加载中…
个人资料
  • 博客等级:
  • 博客积分:
  • 博客访问:
  • 关注人气:
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
正文 字体大小:

中国股票市场的Hurst指数

(2011-10-17 10:23:26)
标签:

杂谈

分类: 财经

张彩霞  付小明 
【摘要】:股票市场上存在大量的分形特征,股票市场收益也服从分形分布。Hurst指数是一个在混沌和分形数学中判断时间序列混沌性的统计参数。本文根据实际测定的我国股票市场收益率的Hurst指数表明:我国股票市场具有分形市场假说(FMH)的特征,股票的收益率不符合随机游走过程,股票收益率序列不是独立的且具有长期记忆性。
【作者单位】: 河北经贸大学数学与统计学院;
【关键词】: 分形市场 R/S分析 Hurst指数 实证分析

 2010年03月15日17:20

    混沌学派表明,世界万物皆体现出混乱中有序的特征,资本市场作为人性体现之集大成者的场所,自然不能摆脱混沌形态。
    股市通常是表现出一种稳定的状态,交易量均衡、成交价格平和,并且面对冲击后,能在一段时间后恢复稳定的状态。事实上,部分人的盈利来源于其他人的亏损,亏损则来源于失误。方寸之间,理性与非理性的人构成了稳定的结构,混乱之中找到了有序与平衡,面对突如起来的外来冲击,稳定的结构被打破,理性与非理性只在一念之间,市场开始并寻找新的稳定结构,如此周而复始,循环反复,混乱中形成新的次序。
    作为全球资本市场的重要一极,A 股市场呈现出尖峰、胖尾、非正态、非线性、非周期循环、长期记忆(趋势)、自相似、分形维、分形分布、多重分形等明显的分形结构,是一个典型的分形市场,运行过程中通常具有稳定的分形结构。
    建立在非线性动力系统之上的分形市场理论以及由此衍生出来的各种研究方法,利用流动性和投资起点很好地解释了各种市场现象。正如我们上文所言,分形用以描述那种不规则的、破碎的、琐屑的几何特征,而不规则、琐屑正是资本市场的最主要特点。分形理论正日益成为与技术分析、基本面分析并立的股市研究流派。
    Hurst 指数是对分形结构进行分析的重要指标,观察该指数的变化,能对股市的中长期走势进行研判,本文对上证综指的Hurst 指数进行了全面深入的研究后发现其把握股市大波段行情的准确率非常高。
    我们观察上证综合指数最新的动力学特征,发现H 值正逐波下移,这充分说明大盘指数对自2009 年起的牛市上涨行情的阶段性记忆逐渐减弱,逐渐翻转的可能性较大,阶段性牛市分形结构被打破,调整将持续,再者,H 值下移的速度缓慢,说明大盘指数向下阴跌的可能性极大。投资人应当控制仓位,保持警惕。
    对各行业动力学特征进行分析,观察其Hurst 指数后,在下个阶段我们的建议如下:减持:农林牧渔、建筑建材、食品饮料、医药生物、商业贸易;超配:金融服务业与电子元器件业
 
 
===
  如果一个随机信号x(t)的统计特性是自相似的(过程x(ct)和cH x(t)具有相同的有限维联合分布),即它在被放大或缩小时其统计特性不变,则它被称为(统计)自相似的,也称为随机分形。若该随机信号x(t)具有平稳的增量,则称x(t)是一个具有平稳增量过程的自相似过程(H-sssi)。当0 < H < 1时,高斯H-sssi过程称为分数布朗运动(Fractional Brown motion, FBM)。若0.5 < H < 1,则序列具有长相关性(Long Range Dependence, LRD)。对FBM过程周期地进行采样然后计算一阶差分,可以得到分形高斯噪声(Fractional Gaussian Noise, FGN),它是一个平稳序列。实际的网络流量表现出长相关性,Hurst指数H是描述业务长相关性的重要参数,FGN是目前最为广泛的一种网络流量自相似模型[1,2]。    数学家Hausdoff在1919年提出了连续空间的概念,也就是空间维数是可以连续变化的,它可以是整数也可以是分数,称为Hausdoff维数,即分形维度,记作D。它在一般情况下是一个分数。FBM的分形维度D与它的Hurst指数H之间满足以下关系 http://www.studa.net/Newspic/200855/1039545222.jpg            (1-1)    其中N为分形数,r为分形成线段的尺寸比例。当0 < H < 1时,D = 2-H    实际工作中,DH这两个参数都是十分重要的,从而值得研究下列的问题:(1)对于实际以太网网络流量而言,是否满足D = 2-H?(2)是否存在更符合实际的以太网网络流量的统计模型?本文针对这两个问题,结合实际以太网流量数据对DH的关系做出进一步的论述。    所采用的四个实际以太网流量数据序列是美国Bellcore的研究人员采集的。数据序列的名称分别为pAug89.TL、pOct89.TL、Oct89Ext.TL和Oct89Ext4.TL[3]。我们将对这四组数据的DH分别做出估计,并对结果进行分析。

