1703566070
这个例子中，CPR为（12×9）/（11×8）=1.23。虽然这个数值大于1，但是由于样本量很小，很有可能真实总体比率为1。从式（9-8）得到z分数（z score）为0.32。为了使得显著性水平达到5%，我们需要z分数大于1.96。所以这个结果距离显著性还差得很远。还有一些其他的检验可以用来评价相对持续性（比如卡方检验、Spearman相关性以及Kolmogorov-Smirnov检验），但是我们并不去关注这些指标，因为相对持续性并不是大部分交易员主要关心的。他们真正关心的是绝对持续性指标。
1703566071
1703566072
绝对持续性
1703566073
1703566074
我们可以通过计算Hurst指数来得到交易员收益的绝对持续性指标。Hurst指数大于0.5就说明存在持续性，小于0.5则说明存在反持续性（antipersistence）或者均值回归性。Hurst指数适用于在统计上存在自相似性（self-similar）的数据集。也就是说，不同数据集的统计特性是基本不变的（这是我们在进行大多数类似分析时的基本假设）。Hurst指数与数据集的分形维数（fractal dimension）以及混沌理论密切相关，但是有关这部分的研究已经超出了本书的范围。感兴趣的交易员可以参阅Peters在1996年的研究成果以及该文的参考文献。
1703566075
1703566076
首先我们需要理解重标极差分析法（R/S分析）。我们知道当投掷一枚均匀的硬币时，N次投掷后，出现正反两面次数的差异数随着N1/2增长。这是布朗运动的特性。通常：
1703566077
1703566078
1703566079
1703566080
1703566081
其中，R为极差；c是一个常数；h是重标指数，在掷硬币例子中，h=0.5。
1703566082
1703566083
Hurst（1951）在h=0.5的特例基础上，对这个概念进行了推广。首先我们从时间序列xt入手，构造一个偏差序列：
1703566084
1703566085
1703566086
1703566087
1703566088
其中，Dt，N为N个周期后的累计偏差；MN为N个周期中，xt的平均值。
1703566089
1703566090
在此基础上，极差的定义为式（9-10）的最大值与最小值的差：
1703566091
1703566092
1703566093
1703566094
1703566095
然后我们把它除以原始观测的标准差，对极差进行标准化。这样得到的结果就叫作重标极差（rescaled range），R/S。Hurst指数中的h定义为：
1703566096
1703566097
1703566098
1703566099
1703566100
对这个式子取对数后，我们得到可以简单通过线性回归进行估计的式子：
1703566101
1703566102
1703566103
1703566104
1703566105
精确估计这个式子需要大量的数据。Hurst还给出了一个简单的近似公式，可以通过一个值就得到h的估计：
1703566106
1703566107
1703566108
1703566109
1703566110
这个式子假设式（9-14）中的常数a等于0.5。当a大于0.7时，这个近似值会高估h；而当a低于0.4时，会低估h。但是，因为从较短的数据序列得到的回归结果并不可靠，所以这个近似公式得到的估计值可以认为是合理的。
1703566111
1703566112
当把重标极差分析法用于交易结果时，计算用的时间序列应当为对数收益序列。
1703566113
1703566114
更高级的评价
1703566115
1703566116
当你跟踪了一段时间的交易结果之后，你将会发现，哪些策略是有效的，而又有哪些是无效的。你不应该把时间浪费在你不擅长的领域。交易并不是一种运动。例如，如果你希望提高自己的高尔夫水平，你可能需要对自己的薄弱环节加紧练习。薄弱环节水平的提高，会增加你的高尔夫水平，并且这也是最容易进步的地方。不过，对于交易而言，你并不需要会做各种各样的交易。你只需要做你擅长的交易即可。
1703566117
1703566118
当交易员只擅长一两种交易策略时，他们可能会变得紧张，担心这些策略不再有用，从而决定多元化他们的策略。另一种可能是：他们会变得过分自负，认为既然自己可以在这个策略上获得成功，当然会在更多策略上成功。
1703566119