Indeks Dimensi Fraktal

Apa yang dimaksud dengan Indeks Dimensi Fraktal

Indeks Dimensi Fraktal (FDI) adalah cara untuk mengukur seberapa “kompleks” atau “kasar” suatu deret waktu terlihat pada berbagai skala. Secara sederhana, indeks ini mencoba mengukur apakah fluktuasi dalam data berperilaku lebih seperti kurva yang mulus atau lebih seperti jalur yang tidak beraturan dan bergerigi.

Dalam konteks indikator statistik dan adaptif untuk data pasar, FDI paling baik dipahami sebagai fitur deskriptif: ia merangkum karakteristik struktural dari suatu deret (misalnya, urutan harga atau return) dalam satu nilai untuk jendela lookback yang dipilih. Kompleksitas yang lebih tinggi sering dikaitkan dengan pergerakan yang lebih tidak beraturan, sementara kompleksitas yang lebih rendah dikaitkan dengan pergerakan yang lebih teratur. Arah yang tepat (“lebih tinggi berarti lebih tidak beraturan”) bergantung pada formula dan implementasi spesifik.

Cara kerjanya: input, windowing, dan penskalaan

Sebagian besar indikator gaya FDI yang praktis mengikuti pola umum berikut:

1. Pilih deret data: Pilihan yang umum adalah deret yang diturunkan dari harga pasar, seperti harga mentah atau return. Interpretasi berubah sesuai pilihan, tetapi tujuannya tetap sama: membuat kumpulan observasi yang terurut.

2. Pilih jendela lookback: FDI biasanya dihitung pada segmen bergulir dengan panjang tetap. Ini berarti nilai pada waktu t bergantung pada observasi dari waktu t - window + 1 hingga t. Jendela yang lebih panjang dapat menghaluskan efek jangka pendek; jendela yang lebih pendek dapat bereaksi lebih cepat tetapi mungkin menjadi lebih sensitif terhadap noise.

3. Terapkan ide penskalaan berbasis dimensi fraktal: Ide inti berasal dari pengukuran bagaimana “detail” bertambah ketika Anda mengamati kurva yang sama pada resolusi yang berbeda. Dalam banyak formulasi, ini diimplementasikan dengan membandingkan estimasi di berbagai skala (misalnya, menggunakan ukuran langkah yang berbeda) dan menyesuaikan atau menggabungkan hubungan penskalaan.

4. Ubah estimasi menjadi nilai indeks: Implementasi dapat menormalkan hasilnya sehingga indikator masuk ke rentang tertentu atau lebih mudah dibandingkan antar waktu. Karena formula berbeda, dua sistem yang menggunakan nama yang sama masih dapat menghasilkan perilaku numerik yang berbeda.

Intuisi sederhana

Jika deret lebih mulus di berbagai skala, kompleksitas yang diestimasi berubah lebih sedikit seiring perubahan resolusi. Jika deret sangat tidak beraturan, kompleksitas yang diestimasi berubah lebih banyak seiring perubahan resolusi. FDI mengubah perilaku multi-skala tersebut menjadi satu angka per jendela.

Mekanisme dalam praktik: apa yang dapat dan tidak dapat Anda simpulkan

Nilai FDI biasanya digunakan untuk membandingkan kondisi antar waktu (dalam feed data yang sama dan pengaturan parameter yang sama). Misalnya, jika indeks meningkat selama beberapa jendela, itu menunjukkan bahwa kekasaran/kompleksitas yang diukur meningkat dengan pengaturan komputasi yang sama.

Namun, FDI tidak secara inheren terkait dengan penyebab ekonomi tertentu. FDI tidak secara langsung memberi label “tren,” “mean reversion,” atau “breakout” seperti konsep-konsep yang sering dibahas. Sebaliknya, FDI merangkum kompleksitas geometris. Pemetaan apa pun dari pola FDI ke perilaku pasar harus berasal dari analisis yang dapat Anda reproduksi pada data historis.

Keterbatasan dan risiko yang relevan

Karena FDI dihitung dari observasi yang terbatas dan bising, serta bergantung pada bagaimana penskalaan diimplementasikan, beberapa keterbatasan perlu diperhatikan.