自相似随机过程模型

    平稳高斯随机过程x(t),它的自相关函数为:http://www.studa.net/Newspic/200855/103954396.jpg     (2-1)   h→0时,自相关函数有如下的渐近形式      http://www.studa.net/Newspic/200855/1039543175.jpg      (2-2)    它表现了x(t)的局部特性,可以定义分形维度为:D = 2-α/2。如果在延时很大的时候,它的自相关函数c(h)是呈幂级数形式缓慢衰减,即当|h|→∞时, http://www.studa.net/Newspic/200855/1039549311.jpg              (2-3)    它表现了x(t)的全局特性,即长相关特性。可以定义Hurst指数为:H = 1-β/2。FGN是一个平稳自仿射随机过程,它的自相关函数为:http://www.studa.net/Newspic/200855/1039549354.jpg   (2-4)    此时H∈(1/2, 1)。对于一个自仿射模型,局部特性可以完全由全局特性反应出来,所以DH间存在着线性关系,D = 2-H    相对于上面介绍的自仿射模型,这里给出一种DH相分离的统计模型——柯西类模型[4]。这类模型的自相关函数可以表示为:http://www.studa.net/Newspic/200855/1039548244.jpg       (2-5)    自相关函数可以是α∈(0,2]和β > 0的任意组合。如果β > 0,c(h)在h→0和|h|→∞时的渐进性满足(2-2)、(2-3)式。因此,随机过程的分形维度D和Hurst指数H就可以分别由α和β计算出来。还有一些其它DH相分离的统计模型,这里就不详细介绍了。

3  研究思路

3.1 经验变量图法(Empirical Variogram)估计分形维度D[4,5]

    如果一个随机过程Z(x)的增量过程Ih = {Z(x) -Z(x + h): xRn}对所有的延时向量h都是平稳的,那么Z(x)就被称为固有平稳的,它的变量图(variogram)可以定义为:http://www.studa.net/Newspic/200855/1039541389.jpg    (3-1)    增量h和变量图r(h)之间存在着如下的尺度关系:http://www.studa.net/Newspic/200855/1039551889.jpg    (3-2)    当上面的尺度关系应用在平稳随机过程中时,这个平稳随机过程的自相关函数就满足(2-2)式。我们将r(h)和h画在双对数图(log-log plot)中,用最小二乘法做直线拟和,所拟和直线的斜率为α

3.2 用小波法(Wavelet Method)估计Hurst指数[6]

    小波法在时域和频域都可以使用,以离散小波变换和多分辨率分析(Multi-resolution Analysis)为基础,将序列x(t)分为近似值(低频部分)和细节(高频部分),分别用axdx表示。可以通过线性分析,在半对数图中计算Hhttp://www.studa.net/Newspic/200855/1039552464.jpg       (3-3)    上式中,n0是数据长度,c是有限常数。

4  实验结果与讨论

    我们选取pAug89.TL、pOct89.TL、Oct89Ext.TL和Oct89Ext4.TL四组长度N=524288的真实以太网流量数据。分别对这四组数据估计它们的分形维度和摘   在统计自仿射模型中,分形维度和Hurst指数之间存在着线性关系。但也有很多统计模型允许分形维度和Hurst指数的任意组合。所以,判断那种模型更符合实际问题是十分必要的。本文对四组实际的以太网流量序列的分形维度和Hurst指数做了实验分析,并得出网络流量数据应采用分形维度和Hurst指数相分离的模型的结论。     关键词  自相似;长相关;分形维度;Hurst指数;估计  

