Por qu es interesante el exponente de Hurst?

El exponente de Hurst ocurre en varias reas de las matemticas aplicadas, incluyendo los fractales y la teora del caos, procesos de larga memoria y anlisis espectral. La estimacin del exponente de Hurst se ha aplicado en reas que van desde la biofsica a las redes de computadoras. La estimacin del exponente de Hurst fue desarrollada originalmente en la hidrologa. Sin embargo, las modernas tcnicas para estimar el exponente de Hurst vienen de las matemticas fractales. Las matemticas y las imgenes derivadas de la geometra fractal estallaron en el mundo en los aos 1970s y 1980s. Es difcil pensar en un rea de la ciencia que no haya sido influenciado por la geometra fractal. Adems de proporcionar una nueva visin de las matemticas y la ciencia, la geometra fractal nos ayud a ver el mundo que nos rodea de una manera diferente. La naturaleza est llena de formas auto-similares fractales, como la hoja de helecho. Una forma auto-similar est compuesta por un patrn bsico que se repite en escalas mltiples (o infinitas). Un ejemplo de una forma auto-similar artificial es la pirmide de Sierpinski que se muestra en la Figura 1.

Figura 1, Pirmide auto-similar de cuatro lados de Sierpinski Ms ejemplos de formas auto-similares,incluyendo la hoja de helecho,se pueden encontar en The Dynamical Systems and Technology Project de la Boston University. El exponente de Hurst est tambin directamente relacionado con la "dimensin fractal", lo que da una medida de la rugosidad de una superficie. La dimensin fractal se ha utilizado para medir la rugosidad de las costas, por ejemplo. La relacin entre la dimensin fractal, D, y el exponente de Hurst, H, es D = 2 H (1)

Tambin hay una forma de auto-similitud llamada auto-similitud estadstica. Suponiendo que tenemos uno de esos conjuntos imaginarios infinitos de datos auto-similares, cualquier seccin del conjunto de datos tiene las mismas propiedades estadsticas que cualquier otro. La autosimilitud estadstica se produce en un nmero sorprendente de reas de la ingeniera. Las trazas del trfico de redes de computadoras son auto-similares (como se muestra en la Figura 2)

Figure 2, Trfico de red auto-similar

La Auto-similitud tambin se ha encontrado en las trazas de referencia de memoria. Redes congestionadas, donde buffers de TCP/IP comienzan a llenarse, pueden mostrar comportamiento auto-similar catico. La estructura auto-similar observada en los sistemas reales ha hecho de la medicin y simulacin de datos auto-similares un tema activo en los ltimos aos. Otros ejemplos de auto-similitud estadstica existen en la cartografa (la medicin de las lneas de costa), los grficos por ordenador (la simulacin de las montaas y colinas), biologa (la medicin de los lmites de una colonia de moho) y medicina (medicin del crecimiento neuronal). Caminos aleatorios y Memoria Larga Un camino aleatorio uni-dimensional puede ser generado arrancando en cero y seleccionando un nmero aleatorio Gaussiano. En el siguiente paso (en este caso 1), aadir el nmero aleatorio gaussiano al valor anterior (0). A continuacin, seleccionar otro nmero aleatorio Gaussiano y en el prximo paso del tiempo (2) se aade a la posicin anterior, etc .. paso valor 0 0 1 0 + R0 1 R0 + R1 2 R0 + R1 + R2 etc... Aqu Rn es un nmero aleatorio Gaussiano. Los Caminos aleatorios a veces se conocen como movimiento Browniano o ruido Gaussiano. La figura 3 muestra una grfica de este tipo de camino aleatorio simple.
N := 1024
A
i+ 1

i := 0 .. N 1
i

r := rnorm ( N , 0 , 1)

