Hurst Exponent berekenen voor trend-persistentie
Je kent het wel: je kijkt naar een grafiek en je ziet een duidelijke trend.
Of het nu om Bitcoin €50.000 of de S&P 500 gaat, het voelt alsof je de markt een beetje kunt voorspellen. Maar hoe zeker ben je?
Gaat die trend door of klapt hij morgen volledig in elkaar? Hier komt de Hurst Exponent om de hoek kijken. Het is een wiskundige maat die je vertelt of de markt een geheugen heeft. Of hij nu een stijgende lijn doorzet of juist terugkeert naar een gemiddelde.
Het is een tool die je direct in je Python backtesting scripts kunt bouwen.
Zo krijg je meer zekerheid over je trades.
Wat is de Hurst Exponent precies?
Stel je voor dat je een munt opgooit. De uitkomst is willekeurig.
De volgende worp zegt niets over de vorige. De Hurst Exponent (H) meet dit gedrag voor prijsbewegingen. De waarde ligt altijd tussen 0 en 1. Het vertelt je het karakter van de markt.
Is H = 0.5? Dan is het een random walk.
Je hebt geen voordeel. Is H > 0.5?
Dan is er sprake van trend-persistentie. Een stijging nu betekent waarschijnlijk een stijging morgen. Is H < 0.5?
Dan keert de prijs terug naar het gemiddelde. Je ziet een 'mean-reverting' patroon.
Waarom zou je dit gebruiken? Omdat het je helpt om de juiste strategie te kiezen. Je gebruikt geen trendvolgende bot op een markt die H = 0.3 heeft.
Dat kost je alleen maar geld aan transactiekosten. Je wilt de Hurst Exponent berekenen voor je data.
Dit doe je met Python. Het is je kompas in de chaos van de markten. Je wilt weten of je op een paard rijdt dat blijft galopperen (H > 0.5) of een die direct stopt en achteruit gaat (H < 0.5).
De kern: persistentie vs. mean reversion
De magie zit hem in de uitersten. De Hurst Exponent deelt de markt op in drie stukken.
Je wilt weten welk stuk jouw favoriete aandeel of crypto nu speelt.
- H > 0.5 (Trend Persistentie): De markt heeft een geheugen. Een koersstijging van 2% vandaag maakt een stijging morgen waarschijnlijker. Dit is het territorium van momentum-strategieën. Je zet in op doorzetters.
- H = 0.5 (Random Walk): Niets is te voorspellen. De markt is efficiënt. Je geld op een spaarrekening zetten is vaak beter dan traden op deze momenten. Of je moet extreem goede data hebben.
- H < 0.5 (Mean Reversion): De markt schiet heen en weer. Als hij te ver boven het gemiddelde komt, trekt hij weer terug. Dit is ideaal voor strategieën die 'tegengas' geven. Denk aan Bollinger Bands of RSI-strategieën die kopen als het te diep zakt.
Voor de echte traders onder ons: dit bepaalt je hele instapstrategie. Stel je voor dat je een backtest draait op de AEX index. Je ziet dat de Hurst Exponent de afgelopen 3 maanden op 0.65 zit.
Dat is een sterke trend. Je weet nu dat je stop-loss strakker kunt zetten en langer in de trade kunt blijven zitten. De markt helpt je namelijk mee.
De berekening in Python: de praktijk
Je hoeft geen wiskundig genie te zijn. In Python zijn libraries die dit werk voor je doen.
De meest toegankelijke manier is via de hurst library of door een eigen functie te schrijven die naar de standaardafwijking kijkt.
We gebruiken hier de rescaled range (R/S) analyse. Dit is de klassieke methode. Eerst installeer je de library via je terminal: pip install hurst.
Vervolgens laad je je data. Laten we een voorbeeld nemen met een API van een broker zoals Interactive Brokers of Binance.
Je haalt de sluitingsprijzen op. Je berekent de logaritmische returns. Waarom? Omdat prijzen nu eenmaal niet lineair bewegen. Een simpele code snippet ziet er zo uit:
from hurst import compute_Hc import numpy as np # Stel dat 'prices' een lijst is met je prijzen (bijv. Bitcoin koersen) # We gebruiken log returns voor stabiliteit log_returns = np.diff(np.log(prices)) # Bereken H H, c, data = compute_Hc(log_returns, kind='price', simplified=True) print(f"Hurst Exponent: {H}")
Als je H berekent op een reeks van 1000 data punten (bijvoorbeeld 1000 urenkaarsen), moet je letten op de betrouwbaarheid.
Te weinig data geeft een vertekend beeld. Probeer minimaal 500 tot 1000 punten te gebruiken voor een redelijke schatting.
Wat betekent de uitslag voor je trading bot?
Je hebt een getal. Nu de actie. Laten we zeggen je draait een bot op de Euronext.
Je berekent H over de afgelopen 200 dagen. Voor een betere Calmar Ratio berekening voor drawdown analyse, zie je dat de uitkomst 0.3 is. Dit is laag.
De markt keert terug naar zijn gemiddelde. Wat nu? Je schakelt je trendvolgende bot uit. Je zet je mean-reversion bot aan.
Je bot moet nu kopen als de prijs ver onder het 200-dagen gemiddelde zakt (bijvoorbeeld -2 standard deviations) en verkopen zodra hij terug is. De Hurst Exponent bevestigt dat dit werkt. Je vermijdt trades die niet bij de markt passen. Dit bespaart je geld en frustratie.
Is H = 0.7? Dan is er een sterke trend.
Je bot moet agressief instappen. Zet je trailing stop in.
Laat de winst lopen. Een H van 0.7 op een 1-uur grafiek betekent dat de trend waarschijnlijk nog wel even aanhoudt. Je kunt dan ook grotere posities innemen. Je risicomanagement past zich aan de markt aan, niet andersom.
Praktische tips en valkuilen
De Hurst Exponent is geen glazen bol. Er zijn valkuilen. De grootste is de non-stationariteit. Markten veranderen. Een H berekend over een jaar zegt niets over wat er morgen gebeurt.
De markt kan 'switchen' van trend naar range. Je moet dus een dynamische Hurst Exponent berekenen.
Gebruik een rolling window en pas exponentiële smoothing in Python toe. Bereken H elke dag opnieuw over de laatste 100 data punten.
Zo zie je de veranderingen. Een andere tip: combineer het met andere indicators. De Hurst Exponent zegt iets over het type beweging, niet over de richting.
- Volatiliteit: Is de ATR (Average True Range) hoog? Als H ook hoog is, is het een wilde trend.
- Volume: Bevestigt het volume de trend?
- MACD: Gebruik MACD voor de richting, Hurst voor het type.
Gebruik het samen met: Test dit altijd eerst.
Gebruik een backtesting framework als Backtrader of Zipline. Kijk hoe je strategie presteert in periodes van lage H (ranges) en hoge H (trends). Pas je parameters aan. Soms is een H van 0.55 net genoeg om met een lage hefboom te traden, zoals beschreven in de ultieme gids voor Python in algoritmische trading.
Soms moet je wachten tot H > 0.65 om echt gas te geven. Zo bouw je een robuuste bot die weet wat de markt doet.