Respuesta directa
El Índice de Dimensión Fractal se puede combinar con otras entradas analíticas no duplicativas—como descriptores de tendencia, volatilidad o régimen—para que el análisis general utilice información complementaria en lugar de repetir la misma idea de señal. El principal riesgo práctico es la dependencia de entradas correlacionadas: si tus variables añadidas se derivan de las mismas características de la trayectoria de precios que impulsan la dimensión fractal, pueden fallar juntas.
Mecanismo o definición
El Índice de Dimensión Fractal (FDI) es una medida numérica destinada a describir la complejidad aparente de una serie temporal, a menudo prestando atención a cómo cambia la estructura a través de las escalas. En términos simples, convierte una secuencia de observaciones (por ejemplo, una serie de precios o rendimientos) en una estadística similar a la complejidad.
“Combinarse con” puede significar varias cosas:
- Apilamiento de características en el análisis: usar el FDI junto con otras características calculadas en un marco de decisión.
- Condicionamiento: comparar otra métrica de manera diferente dependiendo de si el FDI se encuentra en ciertos rangos.
- Etiquetado de contexto: tratar el FDI como un eje que caracteriza el entorno mientras que otros ejes describen dirección o variabilidad.
Para mantener la mecánica clara, supón que tienes una serie temporal X y calculas el FDI usando un método específico (longitud de ventana, frecuencia de muestreo, preprocesamiento como rendimientos vs. precios). Cualquier combinación debe usar la misma alineación temporal y supuestos de preprocesamiento claramente establecidos, porque los valores del FDI pueden cambiar si modificas las entradas o la configuración de cálculo.
Evidencia o ejemplo (con supuestos explícitos)
Considera una configuración analítica simple sin afirmaciones de datos en tiempo real:
- Supón que calculas el FDI a partir de una serie de rendimientos sobre una ventana móvil de longitud W.
- Añade una característica de volatilidad, por ejemplo, la desviación estándar móvil de los rendimientos sobre la misma ventana W.
- Añade una característica de tendencia, por ejemplo, la pendiente de una línea ajustada sobre la misma ventana W.
Por qué esto puede ser no duplicativo: el FDI está destinado a caracterizar la complejidad a través de escalas, mientras que la volatilidad es una medida de dispersión/amplitud y la tendencia es una medida de persistencia direccional. En un caso informativo, podrías observar:
- FDI alto + volatilidad alta: la complejidad aumenta y el movimiento se vuelve más errático.
- FDI alto + volatilidad baja: la complejidad aumenta sin gran amplitud, lo que puede sugerir una microestructura agitada.
- FDI bajo + tendencia fuerte: la serie parece más regular mientras la dirección persiste.
Limitación material: estas características se calculan a partir de la misma serie subyacente, por lo que la independencia no está garantizada. Si la tendencia, la volatilidad y el FDI responden todos al mismo cambio de régimen subyacente (por ejemplo, un cambio estructural en cómo evolucionan los precios), la “combinación” puede reflejar principalmente un único factor compartido.
Un segundo ejemplo es el condicionamiento:
- Calcula otra métrica (como una estadística similar a un impulso) e interprétala de manera diferente cuando el FDI indica un entorno más complejo.
- Esto usa el FDI como una variable de contexto en lugar de un predictor independiente.
Limitaciones y riesgos
Al menos un modo de fallo material es el riesgo de entradas correlacionadas. Si las variables adicionales están matemática o prácticamente vinculadas a las mismas propiedades que captura el FDI, tu marco combinado puede sobreestimar la robustez: las mejoras de rendimiento pueden provenir de la dependencia compartida, no de información complementaria.
Otras limitaciones a esperar:
- Sensibilidad al método: el FDI típicamente depende de las opciones de cálculo (tamaño de ventana, preprocesamiento, muestreo). Cambiar estos puede alterar los valores numéricos.
- Dependencia del régimen: las relaciones entre la complejidad y otras características pueden variar según las condiciones del mercado. Los patrones históricos no garantizan el comportamiento futuro.
- Riesgo operativo: si tu serie temporal es ruidosa, se remuestrea de manera inconsistente o incluye problemas de calidad de datos, el FDI puede reaccionar de maneras que parecen significativas pero que reflejan artefactos de preprocesamiento.
- Divergencia/reversión: cuando el FDI cambia abruptamente en relación con el comportamiento previo, puede indicar un cambio de régimen, pero también puede reflejar sensibilidad del cálculo o inestabilidad de ventanas cortas.
Finalmente, los resultados dependen de los detalles de ejecución, los costos y el entorno más amplio. Incluso con una verificación cuidadosa, no puedes asumir precisión predictiva ni seguridad.
Verificación o siguiente pregunta
Para verificar de manera independiente las afirmaciones sobre combinar el FDI con otras entradas, usa un proceso que separe la mecánica de los resultados:
- Mantén el método FDI fijo y documenta los supuestos de preprocesamiento.
- Prueba combinaciones en múltiples períodos no superpuestos en lugar de un solo tramo de datos.
- Comprueba si las características añadidas realmente aportan información nueva midiendo cuánto cambia el enfoque combinado cuando eliminas una entrada.
Siguiente pregunta a resolver: ¿qué método y parámetros específicos del FDI estás usando (longitud de ventana y si calculas a partir de precios o rendimientos)?