A := 0
0

:= A + r
i

La estimacin del exponente de Hurst para un conjunto de datos proporciona una medida de si los datos son un camino aleatorio puro o tiene tendencias subyacentes. Otra manera de decir esto es que un proceso aleatorio con una tendencia subyacente tiene un cierto grado de autocorrelacin (se abundar en esto ms adelante). Cuando la autocorrelacin tiene un decaimiento muy largo (o infinito matemticamente) este tipo de proceso Gaussiano se refiere a veces como un proceso de memoria largo.
C := correl ( A , A ) max( correl ( A , A ) )

Figure 3, Un camino aleatorio

1 0.5 Ci 0 0.5 i 500 110

3

1.510

Los procesos que nosotros, ingenuamente podramos asumir que son puramente aleatorios a veces resultan exhibir exponente de Hurst estadstico para procesos de memoria larga. Un ejemplo se ve en el trfico de redes informticas. Podramos esperar que el trfico de la red sera mejor simulado teniendo algn nmero de fuentes aleatorias enviando paquetes de tamao al azar en la red. Siguiendo esta lnea de pensamiento, la distribucin puede ser de Poisson (un ejemplo de distribucin de Poisson es el nmero de personas al azar que llegan a un restaurante por un perodo de tiempo determinado). Como resultado, el modelo ingenuo de trfico de la red puede estar equivocado. El trfico de red se modela mejor mediante un procedimiento que muestra un exponente de Hurst no aleatorio. El exponente de Hurst y el Movimiento Browniano fraccional Los caminos Brownianos se pueden generar a partir de un exponente de Hurst definido. Si el exponente de Hurst es 0.5 <H <1.0, el camino aleatorio ser un proceso de memoria larga. Los conjuntos de datos de este tipo se refieren a veces como el movimiento Browniano fraccional (abreviado fBm). El movimiento Browniano fraccional puede ser generada por una variedad de mtodos, incluyendo la sntesis espectral utilizando la transformada de Fourier o la transformacin wavelet. Aqu, la densidad espectral es proporcional a la Ecuacin 2 (al menos para la transformada de Fourier):

El movimiento Browniano fraccional se refiere a veces como ruido 1/f. Dado que estos caminos aleatorios se generan a partir de variables aleatorias Gaussianas (conjunto de nmeros), ellos tambin se conocen como ruido Gaussiano fraccional (o fGn).

La dimensin fractal proporciona una indicacin de cun spera es una superficie. Como muestra la ecuacin (1), la dimensin fractal est directamente relacionada con el exponente de Hurst para un conjunto de datos estadsticamente auto-similares. Un pequeo exponente de Hurst tiene una dimensin fractal alta y una superficie ms rugosa. Un mayor exponente de Hurst tiene una dimensin fractal ms baja y una superficie ms lisa. Esto se muestra en la Figura 4.

Figure 4, Movimiento Fraccional Browniano y el exponente deHurst

El exponente de Hurst y las Finanzas Mi inters en el exponente de Hurst fue motivado por los conjuntos de datos financieros (series temporales), como el precio diario de cierre o retorno-5 das para un stock. Originalmente, me adentr en la estimacin de exponente de Hurst, porque experiment con compresin wavelet como un mtodo para la estimacin de la previsibilidad de una serie de tiempo financiera (vase la compresin Wavelet, el determinismo y la prediccin de series de tiempo Mi punto de vista de las series de tiempo financieras, en ese momento, era el ruido mezclado con la predictibilidad. Le sobre el exponente de Hurst y pareca ofrecer alguna estimacin de la cantidad de predictibilidad en un conjunto de datos ruidosos (por ejemplo, un proceso al azar). Si la estimacin del exponente de Hurst confirmaba el resultado de la compresin wavelet, es posible que haya alguna razn para creer que la tcnica de compresin wavelet era fiable. Yo tambin he ledo que el exponente de Hurst se puede calcular mediante un escalograma wavelet (por ejemplo, un plot del espectro de frecuencias). Yo saba cmo utilizar wavelets para el anlisis espectral, as que pens que el clculo exponente de Hurst sera fcil. Simplemente podra reutilizar el cdigo de wavelet que haba desarrollado para el anlisis espectral. Lamentablemente las cosas muchas veces no son tan simples como parecen. Mirando hacia atrs, hay una serie de cosas que yo no entenda: 1. El exponente de Hurst es no tanto calculado como estimado. Una variedad de tcnicas existen para hacer esto y la exactitud de la estimacin puede ser una cuestin complicada. 2. Probar el software para estimar el exponente de Hurst puede ser dificultoso. La mejor manera de probar algoritmos para calcular el exponente de Hurst es utilizar un conjunto de datos que tienen un valor conocido del exponente de Hurst. Este conjunto de datos se refiere como movimiento fraccional Browniano (o ruido Gaussiano fractal). Como he aprendido, generar conjuntos de datos con movimiento fraccional Browniano es un tema complejo. Por lo menos tan complejo como la estimacin del exponente de Hurst.

3. La evidencia de que las series de tiempo financieras son ejemplos de los procesos de memoria larga es mixto. Cuando se estima el exponente de Hurst, el resultado refleja un proceso de memoria larga o un proceso de la memoria a corta, tal como la autocorrelacin? Ya que la autocorrelacin est relacionada con el exponente de Hurst (ver ecuacin 3, abajo), es esto realmente un problema o no? Me di cuenta que no era el nico que piensa que el exponente de Hurst puede proporcionar resultados interesantes cuando se aplican a los datos financieros. La naturaleza fractal intuitiva de los datos financieros (por ejemplo, la serie de tiempos retorno 5 das en la Figura 5) ha llevado a un nmero de personas a aplicar las matemticas de los fractales y el caos en el anlisis de estas series de tiempo.

Figura 5 Antes de empezar a trabajar en el software del exponente de Hurst le unos cuantos artculos sobre la aplicacin del clculo del exponente de Hurst a series de tiempo financieras, no me di cuenta de cunto trabajo se ha hecho en esta rea. Algunas referencias se enumeran a continuacin.

Benoit Mandelbrot, who later became famous for his work on fractals, wrote the early papers on the application of the Hurst exponent to financial time series. Many of these papers are collected in Mandelbrot's book Fractals and Scaling in Finance, Springer Verlag, 1997. Edgar Peters' book Chaos and Order in the Capital markets, Second Edition spends two chapters discussing the Hurst exponent and its calculation using the the rescaled range (RS) technique. Unfortunately, Peters only applies Hurst exponent estimation to a few time series and provides little solid detail on the accuracy of Hurst exponent calculation for data sets of various sizes. Long-Term Memory in Stock Market Prices, Chapter 6 in A Non-Random Walk Down Wall Street by Andrew W. Lo and A. Craig MacKinlay, Princeton University Press, 1999. This chapter provides a detailed discussion of some statistical techniques to estimate the Hurst exponent (long-term memory is another name for a long memory process). Lo and MacKinlay do not find long-term memory in stock market return data sets they examined.

In the paper Evidence of Predictability in Hedge Fund Returns and Multi-Style MultiClass Tactical Style Allocation Decisions by Amenc, El Bied and Martelli, April 2002) the authors use the Hurst exponent as one method to analyze the predictability of hedge funds returns. John Conover applies the Hurst exponent (along with other statistical techniques) to the analysis of corporate profits. See Notes on the Fractal Analysis of Various Market Segments in the North American Electronics Industry (PDF format) by John Conover, August 12, 2002. This is an 804 page (!) missive on fractal analysis of financial data, including the application of the Hurst exponent (R/S analysis). John Conover has an associated root web page Software for Industrial Market Metrics which has links to Notes on the Fractal Analysis... and associated software source code (along with documentation for the source code).

El exponente de Hurst, Procesos de Memoria Larga y Leyes de Potencia Que las series de tiempo econmicas pueden presentar dependencia a largo plazo ha sido una hiptesis de muchas de las primeras teoras de los ciclos comerciales y de negocios. Estas teoras fueron motivadas a menudo por los distintos patrones cclicos, pero no peridicos, algunos que parecen casi tan largos como todo el lapso de la muestra. En el dominio de la frecuencia tales series de tiempo se dice que tienen potencia a bajas frecuencias. Tan comn es esta caracterstica particular de los datos que Granger (1966) considera que la "tpica forma espectral de una variable econmica." Tambin se ha llamado "efecto Joseph" por Mandelbrot y Wallis (1968), una referencia bblica juguetona, pero no la adecuada del profeta del Antiguo Testamento que predijo los siete aos de abundancia seguidos por siete aos de hambre que Egipto iba a experimentar. En efecto, la predileccin de la naturaleza hacia la dependencia a largo plazo ha sido bien documentado en la hidrologa, meteorologa, geofsica, etc. [Introduccin al captulo 6, A Non-Random Walk Down Wall Street by Andrew W. Lo and A. Craig MacKinlay, Princeton University Press, 1999.] Aqu dependencia a largo plazo es el mismo que un proceso de memoria larga. La economa moderna depende en gran medida en las estadsticas. La mayora de las estadsticas se basa en la distribucin normal Gaussiana. Este tipo de distribucin se produce en los datos financieros. Por ejemplo, el retorno 1-da en las existencias se ajusta estrechamente a una curva Gaussiana. En este caso, el retorno de ayer no tiene nada que ver con el retorno de hoy. Sin embargo, a medida que el perodo de retorno se mueve hacia fuera, a 5-das, 10-das y 20-das, la distribucin cambia a una distribucin log-normal. Aqu las "colas" de la curva siguen una ley de potencias. Estas series de tiempo de retorno ms largo tienen una cierta cantidad de autocorrelacin y un exponente de Hurst no aleatorio. Esto ha sugerido a muchas personas que estas series de tiempo de retorno ya no son procesos de memoria larga. Me ha sido difcil encontrar una definicin intuitiva para el proceso de memoria a largo plazo, as que voy a dar mi definicin: un proceso de la memoria a largo plazo es un proceso con un componente azaroso, donde un evento pasado tiene un efecto de decaimiento sobre los eventos futuros. El proceso tiene algo de memoria de eventos pasados, lo cual es "olvidado" a media que el tiempo transcurre. Por ejemplo, grandes operaciones en un mercado movern el precio de mercado (por ejemplo, una orden de compra grande tender a mover el precio hacia arriba, una orden de venta grande tender a mover hacia abajo el precio). Este efecto se conoce como impacto en el mercado (vase The Market Impact Model de Nicolo Torre, BARRA Newsletter, Winter 1998). Cuando una orden tiene impacto de mercado cuantificable, el precio de mercado no rebotar de inmediato al precio anterior, despus de que la orden se ejecuta. El mercado acta como si tuviera un poco de "memoria" de lo que se llev a cabo y el efecto de la orden decae travs del tiempo. Procesos similares permiten momemtum trading para tener algn valor.

La definicin matemtica de los procesos de memoria largos se da en trminos de autocorrelacin. Cuando un conjunto de datos exhibe autocorrelacin, un valor xi en el tiempo ti est correlacionada con un valor xi + d en el momento de ti + d, donde d es cierto incremento de tiempo en el futuro. En un proceso de memoria largo la autocorrelacin decae travs del tiempo y la decadencia sigue una ley de potencias. Una serie de tiempo construida a partir de retornos30 das de precios de stocks tiende a mostrar este comportamiento. En un proceso de la memoria largo la decadencia de la funcin de autocorrelacin para una serie de tiempo es una ley de potencias: (3) En la Ecuacin 3, C es una constante y p(k) es la funcin de autocorrelacin con lag k. El exponente de Hurst est relacionada con el exponente alfa en la ecuacin por

