www.units.

it/complex 1
Lesponente di Hurst
e la self-similarity



Massimiliano Kaucic

www.units.it/complex 2
Origini del nome
Hurst (1951), nellanalisi dellandamento
delle acque del Nilo, fu il primo a trovare
una persistenza nelle autocorrelazioni dei
dati idrologici.

Questo fenomeno, nelle serie temporali
del flusso di un fiume, prende il nome di
Hurst effect.
www.units.it/complex 3
Hurst effect e Hurst exponent
LHurst effect viene descritto nella pratica
attraverso un numero, detto Hurst exponent (H).
A seconda dei valori che assume H avremo:
H = 0.5: i dati della storia passata non
influenzano lo sviluppo della serie;
H < 0.5: il processo ha un comportamento
antipersistente;
H > 0.5: il processo ha un comportamento
persistente;

www.units.it/complex 4
Esempi
www.units.it/complex 5
LHurst effect in economia
Lo stesso fenomeno, successivamente,
stato verificato pure in alcune serie
storiche finanziarie.

In Economia lo si trova col nome di
Joseph effect, nome datogli da Mandelbrot
e Wallis (1969).
www.units.it/complex 6
Breve excursus di lavori svolti sulla
persistenza di alcune serie storiche
finanziarie:
Peters (1991 e 1994) su vari indici
mondiali;
Bollerslev e Mikkelsen (1996) per i valori
assoluti dei rendimenti dellindice Standard
& Poors 500;
Baillie, Bollerslev e Mikkelsen (1996) per
la volatilit dei tassi di cambio nominali;
Chen per 7 indici dellarea Asia-Pacifico.
www.units.it/complex 7
Come impiegare lHurst exponent
LHurst exponent uno strumento operativo per
descrivere i processi stocastici debolmente stazionari
(s.d.s.) che hanno memoria lunga.

Definizione
Un processo s.d.s. ha memoria lunga se la sua funzione
di autocorrelazione ha un decadimento iperbolico, cio


+ h
1 2
) (

~
d
Ch h
0 = C
2
1
< d
per
dove e
www.units.it/complex 8
Tecniche per il calcolo di H
1. Il primo strumento per la valutazione
dellesponente di Hurst la Rescaled Range
Analysis (R/S) di Hurst (1951).

Adattamenti e aggiornamenti successivi sono
in:
Mandelbrot e Wallis (1969);
Mandelbrot e Taqqu (1975);
Hampton (1996);
Taqqu e Teverovsky (1997).
www.units.it/complex 9
Lalgoritmo usato
Per una serie storica {X
t
}, con somma parziale

=
=
n
t
t
X n Y
1
) (
varianza campionaria

=
=
n
t
t
n Y
n
X
n
n S
1
2
2
2 2
) (
1 1
) (
la statistica R/S
(

|
.
|

\
|
|
.
|

\
|
=
s s s s
) ( ) ( min ) ( ) ( max
) (
1
) (
0 0
n Y
n
t
t Y n Y
n
t
t Y
n S
n
S
R
n t n t
www.units.it/complex 10
Pregi del metodo
Il metodo semplice e grazie alla
rappresentazione pox-plot, possibile
controllare la bont del risultato;

La stima di H stabile rispetto a differenti
periodi campionati.

www.units.it/complex 11
Limiti e difficolt del metodo
La stima di H pu essere sensibile alla
frequenza dei dati impiegati (giornalieri,
settimanali, mensili,);
Alcuni sistemi possono avere cicli a breve
memoria e le stime di R/S potrebbero
manifestare una persistenza solo per brevi
sottoperiodi;
Non c una teoria completa per la distribuzione
di E(R/S) per campioni a cardinalit finita (il
problema risiede nel fatto che la stima di H
passa per la relazione E(R/S) n
H
per n +)


www.units.it/complex 12
Due brevi precisazioni
1. Poich H in effetti una stima, molto
difficile trovarsi nelle condizioni di vedere
chiaramente la struttura della serie:
heuristics are sometimes developed where
estimates of Hurst exponents which fall
within an empirically-derived range, say
[0.45,0.55], are interpreted as representative
of a random walk process (Hampton, 1996);