1) Sensitivitas terhadap detail implementasi

FDI adalah sebuah konsep, bukan formula tunggal yang distandarisasi secara universal. Vendor atau pustaka yang berbeda dapat mendefinisikan indikator dengan perbedaan pada:

• langkah penskalaan (“resolusi” apa yang digunakan),
• panjang jendela,
• normalisasi,
• penanganan data yang hilang,
• pilihan deret dasar (harga vs. return).

Itu berarti dua FDI yang disebut sebagai indikator yang “sama” mungkin tidak dapat dibandingkan secara langsung.

2) Sensitivitas terhadap noise dan pengambilan sampel

Deret waktu pasar dapat mencakup noise mikro-struktur, aktivitas perdagangan yang tidak teratur, dan efek dari frekuensi pengambilan sampel. Karena ukuran gaya dimensi fraktal bergantung pada bagaimana struktur berperilaku di berbagai skala, noise dapat secara material memengaruhi kompleksitas yang dihitung.

Jika Anda mengubah interval pengambilan sampel (misalnya, dari satu menit menjadi lima menit), perilaku penskalaan yang diestimasi dapat berubah bahkan ketika proses “sebenarnya” yang mendasarinya serupa.

3) Ketidakpastian statistik dari jendela pendek

Ketika jendela lookback pendek, estimasi multi-skala didasarkan pada lebih sedikit titik. Itu dapat meningkatkan varians dan membuat indikator tidak stabil. Akibatnya, perubahan yang tampak mungkin mencerminkan kesalahan estimasi, bukan perubahan struktur yang nyata.

4) Risiko menafsirkan satu angka secara berlebihan

FDI memberikan satu statistik ringkasan per jendela. Satu nilai tidak dapat mengonfirmasi rezim struktural dengan sendirinya. Tanpa pemeriksaan independen (misalnya, inspeksi visual atau perbandingan dengan ukuran kompleksitas alternatif), mudah untuk menarik kesimpulan yang tidak didukung oleh data.

5) Tidak ada jaminan bawaan akan kegunaan prediktif

Indikator yang diturunkan dari kompleksitas masih dapat berguna untuk analisis, tetapi tidak datang dengan jaminan inheren akan kekuatan prediktif. Apakah indikator tersebut berkorelasi dengan perilaku masa depan bergantung pada kelas aset, periode waktu, kondisi pasar, dan pilihan komputasi yang tepat.

Cara memverifikasi perilaku secara independen

Untuk menggunakan FDI secara bertanggung jawab sebagai alat penelitian, fokuslah pada observasi yang dapat diulang dan diuji:

• Hitung ulang indikator menggunakan formula dan parameter yang persis sama pada kumpulan data yang sama.
• Uji ketahanan dengan memvariasikan panjang jendela dan pilihan penskalaan untuk melihat apakah kesimpulan berubah secara dramatis.
• Bandingkan FDI yang dihitung pada deret yang berbeda tetapi terkait (misalnya, harga vs. return) untuk memahami bagaimana definisi memengaruhi keluaran.
• Periksa stabilitas di berbagai rentang tanggal untuk mengurangi kemungkinan bahwa hasil hanya spesifik untuk satu periode historis.

Perspektif perbandingan: FDI versus fitur adaptif lainnya

FDI adalah salah satu pendekatan untuk mendeskripsikan struktur melalui kekasaran multi-skala. Indikator statistik dan adaptif lainnya sering menargetkan properti yang berbeda—seperti dispersi, autokorelasi, atau bentuk distribusi—daripada kompleksitas geometris di berbagai skala. Itu tidak membuat FDI lebih baik atau lebih buruk, tetapi mengubah apa yang dapat diwakilinya secara wajar: FDI merangkum kompleksitas, sementara indikator lain merangkum aspek statistik lain dari deret waktu.

Jika tujuan Anda adalah mengkarakterisasi kondisi pasar, akan membantu untuk memperlakukan FDI sebagai satu fitur masukan dalam kerangka deskriptif yang lebih luas, dan untuk memvalidasi hubungan apa pun dengan hasil menggunakan analisis yang dapat direproduksi, bukan interpretasi yang diasumsikan.