(4) Los valores del exponente de Hurst varan entre 0 y 1. Un valor de 0.5 indica un verdadero camino al azar (una serie de tiempo Browniana). En un camino aleatorio no hay correlacin entre cualquier elemento y un elemento futuro. Un valor del exponente de Hurst 0.5 <H <1 indica "comportamiento persistente" (por ejemplo, una autocorrelacin positiva). Si hay un aumento desde el paso de tiempo ti-1 al ti probablemente habr un aumento de ti al ti+1. Lo mismo es cierto para disminuciones, donde a una disminucin tender a seguir una disminucin. Un valor del exponente de Hurst 0 <H <0.5 existir para una serie de tiempo con "comportamiento anti-persistente" (o autocorrelacin negativa). Aqu un aumento tiende a ser seguido por una disminucin. O una disminucin ser seguida por un aumento. Este comportamiento a veces se llama "reversin media". Entonces, quin es este hombre de Hurst? Hurst pas toda una vida estudiando el Nilo y los problemas relacionados con el almacenamiento de agua. l invent un nuevo mtodo estadstico - el rescaled range analysis (anlisis R/S) - que se describe en detalle en un libro interesante, Long-Term Storage: An Experimental Study (Hurst et al., 1965). Uno de los problemas estudiados por Hurst era del tamao de la construccin de depsitos. Si se construye un depsito ideal, se va a almacenar suficiente agua durante la estacin seca, de modo que nunca se agota. La cantidad de agua que fluye hacia adentro y afuera del depsito es un proceso aleatorio. En el caso del flujo de entrada, el proceso aleatorio es impulsado por la lluvia. En el caso del flujo de salida, el proceso es impulsado por la demanda de agua. El exponente de Hurst, Wavelets y el Clculo Rescaled Range Como he mencionado en otra parte, cuando se trata de wavelets, yo soy el tipo con un martillo para el que todos los problemas son un clavo. Una de las cosas fascinantes acerca de la transformada wavelet es el nmero de reas en las que se puede utilizar. Como resultado, una de estas aplicaciones incluye la estimacin del exponente de Hurst. (He referido al clculo del exponente de Hurst como una estimacin porque el valor del exponente de Hurst no puede calcularse exactamente, ya que es una medicin aplicada a un conjunto de datos. Esta medida tendr siempre un cierto error.) Como yo ya haba desarrollado paquetes de software de wavelets, pens que sera una tarea sencilla calcular el exponente de Hurst. Sin embargo, no acababa de entender el mtodo utilizado en este trabajo, por lo que decid implementar el software para el clculo clsico

