كيف يتم حساب مؤشر البعد الكسري؟

الإجابة المباشرة: ماذا تحسب وكيف

يتم حساب مؤشر البعد الكسري (غالبًا يُختصر إلى مؤشر على نمط “FDI”) عبر تقدير البعد الكسري لتسلسل (غالبًا سلسلة زمنية لسعر أو عوائد). ينتج عن التقدير رقم يعكس مدى “خشونة” البيانات أو “تشابهها الذاتي عبر المقاييس” كما تظهر، بناءً على كيفية تغيّر العدّ أو التباين عندما تفحص مقاييس أصغر وأكبر.

لا توجد صيغة عالمية واحدة مشتركة لكل منتج أو حزمة رسم بياني. عمليًا، تتبع عملية الحساب واحدة من عدة عائلات تقدير شائعة (مثلًا، تحجيم بنمط العدّ بالمربعات أو تحجيم بنمط المدى المُعاد تحجيمه). ما يبقى ثابتًا عبر التطبيقات هو الحاجة إلى (1) سلسلة زمنية إدخال، و(2) طول نافذة أو حجم عينة، و(3) اختيارات تحجيم تحدد ما هي “الأحجام” التي تقارنها.

الآلية أو التعريف: الأجزاء المتحركة

1) اختر سلسلة زمنية الإدخال

تبدأ بتسلسل ({x_t}). في السياقات المرتبطة بالتداول، قد يكون (x_t):

• سلسلة أسعار خام (\text{price}_t)
• سلسلة أسعار لوغاريتمية (\log(\text{price}_t))
• عوائد، مثل (r_t = \log(\text{price}t/\text{price}{t-1}))

تفسّر الطرق المختلفة “الخشونة” بشكل مختلف، لذلك يهم أي (x_t) تستخدمه. إذا كان هدفك التحقق من الحسابات، فإن خطوتك الأولى هي التأكد من أي تحويل (سعر مقابل عوائد مقابل سعر لوغاريتمي) تفترضه التعريف.

2) قرر عائلة التقدير

هناك طريقتان مستخدمتان على نطاق واسع لتقدير البعد الكسري من بيانات السلاسل الزمنية:

A) نمط العدّ بالمربعات (تحجيم العدّ)

• تضع شبكة من أحجام المربعات فوق تمثيل للسلسلة.
• لكل حجم مربع (\varepsilon)، تحسب كم مربع (N(\varepsilon)) تحتاج لتغطي به الرسم (أو تضمينًا مرتبطًا).
• تقوم بملاءمة علاقة مثل (N(\varepsilon) \propto \varepsilon^{-D})، وهذا يعني أن (D) يمكن تقديره من ميل مخطط log-log.

تبدو خطوة تقدير نموذجية كالتالي: [ \log N(\varepsilon) = a - D,\log \varepsilon ] ثم يتم الحصول على (D) من الميل عند ملاءمة (\log N(\varepsilon)) مقابل (\log \varepsilon).

B) نمط المدى المُعاد تحجيمه (تحجيم التباين عبر الفواصل)

• تحسب مقياسًا للتباين عبر أحجام فاصل مختلفة (\tau) (مثلًا، المدى أو التقلبات المجمعة).
• تلاحظ كيف يتدرج هذا التباين مع (\tau).
• يتم اشتقاق تقدير البعد الكسري من أسّ (exponent) يتم الحصول عليه عبر ملاءمة قانون قوة.

نسخة عامة هي: [ \text{variability}(\tau) \propto \tau^{H} ] ثم يتم تحويل (D) من (H) باستخدام علاقة خاصة بافتراضات النموذج. يجب التصريح عن هذا التحويل بدقة لإعادة إنتاج النتائج.

3) طول النافذة ونطاق التحجيم (المعلمات التي تغيّر عدد القيم)

تُحسب معظم مؤشرات التداول على أساس متحرك:

• طول النافذة (L): كم عدد النقاط المتتالية المستخدمة في كل خطوة زمنية.
• نطاق التحجيم: أي (\varepsilon) (أحجام مربعات) أو (\tau) (فواصل/تأخيرات) يتم اعتبارها.
• الحد الأدنى لعدد المقاييس: كم عدد الأحجام المميزة التي تتضمنها لملاءمة خط على مخطط log-log.

إذا غيّرت (L) أو نطاق التحجيم، فقد يتغير الميل/الأسّ المُلائم. وهذه إحدى الأسباب التي تجعلك لا تقارن القيم عبر المنصات ما لم تتمكن من التأكد من أن الطريقة والإعدادات الأساسية نفسها مطابقة.

4) المعالجة المسبقة والتفاصيل العددية

حتى عندما يتم اختيار نفس الطريقة العامة، تعتمد النتائج على اختيارات التنفيذ مثل:

• ما إذا كنت تزيل الاتجاه (detrend) أو تقوم بتطبيع السلسلة.
• كيفية التعامل مع القيم المفقودة.
• كيفية تضمين/تشكيل السلسلة للعدّ بالمربعات (مثلًا، باستخدام الرسم في مستوى الزمن-القيمة).
• طريقة ملاءمة الميل (المربعات الصغرى العادية على قيم log-log، ملاءمة متينة، إلخ.).

