Índice de Dimensión Fractal

Qué significa el Índice de Dimensión Fractal

El Índice de Dimensión Fractal (FDI) es una forma de cuantificar cuán “compleja” o “rugosa” parece una serie temporal en diferentes escalas. En términos simples, intenta medir si las fluctuaciones en los datos se comportan más como una curva suave o más como un camino irregular y dentado.

En el contexto de los indicadores estadísticos y adaptativos para datos de mercado, el FDI se entiende mejor como una característica descriptiva: resume las características estructurales de una serie (por ejemplo, una secuencia de precios o rendimientos) en un solo valor para una ventana de retroceso elegida. Una mayor complejidad a menudo se asocia con un movimiento más irregular, mientras que una menor complejidad se asocia con un movimiento más regular. La direccionalidad exacta (“mayor significa más irregular”) depende de la fórmula y la implementación específicas.

Cómo funciona: entradas, ventaneo y escala

La mayoría de los indicadores prácticos de tipo FDI siguen un patrón común:

1. Elegir una serie de datos: Una elección típica es una secuencia derivada de los precios de mercado, como precios brutos o rendimientos. La interpretación cambia con la elección, pero el propósito sigue siendo el mismo: crear un conjunto ordenado de observaciones.

2. Elegir una ventana de retroceso: El FDI generalmente se calcula sobre un segmento móvil de longitud fija. Esto significa que el valor en el tiempo t depende de las observaciones desde el tiempo t - ventana + 1 hasta t. Una ventana más larga puede suavizar los efectos a corto plazo; una ventana más corta puede reaccionar más rápido pero puede volverse más sensible al ruido.

3. Aplicar una idea de escala basada en la dimensión fractal: La idea central proviene de medir cómo crece el “detalle” cuando se observa la misma curva en diferentes resoluciones. En muchas formulaciones, esto se implementa comparando estimaciones en múltiples escalas (por ejemplo, utilizando diferentes tamaños de paso) y ajustando o agregando una relación de escala.

4. Convertir la estimación en un valor de índice: Las implementaciones pueden normalizar el resultado para que el indicador se ajuste a un rango específico o sea más fácil de comparar a lo largo del tiempo. Debido a que las fórmulas difieren, dos sistemas que usan el mismo nombre pueden producir un comportamiento numérico diferente.

Una intuición simple

Si la serie es más suave en todas las escalas, la complejidad estimada cambia menos a medida que cambia la resolución. Si la serie es altamente irregular, la complejidad estimada cambia más con la resolución. El FDI convierte ese comportamiento multiescala en un solo número por ventana.

Mecánica en la práctica: qué se puede y qué no se puede inferir

Los valores del FDI se utilizan típicamente para comparar condiciones a lo largo del tiempo (dentro del mismo flujo de datos y con los mismos ajustes de parámetros). Por ejemplo, si el índice aumenta en varias ventanas, eso sugiere que la rugosidad/complejidad medida aumentó dadas las mismas configuraciones de cálculo.

Sin embargo, el FDI no está inherentemente vinculado a una causa económica específica. No etiqueta directamente “tendencia”, “reversión a la media” o “ruptura” de la manera en que esos conceptos se discuten a menudo. En cambio, resume la complejidad geométrica. Cualquier mapeo de los patrones del FDI al comportamiento del mercado debe provenir de un análisis que puedas reproducir en datos históricos.

Limitaciones y riesgos relevantes

Debido a que el FDI se calcula a partir de observaciones finitas y ruidosas y depende de cómo se implementa la escala, varias limitaciones son importantes.

1) Sensibilidad a los detalles de implementación

El FDI es un concepto, no una fórmula única universalmente estandarizada. Diferentes proveedores o bibliotecas pueden definir el indicador con diferentes:

• pasos de escala (qué “resoluciones” se utilizan),
• longitud de la ventana,
• normalización,
• manejo de datos faltantes,
• elección de la serie subyacente (precio vs. rendimientos).

Eso significa que dos FDI llamados el “mismo” indicador pueden no ser directamente comparables.

2) Sensibilidad al ruido y al muestreo

Las series temporales de mercado pueden incluir ruido de microestructura, actividad comercial irregular y efectos de la frecuencia de muestreo. Dado que las medidas de estilo dimensión fractal dependen de cómo se comporta la estructura a través de las escalas, el ruido puede afectar materialmente la complejidad calculada.

Si cambias el intervalo de muestreo (por ejemplo, de un minuto a cinco minutos), el comportamiento de escala estimado puede cambiar incluso cuando el proceso “verdadero” subyacente es similar.

3) Incertidumbre estadística de ventanas cortas

Cuando la ventana de retroceso es corta, la estimación multiescala se basa en menos puntos. Eso puede aumentar la varianza y hacer que el indicador sea inestable. Como resultado, los cambios aparentes pueden reflejar un error de estimación en lugar de un cambio real en la estructura.

4) Riesgo de sobreinterpretar un solo número

El FDI proporciona una estadística resumida por ventana. Un solo valor no puede confirmar un régimen estructural por sí mismo. Sin una verificación independiente (por ejemplo, inspección visual o comparación con medidas de complejidad alternativas), es fácil sacar conclusiones que no están respaldadas por los datos.

5) Sin garantía inherente de utilidad predictiva

Un indicador derivado de la complejidad puede seguir siendo útil para el análisis, pero no viene con una garantía inherente de poder predictivo. Si se correlaciona con el comportamiento futuro depende de la clase de activo, el período de tiempo, las condiciones del mercado y las elecciones de cálculo exactas.

Cómo verificar el comportamiento de forma independiente

Para usar el FDI de manera responsable como herramienta de investigación, concéntrate en observaciones repetibles y comprobables:

• Recalcula el indicador usando exactamente la misma fórmula y parámetros en el mismo conjunto de datos.
• Prueba la robustez variando la longitud de la ventana y las elecciones de escala para ver si las conclusiones cambian drásticamente.
• Compara el FDI calculado en series diferentes pero relacionadas (por ejemplo, precio vs. rendimientos) para entender cómo la definición afecta la salida.
• Verifica la estabilidad en diferentes rangos de fechas para reducir la posibilidad de que los resultados sean específicos de un período histórico.

Perspectiva comparativa: FDI versus otras características adaptativas

El FDI es un enfoque para describir la estructura mediante la rugosidad multiescala. Otros indicadores estadísticos y adaptativos a menudo se dirigen a propiedades diferentes, como la dispersión, la autocorrelación o la forma de la distribución, en lugar de la complejidad geométrica a través de las escalas. Eso no hace que el FDI sea mejor o peor, pero cambia lo que puede representar razonablemente: el FDI resume la complejidad, mientras que otros indicadores resumen otros aspectos estadísticos de la serie temporal.

Si tu objetivo es caracterizar las condiciones del mercado, puede ayudar tratar el FDI como una característica de entrada en un marco descriptivo más amplio, y validar cualquier relación con los resultados mediante un análisis reproducible en lugar de una interpretación asumida.