趋势策略的人相信”强者恒强”，做均值回归的人相信”涨多了会跌”。同一根 K 线摆在面前，两派会下完全相反的注。谁对？

答案是：取决于这段价格有没有”长记忆”。 如果今天的涨跌和过去很多天的涨跌正相关，趋势会自我延续，追涨对；如果负相关，价格总想回到某个中枢，抄底对；如果完全无关（随机游走），两派都是在赌硬币。

Hurst 指数 $H$ 就是把这件事量化成一个数：

• $H > 0.5$：长记忆正相关，趋势持续（persistent）
• $H = 0.5$：无记忆，随机游走
• $H < 0.5$：反持续（anti-persistent），均值回归

这个数最早不是金融家发明的。英国水文学家 Harold Edwin Hurst 在 1950 年代研究尼罗河水库容量时，发现洪水年和枯水年会成簇出现——洪水年后面更可能跟着洪水年。他用一个叫”重标极差”（Rescaled Range，R/S）的统计量刻画这种持续性，指数后来以他命名。

听起来很美：算一个 $H$，大于 0.5 就上趋势策略，小于 0.5 就上均值回归。但这篇文章要用真值完全已知的受控模拟回答三个更硬的问题：

1. 主流估计量（R/S 与 DFA）到底能不能准确还原已知的 $H$？
2. 它们各自的偏差和噪声长什么样，短样本下能信吗？
3. 把 $H$ 拿去做实时 regime 判别，赚到的是真 alpha，还是估计噪声的自我实现？

本文用固定随机种子（20260801）生成 Hurst 指数精确已知的分数布朗运动，逐一验证。

理论：从”重标极差”到标度指数#

R/S 分析：Hurst 的原始武器#

给定一段收益序列 $\{x_1, \dots, x_n\}$，R/S 分析的做法是：

1. 算均值 $\bar x$，构造去均值的累积偏离 $Y_k = \sum_{i=1}^{k}(x_i - \bar x)$
2. 极差 $R = \max_k Y_k - \min_k Y_k$（累积偏离走了多远）
3. 标准差 $S$
4. 重标极差 $R/S$

关键洞见是：$R/S$ 随窗口长度 $n$ 的增长速度，编码了长记忆：

$\mathbb{E}[R/S]_n \sim c \cdot n^{H}$

两边取对数，$\log(R/S)$ 对 $\log n$ 做线性回归，斜率就是 $H$。对独立随机游走，$H=0.5$（极差随 $\sqrt n$ 增长，这就是有名的”随机游走走 $\sqrt t$”）；正相关会让极差涨得更快（$H>0.5$），负相关涨得更慢（$H<0.5$）。

DFA：去趋势波动分析#

R/S 有个众所周知的毛病：对非平稳趋势敏感。真实价格常带缓慢漂移，会污染极差。1994 年 Peng 等人提出去趋势波动分析（Detrended Fluctuation Analysis, DFA），专门解决这个问题：

1. 构造累积廓线 $Y(k) = \sum_{i=1}^{k}(x_i - \bar x)$
2. 把廓线切成长度 $s$ 的块，每块内用多项式（DFA-1 用一次）拟合并去掉局部趋势
3. 算去趋势后的均方根波动 $F(s)$
4. $F(s) \sim s^{H}$，$\log F(s)$ 对 $\log s$ 回归的斜率即 $H$

DFA 的第 2 步是精髓——它在每个尺度上先减掉局部线性趋势，所以缓慢漂移不会被误判成长记忆。代价是它比 R/S 更”吃”数据。

这篇的模拟会同时跑两种估计量，让你看到它们在同一批已知 $H$ 的数据上，准确度和噪声完全不同。

验证一：已知 H 的世界，估计量准不准？#

要检验估计量，先得有一个 $H$ 精确已知的数据生成器。我用分数布朗运动（fractional Brownian motion, fBm）——它的增量（分数高斯噪声）自协方差有解析形式：