1 引言

    如果一个随机信号x(t)的统计特性是自相似的(过程x(ct)和cH x(t)具有相同的有限维联合分布),即它在被放大或缩小时其统计特性不变,则它被称为(统计)自相似的,也称为随机分形。若该随机信号x(t)具有平稳的增量,则称x(t)是一个具有平稳增量过程的自相似过程(H-sssi)。当0 < H < 1时,高斯H-sssi过程称为分数布朗运动(Fractional Brown motion, FBM)。若0.5 < H < 1,则序列具有长相关性(Long Range Dependence, LRD)。对FBM过程周期地进行采样然后计算一阶差分,可以得到分形高斯噪声(Fractional Gaussian Noise, FGN),它是一个平稳序列。实际的网络流量表现出长相关性,Hurst指数H是描述业务长相关性的重要参数,FGN是目前最为广泛的一种网络流量自相似模型[1,2]。    数学家Hausdoff在1919年提出了连续空间的概念,也就是空间维数是可以连续变化的,它可以是整数也可以是分数,称为Hausdoff维数,即分形维度,记作D。它在一般情况下是一个分数。FBM的分形维度D与它的Hurst指数H之间满足以下关系 http://www.studa.net/Newspic/200855/1039545222.jpg            (1-1)    其中N为分形数,r为分形成线段的尺寸比例。当0 < H < 1时,D = 2-H    实际工作中,DH这两个参数都是十分重要的,从而值得研究下列的问题:(1)对于实际以太网网络流量而言,是否满足D = 2-H?(2)是否存在更符合实际的以太网网络流量的统计模型?本文针对这两个问题,结合实际以太网流量数据对DH的关系做出进一步的论述。    所采用的四个实际以太网流量数据序列是美国Bellcore的研究人员采集的。数据序列的名称分别为pAug89.TL、pOct89.TL、Oct89Ext.TL和Oct89Ext4.TL[3]。我们将对这四组数据的DH分别做出估计,并对结果进行分析。

自相似随机过程模型

    平稳高斯随机过程x(t),它的自相关函数为:http://www.studa.net/Newspic/200855/103954396.jpg     (2-1)   h→0时,自相关函数有如下的渐近形式      http://www.studa.net/Newspic/200855/1039543175.jpg      (2-2)    它表现了x(t)的局部特性,可以定义分形维度为:D = 2-α/2。如果在延时很大的时候,它的自相关函数c(h)是呈幂级数形式缓慢衰减,即当|h|→∞时, http://www.studa.net/Newspic/200855/1039549311.jpg              (2-3)    它表现了x(t)的全局特性,即长相关特性。可以定义Hurst指数为:H = 1-β/2。FGN是一个平稳自仿射随机过程,它的自相关函数为:http://www.studa.net/Newspic/200855/1039549354.jpg   (2-4)    此时H∈(1/2, 1)。对于一个自仿射模型,局部特性可以完全由全局特性反应出来,所以DH间存在着线性关系,D = 2-H    相对于上面介绍的自仿射模型,这里给出一种DH相分离的统计模型——柯西类模型[4]。这类模型的自相关函数可以表示为:http://www.studa.net/Newspic/200855/1039548244.jpg       (2-5)    自相关函数可以是α∈(0,2]和β > 0的任意组合。如果β > 0,c(h)在h→0和|h|→∞时的渐进性满足(2-2)、(2-3)式。因此,随机过程的分形维度D和Hurst指数H就可以分别由α和β计算出来。还有一些其它DH相分离的统计模型,这里就不详细介绍了。

3  研究思路

3.1 经验变量图法(Empirical Variogram)估计分形维度D[4,5]

    如果一个随机过程Z(x)的增量过程Ih = {Z(x) -Z(x + h): xRn}对所有的延时向量h都是平稳的,那么Z(x)就被称为固有平稳的,它的变量图(variogram)可以定义为:http://www.studa.net/Newspic/200855/1039541389.jpg    (3-1)    增量h和变量图r(h)之间存在着如下的尺度关系:http://www.studa.net/Newspic/200855/1039551889.jpg    (3-2)    当上面的尺度关系应用在平稳随机过程中时,这个平稳随机过程的自相关函数就满足(2-2)式。我们将r(h)和h画在双对数图(log-log plot)中,用最小二乘法做直线拟和,所拟和直线的斜率为α

