Consideraciones avanzadas para el índice de dimensión fractal
Definir el índice de dimensión fractal (FDI)
El índice de dimensión fractal (FDI) es una medida destinada a resumir cómo cambia la “rugosidad” o la “complejidad” de una serie temporal cuando se observa la serie a diferentes escalas. En términos sencillos, si una señal parece muy irregular cuando se muestrea finamente pero más suave cuando se ve a una resolución más gruesa, un enfoque de escala de tipo fractal puede reflejar eso con un valor numérico.
La idea clave es que el FDI se deriva de la relación entre los cambios medidos a múltiples resoluciones—no se obtiene de una sola observación de vela o barra. Debido a esto, el resultado es sensible a cómo se construye la serie de entrada: el intervalo de muestreo, la ventana de tiempo y los pasos de preprocesamiento.
Cómo funciona el FDI a alto nivel
Las fórmulas exactas varían según la implementación, pero la mayoría de los enfoques prácticos del FDI siguen un patrón similar:
- Comience con una serie temporal. Tome una secuencia de observaciones (por ejemplo, precios, rendimientos u otra serie derivada) indexada por tiempo.
- Defina los niveles de escala. Cree múltiples “resoluciones” de la misma secuencia subyacente. Esto podría implicar remuestreo, el uso de diferentes tamaños de caja o el cálculo de diferencias en múltiples longitudes de paso.
- Mida cómo depende la variación de la escala. Para cada escala, calcule una cantidad relacionada con el movimiento o la cobertura.
- Ajuste una relación de escala y conviértala en un número tipo dimensión. Muchos métodos estiman una pendiente en una relación log-log. La pendiente se asigna luego a una interpretación de dimensión fractal.
Un modelo simple para razonar
Suponga que calcula una estadística de variación para varios tamaños de paso: los pasos pequeños capturan cambios finos, mientras que los pasos grandes capturan una estructura más amplia. Si la variación crece de manera consistente a medida que se avanza hacia pasos más pequeños, la pendiente es más estable y la estimación de la dimensión es más significativa. Si la variación no sigue un patrón de escala consistente, la pendiente ajustada puede volverse inestable y el FDI se vuelve difícil de interpretar.
Separe la definición de entrada del comportamiento del mercado
Una consideración avanzada es tratar “lo que mide el FDI” como una propiedad de la definición de la serie elegida:
- ¿Qué serie le introduce? Los niveles de precios, los log-precios, los rendimientos o los valores normalizados se comportan de manera diferente.
- ¿Cómo maneja los datos faltantes y las acciones corporativas (si corresponde)? Cualquier brecha o ajuste puede cambiar la escala.
- ¿Cómo estandariza? Si escala los valores (por ejemplo, normalizando), la relación de escala podría cambiar o permanecer invariante según el método.
Debido a que usted controla estos pasos, puede verificar si el índice calculado refleja la serie subyacente o artefactos del preprocesamiento.
Dependencias avanzadas y casos límite
1) Longitud de la ventana de datos y tamaños de paso
El FDI requiere suficientes observaciones para estimar una relación de escala en múltiples escalas. Si su ventana es demasiado corta en relación con el tamaño de paso más grande, entonces:
- puede tener muy pocos puntos de escala para un ajuste confiable,
- la estimación puede fluctuar fuertemente con pequeños cambios en los datos,
- la pendiente ajustada podría estar dominada por el ruido en lugar de la estructura.
Una comprobación avanzada práctica es mantener todo constante excepto la longitud de la ventana y verificar si el FDI tiende en una dirección consistente. Si oscila ampliamente, es probable que la estimación sea inestable para esa configuración.
2) Intervalo de muestreo y ruido de “microestructura”
Cambiar la frecuencia de muestreo puede cambiar el carácter de los datos. A frecuencias más altas, la variación observada a menudo incluye efectos como la discretización de bid/ask y el ruido de microestructura; a frecuencias más bajas, esos efectos se promedian.