$\gamma(k) = \tfrac{1}{2}\left(|k-1|^{2H} - 2|k|^{2H} + |k+1|^{2H}\right)$

我用 Davies-Harte（circulant embedding）方法精确采样，生成理论 Hurst 严格等于设定值的序列。核心代码：

def fbm_increments(H, n, rng):
    """Davies-Harte 法生成分数高斯噪声，累加即 fBm，理论 Hurst = H"""
    k = np.arange(0, n)
    g = 0.5 * (np.abs(k - 1) ** (2*H) - 2*np.abs(k) ** (2*H)
               + np.abs(k + 1) ** (2*H))
    r = np.concatenate([g, g[-2:0:-1]])   # circulant embedding
    lam = np.fft.fft(r).real
    lam[lam < 0] = 0.0                      # 数值截断
    m = len(r)
    w = rng.standard_normal(m) + 1j * rng.standard_normal(m)
    y = np.fft.fft(np.sqrt(lam / m) * w)
    return y[:n].real

R/S 与 DFA 的实现（核心逻辑）：

def rs_analysis(x, min_n=8, n_scales=14):
    N = len(x)
    scales = np.unique(np.floor(np.logspace(
        np.log10(min_n), np.log10(N // 2), n_scales)).astype(int))
    RS = []
    for s in scales:
        rs_vals = []
        for b in range(N // s):
            seg = x[b*s:(b+1)*s]
            dev = np.cumsum(seg - seg.mean())
            R = dev.max() - dev.min()
            S = seg.std(ddof=1)
            if S > 0:
                rs_vals.append(R / S)
        RS.append(np.mean(rs_vals))
    RS = np.array(RS)
    # 斜率即 Hurst
    return np.polyfit(np.log(scales), np.log(RS), 1)[0]

def dfa(x, min_n=8, n_scales=14, order=1):
    N = len(x)
    y = np.cumsum(x - x.mean())            # 累积廓线
    scales = np.unique(np.floor(np.logspace(
        np.log10(min_n), np.log10(N // 4), n_scales)).astype(int))
    F = []
    for s in scales:
        rms = []
        for b in range(N // s):
            seg = y[b*s:(b+1)*s]
            t = np.arange(s)
            fit = np.polyval(np.polyfit(t, seg, order), t)
            rms.append(np.mean((seg - fit) ** 2))
        F.append(np.sqrt(np.mean(rms)))
    return np.polyfit(np.log(scales), np.log(F), 1)[0]

我从 $H=0.2$ 扫到 $0.8$，每个真值用 $N=4096$ 的长样本重复 60 次。结果：

两条曲线都基本贴着对角线，说明两种估计量都能定性区分三种世界——这是好消息。但看细节，两者性格完全不同：

• DFA 几乎无偏：真值 0.5 估成 0.496，0.3 估成 0.394（略偏），整体贴着对角线。
• R/S 系统性上偏，尤其在低 H 端：真值 0.2 估成 0.302，0.3 估成 0.384，0.5 估成 0.545。也就是说，R/S 会把均值回归的序列高估得”不那么均值回归”，甚至把随机游走高估成”有点趋势”。

这个上偏不是 bug，是 R/S 的老毛病。Anis-Lloyd（1976）和 Peters（1994）早就指出：小到中等样本下，$\mathbb{E}[R/S]$ 的理论值本身就高于 $c\cdot n^{0.5}$，直接回归会系统性高估 $H$。用未修正的 R/S，你会看到满市场都是”弱趋势”——那多半是估计假象。

单条序列上，这个差异更直观：

三条代表性序列的 log-log 拟合斜率就是估计出的 $H$。$H=0.3$ 的均值回归序列：DFA 估 0.285（很准），R/S 估 0.364（明显偏高）。$H=0.7$ 的趋势序列两者都准（0.71/0.70）。规律是：真值越低，R/S 越不可信。

验证二：有限样本才是真正的敌人#

上面用的是 $N=4096$ 的奢侈样本。真实交易里你可能只有 60 天、120 天的窗口。样本越短，估计越不准——但两种估计量”不准”的方式不一样。

我在真随机游走（$H=0.5$，最干净的基准）上，把样本长度从 64 扫到 4096，每个长度重复 120 次，分别看偏差和噪声：

左图（偏差） 是这篇最该记住的一张图：

• R/S 全程上偏：$N=64$ 时偏 +0.13（把 0.5 估成 0.63！），$N=512$ 还有 +0.074，即使到 $N=4096$ 仍有 +0.046。这意味着用短窗口 R/S，随机游走会被系统性误判成”趋势”。
• DFA 几乎无偏：所有样本量的偏差都在 ±0.017 以内，$N=128$ 往后基本贴零。