2. Per quanto concerne il problema di
E(R/S), ci si pu riferire a Peters (1994) e
Conniffe e Spencer (2000)
www.units.it/complex 13
2. Statistica R/S modificata di Lo

Novit introdotte:
Considera lintero campione di dati (senza
dividerlo in blocchi);
Anzich usare la deviazione standard
campionaria S(n) per normalizzare R, usa una
somma pesata di autocovarianze, Sq(N);
Definisce la statistica R/S modificata come

) (
) ( 1
: ) (
N S
N R
N
N V
q
q
=
www.units.it/complex 14




dove [0.809,1.862] usato come intervallo di
confidenza del 95% per testare lipotesi che la
serie non abbia memoria lunga.

Osservazione: questo metodo non in grado di
fornire una stima di H.
( ) | | { } 95 . 0 62 . 1 , 809 . 0 e
+ N
q
N V P
Risultato del metodo:
www.units.it/complex 15
3. Statistica V

uno strumento grafico pensato per dare una
prima valutazione dei cicli interni ad una serie
storica, ed cos definita:










( )
n
n S R V
n
1
/ =
dove n<N.
www.units.it/complex 16
Applicazione 1




nellintervallo [0,210] con passo 0.5.

Essa presenta un esponente di Hurst pari a
H=0.57


) 01 . 0 ( 64 ) 1 . 0 ( 16 ) ( 4 100 ) ( t sen t sen t sen t f + + + =
Consideriamo la serie storica generata
dalla funzione:
www.units.it/complex 17
Il grafico della funzione e la sua distribuzione

80 100 120 140 160 180 200
0
5
10
15
20
x 10
-3
0 50 100 150 200 250
100
110
120
130
140
150
160
170
180
190
t
F
(
t
)
www.units.it/complex 18
Statistica R/S e analisi OLS
2 2.5 3 3.5 4 4.5 5 5.5
1.2
1.4
1.6
1.8
2
2.2
2.4
2.6
2.8
3
3.2
ln(n)
l
n
(
R
/
S
) 0 20 40 60 80 100 120 140 160 180 200
1
1.5
2
2.5
3
3.5
OLS Actual vs. Predicted
Actual
Predicted
0 20 40 60 80 100 120 140 160 180 200
-0.1
0
0.1
0.2
0.3
0.4
Residuals
www.units.it/complex 19
Statistica V
2 2.5 3 3.5 4 4.5 5 5.5
1.35
1.4
1.45
1.5
1.55
1.6
1.65
1.7
1.75
ln(n)
s
t
a
t
i
s
t
i
c
a

V
www.units.it/complex 20
Applicazione 2
Consideriamo una simulazione di prezzi
giornalieri (250 rilevazioni) per un titolo che
allinizio dellanno presenta un prezzo iniziale di
1 , rendimento medio 12%, deviazione standard
7%.

Tale serie presenta un esponente di Hurst pari a
H=0.54


www.units.it/complex 21
Grafico della serie simulata
0 50 100 150 200 250
0.96
0.98
1
1.02
1.04
1.06
1.08
1.1
1.12
1.14
1.16
Serie storica giornaliera dei prezzi
giorno
p
r
e
z
z
o
www.units.it/complex 22
Statistica R/S e analisi OLS
2 2.5 3 3.5 4 4.5 5 5.5
1.2
1.4
1.6
1.8
2
2.2
2.4
2.6
2.8
3
ln(n)
l
n
(
R
/
S
)
0 20 40 60 80 100 120 140 160 180 200
1
1.5
2
2.5
3
OLS Actual vs. Predicted
Actual
Predicted
0 20 40 60 80 100 120 140 160 180 200
-0.15
-0.1
-0.05
0
0.05
0.1
Residuals
www.units.it/complex 23
Statistica V
2 2.5 3 3.5 4 4.5 5 5.5
1.1
1.15
1.2
1.25
1.3
1.35
1.4
1.45
ln(n)
s
t
a
t
i
s
t
i
c
a

V
www.units.it/complex 24
Self-similarity e modelli long-range
Definizione
Un processo Xt si dice self-similar con parametro
H se per ogni a>0 le distribuzioni di (X
at
) e a
H
(X
t
)
sono identiche.

