多重分形 DFA：用多重分形谱刻画不同尺度下的记忆结构

先说结论：用单一 Hurst 指数描述市场记忆，等于用平均气温描述一个既有沙漠又有冰川的星球。真实收益序列的大波动聚集成串（危机连着危机），小波动却近似随机游走——两种尺度的记忆结构完全不同，一个 H 装不下。MF-DFA（Multifractal Detrended Fluctuation Analysis）把这件事做对了：用 q 阶矩分别透视大小波动的标度行为，得到一条广义 Hurst 曲线 h(q) 和一张多重分形谱 f(α)。本文纯 numpy 从零实现全流程，三类合成序列对照实验里，二项级联序列的谱宽 Δα=0.61，是白噪声（0.006）的百倍；但打乱检验同时泼了盆必要的冷水——谱宽的大头往往来自收益分布的厚尾，而不是时序记忆，不做这个对照的多重分形研究基本都在自欺。

一、单一 Hurst 的失职#

经典 DFA 流程：把收益序列累积成 profile，切成长度 s 的窗口，每窗去掉多项式趋势后算残差方差 $F^2(s)$，如果 $F(s) \sim s^H$，斜率 H 就是 Hurst 指数。H>0.5 长记忆、H<0.5 反持续、H=0.5 随机游走。

问题在于 $F^2(s)$ 是所有窗口方差的平均——大波动窗口和小波动窗口一锅烩。设想一个序列：95% 的时间是温和随机游走，5% 的时间是剧烈的波动聚集。平均之后你得到一个不痛不痒的 H≈0.5，两种截然不同的动力学互相抵消，全部信息丢失。

金融收益恰恰就是这种序列。波动率的长记忆（大波动跟着大波动）是最稳健的典型事实之一，但它只活在”大波动的尺度行为”里——你需要一个能按波动大小分层透视的工具。

二、MF-DFA：用 q 阶矩当变焦镜头#

MF-DFA 对 DFA 只改一处：把二阶平均升级成 q 阶矩：

$F_q(s) = \left\{ \frac{1}{2N_s} \sum_{v=1}^{2N_s} \left[ F^2(v, s) \right]^{q/2} \right\}^{1/q} \sim s^{h(q)}$

q 是变焦旋钮：

• q > 0：大方差窗口在求和里权重大 → $h(q)$ 反映大波动的标度行为
• q < 0：小方差窗口权重大 → $h(q)$ 反映平静期的标度行为
• q = 2：退回经典 DFA，$h(2)$ 就是普通 Hurst

如果 h(q) 是水平线——大小波动同一套标度律——序列是单分形；如果 h(q) 随 q 递减（大波动记忆结构与小波动不同），序列是多重分形。

再经 Legendre 变换 $\tau(q) = qh(q) - 1$，$\alpha = \tau'(q)$，$f(\alpha) = q\alpha - \tau(q)$，得到多重分形谱：一条开口向下的抛物线状曲线，谱宽 $\Delta\alpha = \alpha_{max} - \alpha_{min}$ 一个数概括多重分形的强度。

三、纯 numpy 实现#

核心 40 行，四步走：

def mfdfa(x, scales, qs, m=1):
    y = np.cumsum(x - x.mean())            # 1. profile 累积
    N = len(y); Fq = np.zeros((len(qs), len(scales)))
    for si, s in enumerate(scales):
        ns = N // s; F2 = []; t = np.arange(s)
        for seg in range(ns):              # 2. 双向切段（正向+反向，不浪费尾部）
            for yy in (y[seg*s:(seg+1)*s], y[N-(seg+1)*s:N-seg*s]):
                coef = np.polyfit(t, yy, m)          # 3. 每窗多项式去趋势
                res = yy - np.polyval(coef, t)
                F2.append((res**2).mean())
        F2 = np.array(F2)
        for qi, q in enumerate(qs):        # 4. q 阶波动函数
            if abs(q) < 1e-9:              # q=0 用对数平均（极限形式）
                Fq[qi, si] = np.exp(0.5 * np.log(F2 + 1e-30).mean())
            else:
                Fq[qi, si] = (np.mean(F2 ** (q/2))) ** (1.0/q)
    return Fq

之后对每个 q 拟合 $\log F_q(s)$ 对 $\log s$ 的斜率得 h(q)，数值梯度做 Legendre 变换得谱。两个实现细节值得强调：双向切段（正反各切一遍）避免序列尾部被丢弃引入偏差；q=0 必须用对数平均的极限形式，直接代公式会除零。

四、三类序列对照：谱宽差两个数量级#

合成三条 16384 点的序列做对照：

1. 白噪声——无记忆、单分形的基准
2. 分数高斯噪声 fGn（H=0.7）——有长记忆，但仍是单分形（记忆结构在所有尺度一致）
3. 二项级联多重分形——波动率由 14 层二项级联生成（每层随机把方差按 0.75/0.25 分给左右两半），刻意制造”不同尺度不同记忆”