Debido a que el FDI depende de cómo se comporta la variación a través de las escalas, las elecciones de muestreo pueden alterar materialmente el índice calculado. Esto significa que no debe asumir que un valor de FDI calculado en un marco temporal es directamente comparable a un valor de FDI calculado en otro marco temporal sin una alineación cuidadosa y comprobaciones de metodología.
3) No estacionariedad y cambios de régimen
Las series temporales financieras a menudo no son estacionarias: sus propiedades estadísticas pueden derivar con el tiempo. Dado que el FDI se calcula a partir de ventanas de datos recientes, un cambio de régimen puede alterar la relación de escala incluso si no hay un evento de “señal” significativo.
Un modo de fallo se ve así:
- En un régimen volátil y con tendencia, la variación a escala fina podría aumentar sistemáticamente, cambiando la pendiente ajustada.
- Después de un cambio de régimen, el mismo procedimiento de escala produce una pendiente diferente.
Interpretar estos cambios requiere precaución: el índice puede estar detectando estructura dependiente del régimen, pero no necesariamente pronosticando resultados futuros.
4) Valores atípicos y colas pesadas
Si el cálculo de la variación en cada escala es sensible a movimientos grandes, entonces los valores atípicos pueden dominar el ajuste de escala. El comportamiento de colas pesadas puede, por lo tanto, inflar o distorsionar el FDI.
Una forma de verificar esto de manera independiente es recalcular el FDI con una transformación robusta (por ejemplo, usando una medida de variación limitada o winsorizada) y ver si los resultados siguen siendo similares. Si los resultados se reducen a unos pocos puntos extremos, el FDI puede estar reflejando valores atípicos en lugar de una escala consistente.
5) Ambigüedad entre series de precios y de rendimientos
Algunas implementaciones calculan el FDI a partir de niveles de precios brutos, mientras que otras usan log-precios o rendimientos. Esas elecciones pueden cambiar la estacionariedad y la dependencia de escala.
Un lector avanzado debe declarar explícitamente la suposición: el FDI aquí se calcula a partir de la serie X, usando el método Y, sobre la longitud de ventana Z, con niveles de escala S. Sin eso, dos “valores de FDI” reportados por diferentes fuentes podrían no ser significativamente comparables.
Limitaciones materiales y riesgos
Limitación: el FDI es descriptivo, no predictivo por sí mismo
El FDI produce una estimación numérica de una propiedad relacionada con la escala. Incluso si el FDI se correlaciona con ciertos estados del mercado en datos históricos, eso no significa que prediga de manera confiable movimientos futuros. Las relaciones pueden romperse cuando cambian los costos, la ejecución, la estructura del mercado o la dinámica.
Modo de fallo: ajuste de escala inestable
Si la relación log-log no es aproximadamente lineal en el rango de escala elegido, la estimación de la pendiente se vuelve inestable. Las razones comunes incluyen:
- muy pocos niveles de escala en la ventana,
- ruido que supera la señal en escalas pequeñas,
- observaciones insuficientes en escalas grandes,
- una relación de escala que cambia entre regímenes.
Modo de fallo: sensibilidad de parámetros
Las implementaciones del FDI a menudo dependen de elecciones ajustables: longitud de la ventana, rango de escala, esquema de diferenciación y cómo se calcula la variación. Si la interpretación del FDI depende de parámetros cuidadosamente seleccionados, entonces puede estar sobreajustándose a una muestra o conjunto de datos particular.
Incertidumbre sobre la comparabilidad entre mercados
Incluso sin nombrar proveedores específicos, debe asumir que la comparabilidad no está garantizada a menos que la metodología sea idéntica. Diferentes bibliotecas de software pueden implementar la “dimensión fractal” de maneras que producen significados numéricos diferentes.
Evidencia o ejemplo (centrado en la verificación)
Debido a que aquí no se asumen datos en tiempo real, el mejor “ejemplo” es un flujo de trabajo de verificación reproducible.