لا تغيّر هذه الأمور المفهوم الأساسي، لكنها قد تنقل التقدير النهائي.

الدليل أو مثال: قالب حساب يمكن التحقق منه بشكل مستقل

نظرًا لعدم وجود “صيغة FDI” عالمية واحدة لكل الأدوات، فإن الطريقة الأكثر موثوقية للتحقق هي إعادة إنتاج الرياضيات الخاصة بعائلة التقدير التي تنوي استخدامها.

إليك قالبًا مكتفيًا بذاته لنهج بنمط العدّ بالمربعات (خطوات مفاهيمية):

1. خذ نافذة من البيانات ({x_1, x_2, \dots, x_L}).
2. بالنسبة لعدة أحجام مربعات (\varepsilon_1, \varepsilon_2, \dots, \varepsilon_k)، ضع مربعات فوق تمثيل الرسم البياني (الزمن على محور، و(x_t) على المحور الآخر).
3. احسب (N(\varepsilon_i)): عدد المربعات اللازمة لتغطية الرسم داخل النافذة.
4. ملاءمة (\log N(\varepsilon_i)) مقابل (\log (1/\varepsilon_i)) (وبشكل مكافئ مقابل (\log \varepsilon_i) مع تغيير إشارة).
5. ميل الخط المُلائم يعطي تقديرًا للبعد الكسري (D)، وهو ما يتوافق بعد ذلك مع قيمة “مؤشر البعد الكسري” لديك.

بالنسبة لنهج بنمط المدى المُعاد تحجيمه، يكون الفحص المستقل مشابهًا:

1. اختر مجموعة من الفواصل (\tau) (مثلًا، قيم صغيرة إلى متوسطة أقل من طول النافذة).
2. احسب إحصائية التباين المختارة عند كل (\tau).
3. ملاءمة قانون تحجيم على محاور log-log لتقدير الأسّ.
4. استخدم التحويل المحدد من ذلك الأسّ إلى (D).

افتراض أساسي: يجب أن تكون العلاقة التي تقوم بملاءمتها ذات معنى ضمن نطاق التحجيم المختار. إذا فُرضت الملاءمة على مقاييس لا تتبع قانون قوة، فقد يصبح الميل غير مستقر.

القيود والمخاطر: أين تفشل الحسابات أو تُضلل

1) تعريفات مختلفة تعطي نتائج مختلفة

نظرًا لأن التطبيقات قد تستخدم مُقدّرات مختلفة للبعد الكسري واختيارات معلمات مختلفة، فقد لا تكون قيمتا “FDI” قابلتين للمقارنة مباشرة. تعتمد قابلية إعادة الإنتاج على مطابقة:

• تعريف الإدخال (سعر مقابل عوائد مقابل سعر لوغاريتمي)
• عائلة التقدير (العدّ بالمربعات مقابل المدى المُعاد تحجيمه)
• طول النافذة ونطاق التحجيم
• طريقة الملاءمة

2) عينات صغيرة وملاءمات تحجيم غير مستقرة

يعتمد تقدير البعد الكسري على ملاحظة سلوك التحجيم عبر عدة أحجام. إذا قمت بـ:

• استخدام نافذة (L) قصيرة جدًا،
• تضمين عدد قليل جدًا من قيم (\varepsilon) أو (\tau)،
• أو اختيار نطاقات تحجيم لا تُظهر تحجيمًا متسقًا، فإن الميل/الأسّ المُلائم يصبح ضجيجيًا وقد يتغير بشكل كبير مع تغييرات طفيفة.

3) عدم السكون وتغيرات النظام

تتغير سلوكيات العديد من السلاسل الزمنية إحصائيًا مع مرور الوقت. إذا تغيرت العملية الأساسية (مثلًا، عنقود التقلبات أو تغييرات بنيوية)، فقد لا تمثل سلوكيات التحجيم داخل نافذة ثابتة السياق الأوسع. وهذا يؤثر على قابلية تفسير تقدير البعد الناتج.

4) مشكلات بيانات عملية

المشكلات الشائعة التي تُشوّه التقدير:

• ضوضاء قياس كبيرة مقارنة بمقياس الإشارة
• القيم المتطرفة التي تهيمن على إحصائية التباين
• بيانات مفقودة أو متباعدة بشكل غير منتظم
• معالجة مسبقة غير متسقة بين التشغيلات

5) تفسير الرقم

حتى عندما تكون الحسابات صحيحة، يكون الناتج وصفيًا وليس تنبؤيًا. يمكن أن يحدث نفس مقياس “الخشونة” تحت آليات مختلفة.

DOCUMENT END