3.2 用小波法(Wavelet Method)估计Hurst指数[6]

    小波法在时域和频域都可以使用,以离散小波变换和多分辨率分析(Multi-resolution Analysis)为基础,将序列x(t)分为近似值(低频部分)和细节(高频部分),分别用axdx表示。可以通过线性分析,在半对数图中计算Hhttp://www.studa.net/Newspic/200855/1039552464.jpg       (3-3)    上式中,n0是数据长度,c是有限常数。
 
 
 
 
=====
H.E.HURST(赫斯特)是英国水文学家。以他命名的HURST指数,被广泛用于资本市场的混沌分形分析。除了埃德加.E.彼得斯的两本专著外,近几年也发表了一些论文。
一个具有赫斯特统计特性的系统,不需要通常概率统计学的独立随机事件假设。它反映的是一长串相互联系事件的结果。今天发生的事将影响未来,过去的事也会影响现在。这正是我们分析资本市场所需要的理论和方法。传统的概率统计学,对此是难办到的。
HURST指数(H)有三个不同类型:
1、H=0.5,标志着所研究的序列是一个随机序列,即过去的增量与未来的增量不相关。这是通常概率统计学的研究对象;
2、0.5<H<1.0,标志着所研究的序列是一个持久性序列,即过去的增量与未来的增量正相关。序列有长程相关性;
3、0<H<0.5,标志着所研究的序列是一个反持久性序列,即过去的增量与未来的增量负相关,序列有突变跳跃逆转性。
根据赫斯特的研究,自然界的很多自然现象,H大于0.5。埃德加.E.彼得斯的两本专著,对国外资本市场进行了系统分析,证实了许多市场指数的H也大于0.5;近几年国内发表了一些论文,同样验证了沪深市场指数的H也大于0.5。这种市场特征,被称为是有偏随机游动市场,也即市场具有混沌分形特征。
对于反持久性序列,埃德加.E.彼得斯指出,它在经济金融学中虽然很重要,但人们发现的反持久性序列却很少。因此,在两本专著中论述不多。
HURST指数的经典计算方法,是R/S分析法,即重标极差分析法。用此法计算HURST指数,不仅计算量大,且方法繁杂。目前所见论文,一般都是针对少数代表性指数,且多半是用月(周)数据分析的。对于个股的HURST指数计算,尚未见到。在现有的几个股软(飞狐或分析家)上直接实现,虽有可能,也较困难。因此,除了经典计算方法外,寻求一种简单些的计算方法也是有必要的。
为了便于对沪深市场的所有股票进行分析,本人采用了一种简化方法,计算出沪深市场所有股票的HURST指数。对这种方法只进行了一般性的误差分析,未与R/S分析法进行全面比较。因此,计算结果和初步认识仅供参考。
一、指数类的HURST指数
1、上证:0.568,沪A:0.571,沪B:0.583;
2、深成指:0.533,深综指0.515
初步认识:就大盘而论,沪深市场的日线周期数据序列是持久性序列,且沪市比深市有偏性更强,沪B比沪A有偏性更强。
二、A股市场所有股票的HURST指数(1260支)
1、H大于等于0.55的有36支,H大于等于0.52的有96支,H大于0.50的有137支
2、H小于等于0.45的有36支,H小于等于0.48的有1016支
初步认识:A股市场的绝大多数股票,其日线周期数据序列是反持久性序列,序列有极强的突变逆转性。相反,持久性序列仅有1/10左右。这是现有研究中无人提及的。
三、B股市场所有股票的HURST指数(109支)
H大于0.50的有69支,H小于0.50的有31支
初步认识:B股市场的股票比A股市场有偏性强,但仍有3/10的B股,其日线周期数据序列是反持久性序列。
说明:新股的日线周期数据序列太短,按理是不能计算HURST指数的。统计时未剔除新股。
 
 

0

阅读 收藏 喜欢 打印举报/Report
  

新浪BLOG意见反馈留言板 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 产品答疑

新浪公司 版权所有