标签： #长记忆

经典均值回复(布林带 z-score)隐式假设价格是随机游走(H=0.5),用普通收益率白化偏离。但真实价格有 Hurst 记忆: H<0.5 黏均值、H>0.5 顺趋势。本文用分数布朗运动 fBm 从零复现「先估 H、再按 D=H+0.5 做分数差分」的自适应均值回复框架: R/S 在增量上干净分离三类 regime(0.44/0.59/0.73)、D=0.8 分数差分把残留记忆从 -0.245 压到 -0.088、蒙特卡洛 400 路径证明分数差分把趋势 regime 的 lag-1 自相关从 0.96 降到 0.04——即正确白化后,你不再把趋势误当成均值回复。附完整 Python 与六类真实陷阱(中阶)。

标准 ARIMA 用整数差分 d=1 把序列强行去趋势, 可金融序列(平方收益、已实现波动)的 ACF 不是指数衰减, 而是按幂律 c·k^(2d-1) 慢慢衰减——这种『长记忆』被整数差分一差就过差分、把慢衰减也差没了。ARFIMA 用分数差分 (1-L)^d (0<d<0.5 长记忆, d<0 反持续) 把这段长尾记忆窗口保留进模型。本文用 2 万点合成长记忆序列演示: 分数积分滤波器权重呈长尾、双对数 ACF 斜率反推出 d̂≈0.243(真值 0.30)、长期累积方差按 H^{2d} 幂律增长, 而短记忆 AR(1) 误判为线性, 在 H=250 时把长期风险低估到真实值的约 5%。附完整 Python 与五类真实陷阱(高阶)。

GARCH 的方差冲击只指数衰减，可真实市场的波动聚集能持续好几个月。FIGARCH 用分数阶差分 (1-L)^d 把这种『慢衰减』写成可估的长记忆模型，本文从直觉、数学到 Python 全流程讲透。

HAR-RV 用日内分钟频收益还原已实现方差 RV_t，再以日/周/月三尺度平均把波动率长记忆压成简单线性回归；样本外 R² 达 0.35，跑赢 naive 与单日 AR(1)，附完整 Python 与三类真实陷阱。