如何用 Python 计算 Hurst 指数判断「趋势还是均值回归」？R/S 分析实现

Q: Hurst 和自相关、方差比检验什么关系？

都在测「序列有没有记忆」。收益自相关看一阶线性相关；方差比（VR）检验看多期方差是否偏离随机游走；Hurst 用 R/S 看跨尺度的长期记忆。三者互为印证，建议结合看。

Q: H=0.6 就能上趋势策略吗？

不建议。0.6 且样本只有几百点时统计上离随机游走不远；应结合更长样本、DFA 复核、以及实际回测再决定，Hurst 只是方向性参考。

Q: 需要付费吗？

单只股票长周期日线在免费额度内即可；若要对**全市场**批量算 Hurst 找「最具趋势性/最具回归性」的票，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-10

如何用 Python 计算 Hurst 指数判断「趋势还是均值回归」？

一句话回答： Hurst 指数（赫斯特指数 H）用 R/S 重标极差分析衡量一段序列的「长期记忆」：H>0.5 偏趋势（持续性，追涨更可能有效）、H≈0.5 近随机游走（无规律）、H<0.5 偏均值回归（反转，抄底/高抛更可能有效）。用 AlphaFeed 取前复权日线算日收益，再对不同时间窗口拟合 log(R/S)~log(n) 的斜率即可得 H——它帮你在「上趋势策略还是回归策略」之间先做个方向判断。

为什么会有这个问题 / 传统做法的痛点

同一套均线/突破策略，在趋势品种上赚钱、在震荡品种上来回打脸；而网格/均值回归策略正好相反。问题是「这只票、这段时间到底是趋势还是震荡」常凭感觉。Hurst 指数给了一个量化口径：它不预测涨跌，而是刻画序列有没有”惯性”。痛点在于算 Hurst 要有干净、足够长、复权正确的收益序列——除权缺口或样本太短都会让 R/S 分析失真。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线，转成日收益序列

from alphafeed import AlphaFeed
import numpy as np, pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=1000,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)
ret = df["close"].pct_change().dropna().values     # 对「收益」算 Hurst，衡量收益的持续性

对收益序列而非价格水平算 Hurst，才是衡量「涨跌有没有惯性」。前复权与足够长（这里 ~1000 根）是前提。

第 2 步：R/S 重标极差分析，拟合斜率得 H

def hurst_rs(ts, min_n=8, max_n=128):
    ts = np.asarray(ts, float); N = len(ts)
    ns, rss = [], []
    n = min_n
    while n <= min(max_n, N // 2):
        chunks = N // n
        rs = []
        for i in range(chunks):
            seg = ts[i*n:(i+1)*n]
            dev = np.cumsum(seg - seg.mean())        # 累计离差
            R = dev.max() - dev.min()                # 极差
            S = seg.std(ddof=0)                       # 标准差
            if S > 0: rs.append(R / S)               # 重标极差 R/S
        if rs: ns.append(n); rss.append(np.mean(rs))
        n *= 2
    # log(R/S) 对 log(n) 的斜率即 Hurst
    return float(np.polyfit(np.log(ns), np.log(rss), 1)[0])

print("Hurst =", round(hurst_rs(ret), 3))

实测（tools/verify_new_2026-10-10.py，SDK 0.1.4）：贵州茅台近 999 个日收益 Hurst ≈ 0.611，略大于 0.5，判为「偏趋势/持续」。

第 3 步：多只股票横向对比

syms = ["600519.SH", "000001.SZ", "601318.SH"]
data = af.klines.batch(syms, period="1d", count=1000, adjust="forward", to_dataframe=True)
for s, k in data.items():
    r = k.sort_values("trade_date")["close"].pct_change().dropna().values
    print(s, round(hurst_rs(r), 3))

实测：000001.SZ 0.607、601318.SH 0.616，三只都在 0.60~0.62——同期日收益都略偏持续，但都离 0.5 不远，解读需谨慎（见下）。

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	前复权	必须，除权缺口会污染收益序列
`ret`	日收益序列	对收益算 Hurst，衡量涨跌惯性
`min_n/max_n`	子窗口大小范围	需 ≤ N/2，太大则样本不足
`R`	累计离差的极差	Rescaled Range 的 R
`S`	子段标准差	做”重标”
Hurst (H)	log(R/S)~log(n) 斜率	>0.5 趋势 / ≈0.5 随机 / <0.5 回归

关键坑与注意事项

短样本噪声极大：R/S 分析对长度敏感，几百个点算出的 H 置信度低，0.5±0.1 内都应视为「接近随机」而非确凿趋势。本文多股都在 0.6 附近、离 0.5 不远，不宜过度解读。
对收益算，不是对价格算：对价格水平（非平稳、带趋势）算 R/S 会系统性偏高，必须先转收益。
R/S 有已知偏差：经典 R/S 对短序列估计偏高，更严谨可用 DFA（去趋势波动分析）或对 R/S 做小样本偏差校正。
H 不预测方向：它只说「有没有惯性」，不说涨还是跌；趋势性强≠会涨。
区间依赖：换时间段 H 会变，市场状态本身在切换，别把一次结果当常量。
前复权必须：否则除权日的巨大收益跳变会扭曲极差。

常见问题（FAQ）

Q：Hurst 和自相关、方差比检验什么关系？ A：都在测「序列有没有记忆」。收益自相关看一阶线性相关；方差比（VR）检验看多期方差是否偏离随机游走；Hurst 用 R/S 看跨尺度的长期记忆。三者互为印证，建议结合看。

Q：H=0.6 就能上趋势策略吗？ A：不建议。0.6 且样本只有几百点时统计上离随机游走不远；应结合更长样本、DFA 复核、以及实际回测再决定，Hurst 只是方向性参考。

Q：需要付费吗？ A：单只股票长周期日线在免费额度内即可；若要对全市场批量算 Hurst 找「最具趋势性/最具回归性」的票，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

Hurst 指数用 R/S 分析把序列归为趋势、随机或均值回归，帮你在「追趋势还是做回归」之间先定方向。用 AlphaFeed 的前复权日线转成收益序列、几行拟合即可——但务必记住：对收益而非价格算、短样本噪声大、0.5 附近别过度解读，它只描述惯性、不预测涨跌。