Εκθέτης Χερστ

Ο εκθέτης Χερστ χρησιμοποιείται ως μέτρο της μακροχρόνιας μνήμης των χρονοσειρών. Σχετίζεται με τις αυτοσυσχετίσεις της χρονοσειράς και τον ρυθμό με τον οποίο αυτές μειώνονται καθώς αυξάνεται η υστέρηση μεταξύ ζευγών τιμών. Οι μελέτες που περιλαμβάνουν τον εκθέτη Χερστ αναπτύχθηκαν αρχικά στην υδρολογία για το πρακτικό ζήτημα του προσδιορισμού της βέλτιστης διαστασιολόγησης των φραγμάτων για τις ευμετάβλητες συνθήκες βροχής και ξηρασίας του ποταμού Νείλου που είχαν παρατηρηθεί για μεγάλο χρονικό διάστημα. Η ονομασία "εκθέτης Χερστ" ή "συντελεστής Χερστ" προκύπτει από τον Χάρολντ Έντουιν Χερστ (1880-1978), ο οποίος ήταν ο επικεφαλής ερευνητής αυτών των μελετών- η χρήση του τυποποιημένου συμβολισμού H για τον συντελεστή σχετίζεται επίσης με το όνομά του.

Παραδείγματα χρονοσειρών με διαφορετικούς εκθέτες Χερστ

Στη μορφοκλασματική γεωμετρία, ο γενικευμένος εκθέτης Χερστ έχει συμβολιστεί με H ή H_q προς τιμήν τόσο του Χάρολντ Έντουιν Χερστ όσο και του Λούντβιχ Ότο Χόλντερ (1859-1937) από τον Μπενουά Μάντελμπροτ (1924-2010). Ο H σχετίζεται άμεσα με τη φράκταλ διάσταση, D, και είναι ένα μέτρο της "ήπιας" ή "άγριας" τυχαιότητας μιας σειράς δεδομένων.

Ο εκθέτης Χερστ αναφέρεται ως "δείκτης εξάρτησης" ή "δείκτης εξάρτησης μεγάλης εμβέλειας". Ποσοτικοποιεί τη σχετική τάση μιας χρονοσειράς είτε να υποχωρεί έντονα προς το μέσο είτε να συσσωρεύεται προς μια κατεύθυνση. Μια τιμή H στο εύρος 0,5-1 υποδηλώνει μια χρονοσειρά με μακροπρόθεσμη θετική αυτοσυσχέτιση, που σημαίνει ότι η μείωση της αυτοσυσχέτισης είναι πιο αργή από την εκθετική, ακολουθώντας ένα νόμο δύναμης- για τη σειρά σημαίνει ότι μια υψηλή τιμή τείνει να ακολουθείται από μια άλλη υψηλή τιμή και ότι συμβαίνουν μελλοντικές εξάρσεις σε πιο υψηλές τιμές. Μια τιμή στο εύρος 0 - 0,5 υποδηλώνει μια χρονοσειρά με μακροχρόνια εναλλαγή μεταξύ υψηλών και χαμηλών τιμών σε γειτονικά ζεύγη, που σημαίνει ότι μια ενιαία υψηλή τιμή θα ακολουθηθεί πιθανότατα από μια χαμηλή τιμή και ότι η τιμή μετά από αυτή θα τείνει να είναι υψηλή, με αυτή την τάση εναλλαγής μεταξύ υψηλών και χαμηλών τιμών να διαρκεί για μεγάλο χρονικό διάστημα στο μέλλον, ακολουθώντας επίσης ένα νόμο δύναμης. Μια τιμή H=0,5 υποδηλώνει βραχύχρονη μνήμη, με τις (απόλυτες) αυτοσυσχετίσεις να φθίνουν εκθετικά γρήγορα στο μηδέν.

Ορισμός

Ο εκθέτης Χερστ, H, ορίζεται ως προς την ασυμπτωτική συμπεριφορά του αναβαθμισμένου εύρους ως συνάρτηση της χρονικής διάρκειας μιας χρονοσειράς ως εξής

$\mathbb {E} \left[{\frac {R(n)}{S(n)}}\right]=Cn^{H}{\text{ as }}n\to \infty \,,$

όπου

• $R(n)$ είναι το εύρος των πρώτων $n$ ασωρευτικών αποκλίσεων από τον μέσο όρο
• $S(n)$ είναι η σειρά (άθροισμα) των πρώτων n τυπικών αποκλίσεων
• $\mathbb {E} \left[x\right]\,$ είναι η αναμενόμενη τιμή
• $n$ είναι η χρονική διάρκεια της παρατήρησης (αριθμός σημείων δεδομένων σε μια χρονοσειρά)
• $C$ είναι μια σταθερά.

Σχέση με την μορφοκλασματική διάσταση

Για αυτοομοιογενείς χρονοσειρές, το H σχετίζεται άμεσα με τη μορφοκλασματική διάσταση, D, όπου 1 < D < 2, έτσι ώστε D = 2 - H. Οι τιμές του εκθέτη Hurst κυμαίνονται μεταξύ 0 και 1, με υψηλότερες τιμές να υποδηλώνουν μια πιο ομαλή τάση, λιγότερη μεταβλητότητα και λιγότερη τραχύτητα.

Για γενικότερες χρονοσειρές ή πολυδιάστατες διαδικασίες, ο εκθέτης Χερστ και η διάσταση φράκταλ μπορούν να επιλεγούν ανεξάρτητα, καθώς ο εκθέτης Χερστ αντιπροσωπεύει τη δομή σε ασυμπτωτικά μεγαλύτερες περιόδους, ενώ η διάσταση φράκταλ αντιπροσωπεύει τη δομή σε ασυμπτωτικά μικρότερες περιόδους.

Εκτίμηση του εκθέτη

Στη βιβλιογραφία έχουν προταθεί διάφοροι εκτιμητές της εξάρτησης μεγάλης εμβέλειας. Ο παλαιότερος και πιο γνωστός είναι η λεγόμενη ανάλυση με αναπροσαρμοσμένο εύρος (R/S) που έγινε δημοφιλής από τους Μάντελμπροτ και Γουάλις και βασίζεται σε προηγούμενα υδρολογικά ευρήματα του Χερστ. Εναλλακτικές λύσεις περιλαμβάνουν την DFA, την παλινδρόμηση περιοδόγραμματος, τις συγκεντρωτικές αποκλίσεις, τον τοπικό εκτιμητή του Γουίτλ, την ανάλυση κυματιδίων, τόσο στο πεδίο του χρόνου όσο και στο πεδίο της συχνότητας.

Ανάλυση εύρους με αναβαθμισμένη κλίμακα (R/S)

Για να εκτιμηθεί ο εκθέτης Χερστ, απαιτείται πρώτα να εκτιμηθεί η εξάρτηση του μεταβαλλόμενου εύρους από τη χρονική διάρκεια n της παρατήρησης. Μια χρονοσειρά πλήρους μήκους N διαιρείται σε έναν αριθμό μικρότερων χρονοσειρών μήκους n = N, N/2, N/4, ... Στη συνέχεια, υπολογίζεται το μέσο εύρος μεταβαλλόμενης κλίμακας για κάθε τιμή του n.

Για μια (μερική) χρονοσειρά μήκους $n$, $X=X_{1},X_{2},\dots ,X_{n}\,$, το αναβαθμισμένο εύρος υπολογίζεται ως εξής:

1. Υπολογίζουμε το μέσο όρο, $m={\frac {1}{n}}\sum _{i=1}^{n}X_{i}\,.$
2. Δημιουργούμε μια σειρά με διορθωμένο μέσο όρο, $Y_{t}=X_{t}-m\quad {\text{ για }}t=1,2,\dots ,n\,.$
3. Υπολογίζουμε τη σωρευτική σειρά αποκλίσεων $Z$; $Z_{t}=\sum _{i=1}^{t}Y_{i}\quad {\text{ για }}t=1,2,\dots ,n\,.$
4. Υπολογίζουμε το εύρος $R$; $R(n)=\operatorname {max} \left(Z_{1},Z_{2},\dots ,Z_{n}\right)-\operatorname {min} \left(Z_{1},Z_{2},\dots ,Z_{n}\right).$
5. Υπολογίζουμε την τυπική απόκλιση $S$; $S(n)={\sqrt {{\frac {1}{n}}\sum _{i=1}^{n}\left(X_{i}-m\right)^{2}}}.$
6. Υπολογίζουμε την αναβαθμισμένη κλίμακα $R(n)/S(n)$ και τον μέσο όρο όλων των μερικών χρονοσειρών μήκους $n.$

Ο εκθέτης Χερστ εκτιμάται με την προσαρμογή του νόμου ισχύος $\mathbb {E} [R(n)/S(n)]=Cn^{H}$ στα δεδομένα. Αυτό μπορεί να γίνει με την απεικόνιση του $\log[R(n)/S(n)]$ ως συνάρτηση του $\log n$, και την προσαρμογή μιας ευθείας γραμμής- η κλίση της γραμμής δίνει το $H$ (μια πιο βασική προσέγγιση προσαρμόζει το νόμο δύναμης με τρόπο μέγιστης πιθανότητας[16]). Μια τέτοια γραφική παράσταση καλείται box plot. Ωστόσο, η προσέγγιση αυτή είναι γνωστό ότι παράγει μεροληπτικές εκτιμήσεις του εκθέτη του νόμου δύναμης. Για μικρά $n$ υπάρχει σημαντική απόκλιση από την κλίση 0,5. Οι Άνις και Λόιντ estimated the theoretical (i.e., for white noise) values of the R/S statistic to be: εκτίμησαν ότι οι θεωρητικές (δηλαδή για λευκό θόρυβο (noise)) τιμές της στατιστικής R/S είναι:

$\mathbb {E} [R(n)/S(n)]={\begin{cases}{\frac {\Gamma ({\frac {n-1}{2}})}{{\sqrt {\pi }}\Gamma ({\frac {n}{2}})}}\sum \limits _{i=1}^{n-1}{\sqrt {\frac {n-i}{i}}},&{\text{for }}n\leq 340\\{\frac {1}{\sqrt {n{\frac {\pi }{2}}}}}\sum \limits _{i=1}^{n-1}{\sqrt {\frac {n-i}{i}}},&{\text{for }}n>340\end{cases}}$

όπου $\Gamma$ είναι η συνάρτηση γάμμα του Όιλερ. Ο διορθωμένος εκθέτης Χερστ R/S Ανις-Λόιντ υπολογίζεται ως 0,5 συν την κλίση της $R(n)/S(n)-\mathbb {E} [R(n)/S(n)]$.

Διαστήματα εμπιστοσύνης

Έως τώρα δεν έχει προκύψει ασυμπτωτική θεωρία κατανομής για τους περισσότερους εκτιμητές του εκθέτη Χερστ. Ωστόσο, ο Weron χρησιμοποίησε τη μέθοδο bootstrapping με σκοπό να λάβει προσεγγιστικές λειτουργικές μορφές για τα διαστήματα εμπιστοσύνης των δύο πιο δημοφιλών μεθόδων, δηλαδή για την ανάλυση R/S με διόρθωση Ἀνις-Λόιντ:

Επίπεδο	Κατώτερο όριο	Ανώτερο όριο
90%	0.5 − exp(−7.35 log(log M) + 4.06)	exp(−7.07 log(log M) + 3.75) + 0.5
95%	0.5 − exp(−7.33 log(log M) + 4.21)	exp(−7.20 log(log M) + 4.04) + 0.5
99%	0.5 − exp(−7.19 log(log M) + 4.34)	exp(−7.51 log(log M) + 4.58) + 0.5

και για την ανάλυση DFA:

Επίπεδο	Κατώτερο όριο	Ανώτερο όριο
90%	0.5 − exp(−2.99 log M + 4.45)	exp(−3.09 log M + 4.57) + 0.5
95%	0.5 − exp(−2.93 log M + 4.45)	exp(−3.10 log M + 4.77) + 0.5
99%	0.5 − exp(−2.67 log M + 4.06)	exp(−3.19 log M + 5.28) + 0.5

Εδώ $M=\log _{2}N$ και $N$ είναι το μήκος της σειράς. Και στις δύο περιπτώσεις μόνο υποσειρές μήκους $n>50$ ελήφθησαν υπόψιν για την εκτίμηση του εκθέτη Χερστ- υποσειρές μικρότερου μήκους οδηγούν σε υψηλή διακύμανση των εκτιμήσεων R/S.

Γενικευμένος εκθέτης

Ο βασικός εκθέτης Χερστ μπορεί να συσχετιστεί με το αναμενόμενο μέγεθος των αλλαγών, ως συνάρτηση της υστέρησης μεταξύ των παρατηρήσεων, όπως μετράται από την E(|X_t+τ−X_t|²). Για τη γενικευμένη μορφή του συντελεστή, ο εκθέτης εδώ αντικαθίσταται από έναν πιο γενικό όρο, που συμβολίζεται με q.

Υπάρχουν διάφορες τεχνικές για την εκτίμηση του H, ωστόσο η αξιολόγηση της ακρίβειας της εκτίμησης μπορεί να είναι ένα περίπλοκο ζήτημα. Μαθηματικά, σε μια τεχνική, ο εκθέτης Χερστ μπορεί να εκτιμηθεί έτσι ώστε:

$H_{q}=H(q),$

για μια χρονοσειρά

$g(t),t=1,2,\dots$

μπορεί να οριστεί από τις ιδιότητες κλιμάκωσης των συναρτήσεων δομής του S q {\displaystyle $S_{q}$ ($\tau$):

$S_{q}=\left\langle \left|g(t+\tau )-g(t)\right|^{q}\right\rangle _{t}\sim \tau ^{qH(q)},$

όπου $q>0$, $\tau$ είναι η χρονική υστέρηση και ο μέσος όρος αφορά το χρονικό παράθυρο

$t\gg \tau ,$

συνήθως η μεγαλύτερη χρονική κλίμακα του συστήματος.

Πρακτικά, στη φύση, δεν υπάρχει χρονικό όριο και επομένως το Η δεν είναι προσδιοριστικό, καθώς μπορεί να εκτιμηθεί μόνο με βάση τα παρατηρούμενα δεδομένα- π.χ., η πιο δραματική ημερήσια ανοδική κίνηση που έχει παρατηρηθεί ποτέ σε ένα χρηματιστηριακό δείκτη μπορεί πάντα να ξεπεραστεί κατά τη διάρκεια κάποιας επόμενης ημέρας.

Στην παραπάνω μέθοδο μαθηματικής εκτίμησης, η συνάρτηση H(q) περιέχει πληροφορίες σχετικά με τις μέσες γενικευμένες μεταβλητότητες στην κλίμακα $\tau$ (μόνο q = 1, 2 χρησιμοποιούνται για τον ορισμό της μεταβλητότητας). Ειδικότερα, ο εκθέτης H1 υποδεικνύει την επίμονη (H₁ > 1/2) ή την αντιεπίμονη (H₁ < 1/2) συμπεριφορά της τάσης.

Για τον καφέ θόρυβο BRW, $1/f^{2}$) έχουμε

$H_{q}={\frac {1}{2}},$

και για τον ροζ θόρυβο ($1/f$)

$H_{q}=0.$

Ο εκθέτης Χερστ για τον λευκό θόρυβο είναι εξαρτημένος από τη διάσταση,και για 1D και 2D είναι

$H_{q}^{1D}={\frac {1}{2}},\quad H_{q}^{2D}=-1.$

Για τις δημοφιλείς σταθερές διεργασίες Λεβί και τις περικομμένες διεργασίες Λεβί με παράμετρο α διαπιστώθηκε ότι

$H_{q}=q/\alpha ,$ for $q<\alpha$, and $H_{q}=1$ for $q\geq \alpha$. Η ανάλυση διακύμανσης πολλαπλών διακυμάνσεων είναι μια μέθοδος για την εκτίμηση του $H(q)$ από μη στάσιμες χρονοσειρές. Όταν το $H(q)$ είναι μια μη γραμμική συνάρτηση του q η χρονοσειρά είναι ένα πολυκλασματικό σύστημα.