rescaled range de Hurst. Luego, podra utilizar el clculo de Hurst para comprobar el resultado devuelto por mi software de wavelet. Comprensin del Clculo del Rescaled Range (R/S) No tuve problemas para encontrar referencias sobre el estadstico Rescaled Range. Una bsqueda en Google de "Rescaled Range" Hurst devolvi ms de 700 referencias. Lo que tena dificultad para encontrar fueron referencias correctas y que yo pudiera entender lo suficientemente bien como para implementar el algoritmo de Hurst. Una de las fuentes a las que me dirig fue el Chaos and Order in the Capital Markets, Segunda Edicin, Edgar E. Peters, (1996). Este libro proporciona una buena visin general de alto nivel del exponente de Hurst, pero no me proporcion suficientes detalles que me permitan implementar el algoritmo. Peters basa su discusin sobre el exponente de Hurst en los captulos 8 y 9 del libro fractales de Jens Feder (1988). Usando el libro de Feder, y un poco ms de iluminacin de algunos trabajos de investigacin, fui capaz de implementar el software para el algoritmo clsico Rescaled Range propuesto por Hurst. Una de las fuentes a las que me dirig fue el Caos y el Orden en el libro de los Mercados de Capital, La descripcin del estadstico Rescaled Range de Hurst en esta pgina web inspira en gran medida del libro Jens Feder Fractals. Plenum Press, parece haber sido comprado por Kluwer, un editor conocido por sus altos precios. Fractals aparece en Amazon por 86 dlares. Para un libro publicado en 1988, que no incluye el trabajo posterior en el movimiento browniano fraccional y largos procesos de memoria, esto es un precio bastante elevado (tuve la suerte de comprar una copia usada de Abe Books). Dado que el precio y la edad de este libro hace que el material Prof. Feder relativamente inaccesible, he hecho ms que simplemente un resumen de las ecuaciones y se incluyeron algunos de los diagramas de Feder. Si por alguna razn el profesor Feder tropieza en esta pgina web, espero que va a perdonar a este tramo de doctrina del "uso justo". Modelado del reservorios El clculo de Hurst tiene ms sentido para m en el contexto en el que se desarroll: el modelado de reservorios. Esta descripcin y las ecuaciones que refleja Fractales de Jens Feder. Por supuesto, cualquier error en esta traduccin es ma. El agua de las Sierras de California corre a travs de cientos de kilmetros de tuberas hasta el depsito de Crystal Springs, a unos cincuenta kilmetros al sur de San Francisco. La Ecuacin 5 muestra la afluencia promedio (media) de agua a travs de las tuberas durante un perodo de tiempo. Ecuacin 5, promedio (media) entrante en el tiempo (5) El agua en el reservorio Crystal Springs proviene de la nieve de la Sierra. Algunos aos hay una capa de nieve pesada y un montn de flujos de agua en el depsito de Crystal Springs. Otros aos, la capa de nieve es fina y la entrada de Crystal Springs no coincide con el uso del agua para las comunidades sedientas de la zona de Silicon Valley y San Francisco. Podemos representar la entrada de agua durante un ao como . La desviacin respecto de la media para ese ao es (el flujo entrante para el ao u menos la media). Note que la media es calculada sobre algn periodo multi-ao . La ecuacin 6 es una sumatoria de la desviacin acumulada desde la media, para los aos 1 a .

No encuentro esta notacin del todo clara. As que he re-expresado las ecuaciones 5 y 6 en el pseudo-cdigo siguiente:

La Figura 6 muestra un plot de los puntos X(t).

Figura 6 - Graph by Liv Feder from Fractals by Jens Feder, 1988 El rango, es la diferencia entre el valor mximo X(tb) y el valor mnimo de X(ta) , durante el perodo de tiempo . Esto se resume en la ecuacin 7.

La figura 7 muestra Xmax el mximo de la suma de la desviacin de la media, y Xmin, el mnimo de la suma de la desviacin de la media. X(t) es la suma de la desviacin de la media en el tiempo t.

Figura 7 - Illustration by Liv Feder from Fractals by Jens Feder, 1988 El rescaled range se calcul dividiendo el rango (8) La ecuacin (9) muestra el clculo de la desviacin estndar sobre el rango . por la desviacin estndar:

(9) La estimacin del exponente de Hurst desde el Rescaled Range El exponente de Hurst se estima mediante el clculo del promedio Rescald Range sobre mltiples regiones de los datos. En estadstica, el promedio (media) de un conjunto X de datos se escribe a veces como el valor esperado, E[X] . Utilizando esta notacin, el valor esperado de R/S, calculado sobre un conjunto de regiones (arrancando de un tamao de la regin, de 8 10) converge en la funcin de potencia exponente de Hurst, que se muestra en la ecuacin (10)

(10) Si el conjunto de datos es un camino aleatorio, el valor esperado se describe por una funcin de potencia con un exponente de 0.5.

(11) A veces he visto a la ecuacin (11) referida como "la dependencia de corto plazo". Esto parece ser incorrecto para m. La dependencia de corto plazo debe tener cierta autocorrelacin (lo que indica una cierta dependencia entre el valor xi y el valor xi+1). Si hay un exponente de Hurst de 0.5, es un camino aleatorio y no hay autocorrelacin y no hay dependencia entre los valores secuenciales. Se puede trazar una lnea de regresin lineal a travs de un conjunto de puntos, compuesto por el logaritmo de n (el tamao de las reas sobre las que se calcula el promedio rescaled range) y se calcula el logaritmo del promedio rescaled range sobre un conjunto de regiones de tamao n.