Questo significa che la distribuzione della serie
storica non cambia quando vista variando la
scala temporale, ovvero, la sua varianza rimane
la stessa al variare della scala.


www.units.it/complex 25
Proposizione
Se un processo self-similar allora gode delle seguenti
propriet (equivalenti):

Hurst effect: la rescale range statistic caratterizzata
da una legge di potenza, del tipo




( ) ( )
H
n a n S R E
1
/ ~
( )
( )
2 2
2
var

~
H m
m a X
+ n
per
Decadimento lento delle varianze: le varianze
campionarie decadono molto pi lentamente del reciproco
della lunghezza del campione, cio
al crescere di m;
www.units.it/complex 26
Dipendenza di tipo long-range: la funzione di
autocorrelazione decade in modo iperbolico, portando
ad una funzione di autocorrelazione non sommabile,
cio tale che

( )

+ =
k
k r
H
a f
2 1
3
) (

~ 0
( )

=
k
ik
e k r f

) (
|
.
|

\
|
e 1 ,
2
1
H
(Questo significa che, sebbene r(k) sono individualmente
piccoli per grandi intervalli, il loro effetto cumulativo
non trascurabile);
1/f noise: la densit spettrale f() obbedisce ad una legge
di potenza in un intorno dellorigine, cio
per , dove
dove e a1, a2, a3 sono costanti
positive e indipendenti da m e .
www.units.it/complex 27
Conseguenze:
Dalle propriet dei processi self-similar si ottengono
dei metodi per stimare lesponente di Hurst, H:

1. la time-domain analysis: ad esempio la statistica R/S;

2. lanalisi delle varianze dei processi aggregati: ad
esempio grafici varianza-tempo;

3. lanalisi basata sul periodogramma delle frequenze: ad
esempio il Whittles maximum Likelihood Estimator
(MLE) e il Local Whittle Method, che individuano i
cambi strutturali e la memoria lunga, basandosi su
modelli ARFIMA(p,d,q) (Hsu e Kuan (2000)).

www.units.it/complex 28
Esempi di processi self-similar

Processo Fractional Gaussian Noise
(FGN);

Processo Fractional Autoregressive
Integrated Moving Average (FARIMA).
www.units.it/complex 29
Il processo FGN
Definizione 1
Si chiama processo FGN con parametro H e (0,1)
un processo stazionario Gaussiano con media ,
varianza o
2
e funzione di autocorrelazione



| |
H
H H
k k k k r
2
2 2
1 2 ) 1 (
2
1
) ( + + =
Definizione 2
FGN(H) la derivata di un Fractional Brownian
Motion con esponente H.
con k>0.
www.units.it/complex 30
Il processo FARIMA
(in letteratura si trova indicato anche con ARFIMA)
Definizione 1
Una serie storica si dice integrata di ordine d se ha
una rappresentazione stazionaria e
autoregressive moving average (ARMA), dopo
lapplicazione delloperatore (1-L)
d
.

Definizione 2
Una serie storica si dice integrata in modo
frazionario se d non intero.
www.units.it/complex 31

Definizione 3
Una serie storica {Xt} segue un processo
FARIMA(p,d,q) se






t t
d
L B X L L A c ) ( ) 1 )( ( =
. 1 ) ( , 1 ) ( ), , 0 (
1 1
2 q
q
p
p t
L b L b L B L a L a L A iid + + + = = ~ o c
dove
www.units.it/complex 32
Significato di d
0 < d 0.5: la serie un processo a lunga
memoria;
0.5 < d < 1: la serie un processo a breve
memoria;
-0.5 < d < 0.5: la serie stazionaria ed
ergodica;
d 0.5: il processo non-stazionario,
comunque riducibile al caso -0.5 < d < 0.5
prendendo le opportune differenze.

www.units.it/complex 33

Esempio

La random walk definita come il processo
FARIMA(0,1,0) ed descritta da:




t t
X L c = ) 1 (



La formula che lega queste due quantit

H = d + 0.5
Relazione fra d e H