Σημείωμα

Σύμφωνα με τον παραπάνω ορισμό, δύο ξεχωριστές απαιτήσεις αναμειγνύονται μεταξύ τους σαν να ήταν μία. Ακολουθούν οι δύο ανεξάρτητες απαιτήσεις: (i) Στασιμότητα των προσαυξήσεων, x(t+T) − x(t) = x(T) − x(0) στην κατανομή. Αυτή είναι η συνθήκη που αποδίδει μακροχρόνιες αυτοσυσχετίσεις. (ii) Η αυτοομοιότητα της στοχαστικής διαδικασίας αποδίδει τότε κλιμάκωση της διακύμανσης, αλλά δεν απαιτείται για μακροχρόνια μνήμη. Π.χ., τόσο οι διαδικασίες Μαρκόφ (δηλαδή οι διαδικασίες χωρίς μνήμη) όσο και η μορφοκλασματική κίνηση Μπράουν κλιμακώνονται στο επίπεδο των πυκνοτήτων 1 σημείου (απλοί μέσοι όροι), αλλά καμία από τις δύο δεν κλιμακώνεται στο επίπεδο των συσχετίσεων ζεύγους ή, αντίστοιχα, της πυκνότητας.

Μια αποτελεσματική αγορά απαιτεί μια συνθήκη martingale, και αν η διακύμανση δεν είναι γραμμική στο χρόνο, αυτό παράγει μη στάσιμες αυξήσεις, x(t+T) − x(t) ≠ x(T) − x(0). Οι μαρτινγκέιλ είναι μαρκοβιανές στο επίπεδο των συσχετίσεων ζεύγους, πράγμα που σημαίνει ότι οι συσχετίσεις ζεύγους δεν μπορούν να χρησιμοποιηθούν για να νικήσουν μια αγορά μαρτινγκέιλ. Οι στάσιμες αυξήσεις με μη γραμμική διακύμανση, από την άλλη πλευρά, προκαλούν τη μακροχρόνια μνήμη ζεύγους της κλασματικής κίνησης Μπράουν που θα καθιστούσε την αγορά νικήσιμη στο επίπεδο των συσχετίσεων ζεύγους. Μια τέτοια αγορά θα ήταν αναγκαστικά πολύ μακριά από την "αποτελεσματική".

Μια ανάλυση των οικονομικών χρονολογικών σειρών μέσω του εκθέτη Χερστ με τη χρήση της ανάλυσης μεταβαλλόμενου εύρους και της ανάλυσης αποδιαρθρωμένων διακυμάνσεων πραγματοποιείται από τον οικονομολόγο A.F. Bariviera. Αυτό το έγγραφο μελετά τον χρονικά μεταβαλλόμενο χαρακτήρα της μακροχρόνιας εξάρτησης και, ως εκ τούτου, της πληροφοριακής αποτελεσματικότητας.

Ο εκθέτης Χερστ εφαρμόστηκε επίσης στη διερεύνηση της εξάρτησης μεγάλης εμβέλειας στο DNA και σε υλικά με φωτονικό χάσμα ζώνης.

Δείτε επίσης

• Αλγόριθμος διαμαντιού τετραγώνου
• Καμπύλη που γεμίζει το χώρο
• Νιφάδα του Κοχ
• Καμπύλη Χίλμπερτ
• Καμπύλη του δράκου
• Σπόγγος του Μένγκερ

• Σύνολο Μάντελμπροτ
• Σύνολο Julia
• Οικοδομήσιμο Σύμπαν