肉眼看前两条几乎无法区分，第三条能看出波动聚集。MF-DFA 的结果把三者彻底分开：

解读三个要点：

• 白噪声：h(q) 死平在 0.5，Δα≈0.006——这个数就是本实现的”噪声地板”，实际应用中 Δα 低于 ~0.05 都应视为”无多重分形证据”；
• fGn：整条线抬到 0.7 但依然水平——长记忆 ≠ 多重分形，它只是把同一种记忆复制到所有尺度。这两个概念在文献里被混用得触目惊心；
• 二项级联：h(q) 从负 q 端的 0.76 一路弯到正 q 端的 0.43——平静期强持续、剧烈期反持续，两种动力学共存，Δα=0.61 把它钉死在多重分形柱上。

谱图上三者的形状差异一目了然：白噪声和 fGn 缩成一个点，级联序列张开成一顶宽帽子。

五、滚动谱宽：一个 regime 仪表#

多重分形谱能不能上生产线？一个自然的用法是滚动窗口谱宽当 regime 指示器。构造一条前半段白噪声、后半段波动级联的拼接序列，用 2048 点窗口、256 点步长滚动计算 Δα：

平静段谱宽均值 0.11，切入级联段后跳到 0.35，切换点附近响应干脆。直觉上这捕捉的是”波动聚集结构的出现”——比单纯的波动率水平多一层信息（波动率高但均匀的市场，谱宽不会大）。

但要按住期待：窗口 2048 点对日频数据是八年，实用中只能上小时或分钟频；而且谱宽是描述性统计，从”谱变宽了”到”该降仓了”之间还隔着一整套需要独立验证的映射。把它当风险仪表盘上的一块补充仪表，而不是信号发生器。

六、打乱检验：多重分形的照妖镜#

这是全文最重要的一节。谱宽大有两个完全不同的来源：

1. 时序相关：大波动在时间上聚集（真正的”记忆结构”）
2. 分布厚尾：收益分布本身有极端值，哪怕时序完全独立

区分方法简单粗暴：把序列随机打乱再算一遍。打乱摧毁一切时序相关，只留下分布本身的贡献。

结果令人清醒：级联序列原始 Δα=0.61，打乱后仍有 0.55。也就是说这个看起来惊人的谱宽里，九成来自级联生成的厚尾分布，只有一成来自时序结构。级联过程同时制造了厚尾和聚集，MF-DFA 的谱宽把两者混在一起报账。

真实金融数据上这个问题更尖锐——收益厚尾是铁一般的典型事实，任何序列不做打乱对照就宣称”发现多重分形记忆”，大概率只是在重新发现”收益有厚尾”这个 1963 年 Mandelbrot 就写过的常识。打乱检验不是可选项，是 MF-DFA 结论成立的前提。

七、坑位备忘录#

坑一：谱宽 ≠ 可预测性。 Δα 度量标度结构的丰富度，不承诺任何方向信息。“多重分形性强的市场更低效所以更可预测”是文献里流传甚广的滑坡推理，中间每一步都需要独立证据。

坑二：负 q 在小样本上会爆炸。 q<0 时权重集中在方差最小的窗口，若某窗口去趋势后残差几乎为零，$F^{q/2}$ 直接发散。序列短于 ~4000 点时建议把 q 限制在 [−3, 3]，并检查 log-log 图的线性度而不是盲目拟合。

坑三：去趋势阶数是超参数。 本文用一阶（线性去趋势，即 MF-DFA1）。若序列含慢周期或多项式趋势，低阶去趋势会把趋势残余误报为长记忆。稳健做法是 m=1,2,3 各跑一遍：结论随 m 剧变的部分不可信。

坑四：尺度范围决定一切。 拟合区间取 [16, N/8] 是惯例而非真理。太小的 s 受离散化噪声污染，太大的 s 窗口数不足统计失效。发表级的结论应报告谱宽对尺度区间选择的敏感性。

八、结论#

MF-DFA 值得进工具箱的理由：它是少数能按波动大小分层刻画记忆结构的工具，40 行 numpy 就能实现，谱宽 Δα 提供了一个紧凑的 regime 描述量——本文实验里它把白噪声（0.006）、单分形长记忆（0.024）、多重分形级联（0.61）干净利落地分成三档，滚动版本对波动聚集 regime 的切换响应清晰（0.11→0.35）。

但它的正确用法自带三条纪律：先跑打乱对照分离厚尾与记忆的贡献（本实验九成谱宽来自厚尾）；把 Δα 当描述性仪表而非交易信号；报告结论对去趋势阶数和尺度区间的敏感性。守住这三条，多重分形分析是一台严肃的显微镜；丢掉任何一条，它就退化成量化玄学的又一个发生器。