“ Hurst 指数”详解
如果你把时间序列看作一场“拔河比赛”，Hurst 指数（Hurst Exponent，简称 $H$） 就是用来判断哪一方占优的终极指标：是**趋势（惯性）占优，还是均值回归（弹性）**占优。
它是分形几何之父曼德博（Benoit Mandelbrot）推广的工具，最初由水利专家 Hurst 用于研究尼罗河水位的储备问题。
1. 数学定义与取值区间
Hurst 指数的取值范围通常在 $0$ 到 $1$ 之间，根据 $H$ 的大小，我们可以将序列分为三种完全不同的“性格”：
| H 的取值 | 序列类型 | 物理/交易含义 | 记忆特征 |
| $H < 0.5$ | 均值回归 (Mean Reverting) | 具有“反转”特性。跑得越远，回来概率越大。 | 负自相关：过去增加，未来大概率减少。 |
| $H = 0.5$ | 随机游走 (Random Walk) | 纯粹的布朗运动。未来与过去无关。 | 无记忆：类似完美的抛硬币。 |
| $H > 0.5$ | 趋势性 (Trending) | 具有“持久性”。强者恒强，惯性极大。 | 正自相关：过去增加，未来大概率继续增加。 |
2. 为什么均值回归策略偏爱 $H < 0.5$？
在量化交易中，$H$ 指数被视为**“可交易性”**的过滤器：
- $H$ 越接近 0：序列的“弹性”越强。这种序列在偏离均值后会迅速弹回，非常适合震荡策略（如布林带、RSI）。
- 寻找“统计优势”：如果一个价差对（Spread）的 ADF 检验通过了（平稳），且 $H$ 指数只有 $0.35$，那么这个策略的胜率通常会远高于 $H=0.48$ 的序列。
3. $H$ 指数与“长记忆性” (Long Memory)
Hurst 指数与你之前问的自相关性（ACF）有深刻的联系，但维度不同：
- 自相关性：通常关注短期的、阶梯式的记忆（如今天对明天的影响）。
- Hurst 指数：关注的是长期衰减速度。
- 即使一个序列的短期自相关系数不高，如果 $H > 0.5$，它可能存在一种“长记忆”，在数周甚至数月内维持一个隐秘的趋势。
- 这也是为什么 BTC 的周线 $H$ 指数经常大于 $0.5$ 的原因——它存在跨年度的周期惯性。
4. 实战计算：R/S 分析法
计算 $H$ 指数最经典的方法是 重标极差分析法 (Rescaled Range Analysis, R/S)：
- 将序列分成长度为 $n$ 的多个子块。
- 计算每个子块的极差 $R$（最大值减最小值）和标准差 $S$。
- 计算平均重标极差 $R/S$。
- 改变 $n$ 的大小，观察 $R/S$ 随 $n$ 增长的速度。
- 关系式为：$(R/S)_n = C \cdot n^H$。在双对数坐标轴下，斜率就是 $H$。
5. 在加密货币 4H 交易中的应用
回到你关注的 4H 数据样本问题。引入 Hurst 指数可以帮你解决**“伪平稳”**的困惑：
- 场景 A：ADF 检验 $p < 0.05$（平稳），但 $H = 0.49$。
- 诊断：这个平稳非常脆弱，接近随机游走，交易价值低。
- 场景 B：ADF 检验 $p = 0.08$（未严格通过），但 $H = 0.30$。
- 诊断：该序列具有极强的均值回归潜质，可能只是近期噪声太大干扰了 ADF。在 4H 级别，这往往是一个潜伏的获利机会。
总结
Hurst 指数是序列的“基因检测”：
- $H < 0.5$ 是均值回归者的圣杯。
- $H > 0.5$ 是趋势追随者的灯塔。