右图（噪声） 给出代价：

• DFA 方差更大：$N=64$ 时标准差 0.18，是 R/S（0.11）的 1.6 倍。
• 两者都随样本量收敛，$N=4096$ 时 R/S 0.026、DFA 0.029，接近。

把两张图合起来读，结论很硬：短样本下，R/S 偏但稳，DFA 准但抖。 $N=64$ 的 R/S 会稳定地告诉你”这是趋势”（哪怕真相是随机游走），$N=64$ 的 DFA 平均无偏但单次估计能在 0.32~0.68 之间乱跳。

这就是为什么”算个 $H$ 看看大于还是小于 0.5”在实盘里这么危险：你测到的 $H=0.55$，可能是真趋势，可能是 R/S 的偏差，也可能是 DFA 的一次噪声。 短窗口下这三者分不开。

验证三：拿 H 做 regime 判别，是真 alpha 还是自我实现？#

估计量能还原静态 $H$ 是一回事，把它拿去做实时 regime 切换又是另一回事。最诱人的用法是：用滚动窗口算 $H$，$H<0.5$ 时开均值回归策略，$H>0.5$ 时关掉——所谓”只在该均值回归的时候均值回归”。

我构造了一个”混合世界”来测它：价格由 16 段交替拼成，奇数段是强均值回归的 Ornstein-Uhlenbeck 过程（$\theta=0.45$），偶数段是纯随机游走，每段 250 个 bar。真实 regime 标签完全已知。然后用 120 窗口的滚动 DFA-$H$ 判别，只在 $H<0.5$ 段做均值回归（对偏离 20 日均线的 z 分数反向下注 $-\tanh(z)$）：

图4a（滚动 H vs 真实 regime）：滚动 DFA-$H$ 在红色阴影（真实均值回归段）里确实倾向压低，识别准确率 61.4%——比抛硬币好，但远非完美。原因在图4c：均值回归段的滚动 $H$ 中位 0.32、随机游走段 0.46，两个分布可分但重叠严重。窗口边界跨 regime、有限样本噪声，都让判别模糊。

图4b（权益曲线）：$H$ 门控均值回归 Sharpe 3.63，略高于无条件版本的 3.20。看起来门控有用——它在随机游走段关掉了策略，避免了那里的无效交易。

但图4d（对抗式检验）才是判决书。我把同一套”滚动 $H<0.5$ 则均值回归”的逻辑，搬到一个真实 $H$ 恒等于 0.5、根本不存在任何 regime 切换的纯随机世界里，重跑 100 次：

• 随机世界 Sharpe 均值锚在 0.01（无偏，引擎没造假）
• 但 95 分位 0.64，最高能刷到 1.12

也就是说，在一个没有任何长记忆、没有任何均值回归可赚的世界里，仅靠滚动 $H$ 的估计噪声，你就能”筛”出一段看起来 $H<0.5$ 的窗口、恰好在那里下反向注、然后蒙对——单次实验刷出 Sharpe 1.12 完全可能。

真实策略的 3.63 确实超过了随机世界的最高 1.12（对抗式检验通过，说明混合世界里的均值回归段是真的可赚），但这张图的警示是永久的：当你用滚动 $H$ 在自己的数据上挑时点、挑窗口、挑参数，你有很大概率在挑中噪声。 如果你的策略 Sharpe 只有 1 出头，它和”随机世界里 $H$ 门控的运气上限”完全无法区分。

三段式总结#

A. 实现细节#

• 数据生成：分数布朗运动，Davies-Harte（circulant embedding）精确采样，理论 Hurst 严格等于设定值，固定种子 20260801。这是唯一能让”真值已知”的方式——真实价格的 $H$ 永远不可观测。
• 两种估计量：R/S 分析（经典重标极差，$\log(R/S)$ 对 $\log n$ 回归取斜率）与 DFA-1（累积廓线分块、块内一次多项式去趋势、$\log F(s)$ 对 $\log s$ 回归）。尺度取 8 到 $N/2$（R/S）/ $N/4$（DFA）之间对数均匀的 10~14 个点。
• regime 实验：OU（$\theta=0.45$）与随机游走各 8 段交替、每段 250 bar 拼成混合世界；滚动窗口 120、每 3 bar 更新一次 $H$（前向填充降计算量）；均值回归信号为 20 日 z 分数的 $-\tanh(z)$，$H<0.5$ 时启用；次日结算（execute on $t$, earn $r_{t+1}$）无 look-ahead。
• 对抗式检验：在真实 $H=0.5$ 的纯随机游走上跑 100 次同一套滚动 $H$ 门控策略，比较真实策略 Sharpe 与随机世界的分布上限。

B. 已知偏差#

• fBm ≠ 真实价格：分数布朗运动是自相似高斯过程，真实收益有肥尾、波动聚集、regime 突变，$H$ 的定义在真实市场里本身就是近似。这篇能保证的是”估计量在理想数据上的行为”，不是”真实市场一定有稳定的 $H$”。
• R/S 未做 Anis-Lloyd 修正：我用的是教科书原始 R/S，所以能直接展示它的系统性上偏。生产环境应上修正版（Peters 1994 的期望 R/S），能把低 H 端的偏差压下去——但那会让本文”R/S 上偏”的教学点消失，故此处保留原始版本。
• OU 混合世界是理想化 regime：真实 regime 切换没有整齐的 250-bar 分段，也没有清晰的 $\theta$。真实市场的 regime 判别只会比这更难，识别准确率 61.4% 是乐观上界。
• 策略未建模成本：z 分数反向下注每天调仓，换手极高，本文 Sharpe 是零成本口径。加上买卖价差和冲击后，滚动 $H$ 门控省下的那点边际优势很可能被交易成本吃光。

C. 结果解读#

1. 两种估计量都能定性分三类，但精度不对称：DFA 几乎无偏（真值 0.5→0.496）但短样本方差大（$N=64$ 标准差 0.18）；R/S 方差小但系统性上偏（$N=64$ 把 0.5 估成 0.63，$N=4096$ 仍偏 +0.046）。要判别均值回归（低 H），DFA 明显更可信；R/S 会把均值回归洗白成随机游走、把随机游走洗成弱趋势。

2. 有限样本是命门：短窗口下 R/S 偏但稳、DFA 准但抖，$H=0.55$ 这个读数在 $N=64$ 时根本分不清是真趋势、R/S 偏差还是 DFA 噪声。任何”当前 $H=0.5X$ 所以是趋势/回归”的实时判断，先问一句：这个小数点后第二位，扛得住估计噪声吗？

3. regime 可分但重叠严重：混合世界里均值回归段滚动 $H$ 中位 0.32、随机段 0.46，两分布可分（识别准确率 61.4%）但尾部大幅重叠。$H$ 门控策略 Sharpe 3.63 略高于无条件 3.20——门控的价值主要是在随机段”少做错”，而非在回归段”多赚”。

4. 对抗式检验揭穿最大陷阱：真实 $H=0.5$ 的纯随机世界里，滚动 $H$ 门控策略均值 Sharpe 锚在 0（无偏），但单次能刷到 1.12。这意味着 Sharpe 1 出头的 $H$ 择时策略，和”随机世界里的运气上限”无法区分——用滚动 $H$ 挑时点，你有很大概率在挑估计噪声。本文真实策略 3.63 显著超过随机上限，说明混合世界的均值回归是真的；但这个安全边际，在真实市场里通常没这么宽。

5. Hurst 指数的正确定位：它是一个诊断工具，不是交易信号。用它在长历史上判断”这个品种/这个市场整体上更像趋势还是回归”是合理的（长样本、静态估计、DFA 优先）；用它做逐日 regime 切换则要极度警惕——你测的 $H$ 波动，一大半是估计器自己的噪声，而不是市场记忆的真实变化。