La pendiente de la recta de regresin es la estimacin del exponente de Hurst. Este mtodo para estimar el exponente de Hurst fue desarrollado y analizado por Benoit Mandelbrot y sus coautores de trabajos publicados entre 1968 y 1979. El exponente de Hurst se aplica a los conjuntos de datos que son estadsticamente autosimilares. Estadsticamente auto-similares significa que las propiedades estadsticas para el conjunto de datos son los mismos para las sub-secciones del conjunto de datos. Por ejemplo, las dos mitades del conjunto de datos tienen las mismas propiedades estadsticas que el conjunto de datos. Esto se aplica para estimar el exponente de Hurst, donde se estima el rescaled range sobre secciones de diferente tamao. Como se muestra en la Figura 8, el rescaled range se calcula para el conjunto de datos (aqu RSave0 = RS0). Entonces el rango reescalado se calcula para las dos mitades del conjunto de datos, resultando en RS0 y RS1. Estos dos valores son promediados, resultado RSave1. En este caso, el proceso contina dividiendo cada una de las secciones anteriores en un medio y calculando el rango reescalado para cada nueva seccin. Los valores de rescaled range para cada seccin se promedian. En algn momento la subdivisin se detiene, ya que las regiones se hacen demasiado pequeas. Por lo general, las regiones tendrn por lo menos 8 puntos de datos. Figura 8, Estimacin del Exponente de Hurst

Para estimar el exponente de Hurst usando el algoritmo rescaled range, se crea un vector de puntos, donde xi es el log2 del tamao de la regin de datos usada para calcular RSavei e yi es el log2 del valor RSavei. Esto se muestra en la Tabla 1. Tabla 1 region size RS ave. Xi: log2(region size) Yi: log2(RS ave.) 1024 96.4451 10.0 6.5916 512 55.7367 9.0 5.8006 256 30.2581 8.0 4.9193 128 20.9820 7.0 4.3911 64 12.6513 6.0 3.6612 32 7.2883 5.0 2.8656 16 4.4608 4.0 2.1573 8.0 2.7399 3.0 1.4541 El exponente de Hurst se estima por una recta de regresin lineal a travs de estos puntos. Una lnea tiene la forma y = a + bx, donde a es la ordenada al origen y b es la pendiente de la lnea. Una lnea de regresin lineal calculada a travs de los puntos en la Tabla 1 da como resultado una ordenada al origen de -0.7455 y una pendiente de 0.7270. Esto se muestra en la Figura 9, debajo. La pendiente es la estimacin del exponente de Hurst. En este caso, el exponente de

Hurst se calcul para un conjunto de datos sintticos fijados con un exponente de Hurst de 0.72.

Figura 9 La figura 10 muestra un diagrama de autocorrelacin para este conjunto de datos. La lnea azul es la curva de potencia aproximada

Figura 10 Variaciones Bsicas sobre el algoritmo de Hurst El algoritmo descrito aqu utiliza regiones de datos que no se solapan donde el tamao del conjunto de datos es una potencia de dos. Cada sub-regin es un componente de potencia de dos. Otras versiones del algoritmo de Hurst utilizan regiones superpuestas y no estn limitadas a que los tamaos de datos sean una potencia de dos. En mis pruebas no he encontrado que las regiones que se solapan produzcan un resultado ms exacto. Eleg un algoritmo con temao de datos potencia de dos porque quera comparar el estadstico rescaled range al clculo del exponente de Hurst utilizando la transformada wavelet. La transformada wavelet se limita a los conjuntos de datos donde el tamao es una potencia de dos.