Respuesta directa: qué cambian los ajustes
Los ajustes del Índice de Dimensión Fractal (FDI) cambian la fuerza con la que el indicador reacciona al movimiento reciente del precio y cuánta aleatoriedad suaviza. En términos prácticos, los ajustes suelen influir en el segmento de datos utilizado (por ejemplo, una ventana de retroceso), en cómo se muestrean las observaciones y en si la salida se suaviza. Esas opciones cambian el equilibrio entre capacidad de respuesta y ruido. La clave es que los ajustes que hacen que el FDI sea “más sensible” también tienden a producir fluctuaciones a corto plazo más frecuentes, mientras que los ajustes que lo hacen “más estable” a menudo se retrasan ante cambios repentinos.
Dado que un indicador es un cálculo basado en entradas elegidas, el paso de verificación más importante es la coherencia: utilice el mismo método y los mismos ajustes al comparar dos períodos, y tenga cautela al extrapolar cualquier relación histórica. No existe un ajuste universal que funcione igual en todas las condiciones del mercado.
Mecanismo y definición: qué estima el FDI
Un indicador de tipo dimensión fractal pretende estimar cuán “compleja” o “rugosa” parece una serie temporal en un rango de escalas. La idea del FDI se basa en que una trayectoria puede verse diferente según la resolución: a escalas finas puede ser irregular, mientras que a escalas más gruesas puede parecer más suave. El indicador convierte esa intuición en un valor numérico aplicando un cálculo a una serie de observaciones.
Los ajustes afectan a la estimación principalmente al cambiar:
- Qué observaciones entran en el cálculo: una ventana de retroceso más larga incluye información más antigua y normalmente hace que la estimación sea menos sensible al ruido más reciente.
- Cómo se organiza esa información: algunas implementaciones utilizan pasos de reescalado o de múltiples escalas; los ajustes pueden alterar el conjunto de escalas que se comparan.
- Cómo se procesa la salida: el suavizado o el promediado pueden reducir la variabilidad de alta frecuencia, desplazando el índice hacia una curva más lenta.
Estos cambios no alteran la “definición” subyacente de la estimación de complejidad, pero cambian qué parte de los datos y qué resolución temporal refleja la estimación.
Evidencia mediante ejemplo: sensibilidad frente a ruido
Considere dos implementaciones hipotéticas que difieren solo en la longitud de la ventana de retroceso:
- Supuesto de ventana corta: el indicador calcula la estimación utilizando principalmente observaciones recientes. Si el precio oscila dentro de un rango estrecho, la estimación puede seguir fluctuando porque el algoritmo trabaja con un contexto limitado.
- Supuesto de ventana larga: el indicador calcula la estimación utilizando más historia. La misma oscilación puede producir una fluctuación menor porque las observaciones más antiguas anclan la estimación.
Si además añade suavizado, puede reducir aún más los cambios bruscos. Sin embargo, ese suavizado puede ocultar puntos de inflexión porque combina valores pasados y presentes. Por lo tanto, los ajustes pueden cambiar la forma del índice (con qué rapidez se mueve y con qué frecuencia fluctúa), pero no un resultado prometido.
Una autocomprobación práctica es ejecutar el mismo indicador en una serie temporal con cambios de régimen claramente marcados (por ejemplo, un período de baja volatilidad seguido de una mayor volatilidad) manteniendo todas las demás entradas idénticas. Debe esperar que los ajustes de reacción más rápida se alineen antes con el cambio, pero también que muestren más variabilidad transitoria.
Limitaciones y riesgos: cuándo los ajustes pueden inducir a error
Al menos tres limitaciones importantes deberían condicionar la interpretación de los “cambios de ajustes”:
- Amplificación del ruido: los ajustes más sensibles pueden hacer que el índice parezca reaccionar con fuerza a la aleatoriedad ordinaria. Esto puede llevar a una mala interpretación si trata las fluctuaciones como significativas por defecto.
- Retraso y sesgo de suavizado: los ajustes más estables pueden no reflejar un cambio hasta que este haya avanzado, porque el cálculo promedia a lo largo del tiempo.
- Falta de transferibilidad entre condiciones: el comportamiento histórico en un régimen de volatilidad o nivel de calidad de datos puede no coincidir con otro. Las relaciones no son garantías.
Otros modos de fallo comunes incluyen:
- Elecciones de datos incoherentes (diferente frecuencia de muestreo, observaciones faltantes o diferencias en la limpieza de datos) que cambian los valores calculados.
- Sobreajuste de los ajustes a períodos pasados, donde accidentalmente encuentra ajustes que coinciden con el ruido pasado.
- Efectos de ejecución y costes: incluso si un indicador se comporta como se espera en la serie de entrada, los resultados del mundo real pueden diferir debido a los spreads, el deslizamiento y la latencia. Dado que no forman parte del cálculo del indicador, no puede inferirlos directamente del índice.
Verificación y siguiente pregunta
Para verificar de forma independiente cómo los ajustes cambian el FDI, compare las salidas bajo cambios controlados: