基于修正R/S分析的Hurst指数计算系统

资 源 简 介

本项目旨在构建一个高精度的MATLAB计算平台，专门用于通过多种重标极差（R/S）分析方法估算时间序列的Hurst指数。项目不仅实现了Mandelbrot提出的经典R/S分析算法，重点在于集成了多种修正的R/S分析版本（如Lo's Modified R/S），以解决经典方法在面对短期自相关和非平稳性时的偏差问题。主要功能详情如下：1. 数据预处理模块，支持对原始时间序列进行对数收益率转换、去趋势处理（Detrending）和标准化，确保输入数据的平稳性；2. 核心算法引擎，能够计算不同时间滞后尺度（n）下的R/S统计量，并应用Lo的加权自协方差修正技术调整分母的标准差，从而有效过滤掉短期记忆（Short-term Memory）的干扰，分离出真正的长期记忆特征；3. 线性回归分析模块，程序会自动绘制log(R/S)与log(n)的双对数坐标图，并通过普通最小二乘法（OLS）拟合直线，提取其斜率作为Hurst指数的估计值；4. 统计检验功能，计算V统计量（V-statistic）并在不同置信区间（如90%、95%、99%）下判断序列的长程依赖性（Long-range Dependence），智能判定时间序列属于随机游走（布朗运动）、持久性趋势（H>0.5）还是反持久性均值回归（H<0.5）特征。该系统广泛适用于金融计量经济学中的市场有效性验证、水文学中的径流预测、气候变化分析及网络流量建模等领域。

详 情 说 明

基于多重修正R/S分析的Hurst指数计算系统

项目简介

本项目构建了一个高精度的MATLAB计算平台，专门用于通过多种重标极差（R/S）分析方法估算时间序列的Hurst指数。系统集成了经典R/S分析算法与Lo's修正R/S分析技术，能够有效解决经典方法在面对短期自相关和非平稳性时的偏差问题，分离出真正的长期记忆特征。

系统内置了模拟数据生成功能、完整的数据预处理流程、核心估算引擎以及统计检验模块，适用于金融计量经济学、水文学及网络流量建模等领域的长程依赖性分析。

功能特性

• 内置模拟数据生成：能够自动生成包含线性趋势、短期自相关噪声（AR过程）以及分数布朗运动特征的模拟金融时间序列，无需外部数据即可演示算法效果。
• 专业数据预处理：包含对数收益率转换、去趋势处理（Detrending）以及Z-Score标准化，确保输入数据满足分析要求。
• 双重分析引擎：

* 经典R/S分析：基于Mandelbrot提出的统计算法。 * Lo氏修正R/S分析：引入加权自协方差修正技术，消除短期记忆对Hurst指数估算的干扰。

• 自适应滞后选择：在计算修正R/S统计量时，采用基于AR(1)系数的数据驱动公式自动计算最优截断滞后阶数（Likelihood of lag q）。
• 统计假设检验：计算Lo的V统计量（V-statistic），并基于95%置信区间对序列的长程依赖性进行显著性检验。
• 可视化报告：自动生成原始序列图、收益率图、双对数回归拟合图以及V统计量趋势图。

系统要求

• MATLAB R2016a 或更高版本
• 无需额外工具箱（Signal Processing System 或 Econometrics Toolbox 非必须，代码主要基于基础函数实现）

使用方法

由于代码采用了单文件架构，直接在MATLAB环境中运行 main 函数即可启动分析流程。系统将依次执行数据生成、处理、计算、回归及绘图，并在命令窗口输出详细的统计报告。

核心算法与实现逻辑详解

系统基于 main.m 的实际代码实现，主要分为以下几个处理阶段：

1. 数据模拟与导入

为保证独立运行能力，系统首先生成长度为2048的样本数据。数据构造逻辑为：基础价格 + 累积噪声 + 线性趋势。其中噪声部分引入了一阶自回归（AR(1)）特征，以此模拟市场中常见的短期记忆干扰，用于测试修正算法的有效性。

2. 数据预处理

在进入R/S分析前，代码对原始价格序列进行了严格的平稳化处理：

• 对数收益率计算：通过 diff(log(price)) 将非平稳的价格序列转换为收益率序列。
• 去趋势（Detrending）：对收益率进行中心化处理，减去均值。
• 标准化：执行 (X - mean)/std 操作，统一数据量纲。

3. 多尺度R/S计算引擎

这是本项目的核心部分，系统定义了从最小尺度（16）到最大尺度（N/2）的一系列分割点 n，并对每个尺度执行以下操作：

• 区段划分：将总序列划分为长度为 n 的互不重叠子区间。
• R值计算：对每个子区间计算累积截距序列的极差（最大值减最小值）。
• S值计算（经典版）：直接计算子区间的标准差。
• S值计算（Lo氏修正版）：

* 计算一阶自相关系数 $rho_1$。 * 应用 Andrews/Lo 的数据驱动公式 $q = [((3n/2)^{1/3} cdot (2rho_1 / (1-rho_1^2))^{2/3})]$ 自动确定最优滞后阶数 $q$。 * 利用 Bartlett用于权重的Newey-West估计量，计算加权自协方差项。 * 将加权自协方差项加回样本方差中，得到修正后的标准差 $S_{lo}$，以此过滤短期自相关性。

4. Hurst指数估算（线性回归）

系统分别收集经典和修正后的R/S值，在双对数坐标系 $log(n) - log(R/S)$ 下进行普通最小二乘法（OLS）线性回归。

• 回归直线的斜率即为 Hurst指数。
• 代码同时计算拟合优度（$R^2$），用于评估分形特征的稳定性。

5. 全局V统计量检验

代码单独实现了一个函数 calculate_global_v_statistic，用于对全长序列进行非参数检验：

• 计算全序列的修正R/S值。
• 计算统计量 $V_N = (R/S) / sqrt{N}$。
• 将计算结果与Lo (1991) 提供的95%置信区间 $[0.809, 1.862]$ 进行比对，从而在统计学上判断是否拒绝“随机游走”的原假设。

6. 结果判读与可视化

系统最后根据计算出的Hurst指数进行定性分析：

• H < 0.45：判定为反持久性（均值回归）。
• 0.45 <= H <= 0.55：判定为随机游走。
• H > 0.55：判定为持久性（长记忆效应）。

同时绘图展示四个子图：

1. 原始时间序列：展示模拟价格走势。
2. 标准化收益率：展示去趋势后的波动情况。
3. Hurst指数回归分析：在同一张双对数图上对比经典R/S（蓝色）和修正R/S（红色）的拟合斜率，直观展示短期记忆对经典方法的干扰以及修正方法的效果。
4. V统计量趋势：展示 $V_n$ 随时间尺度变化的稳定性。