Bagaimana Indeks Dimensi Fraktal Dihitung?

Jawaban langsung: apa yang Anda hitung dan bagaimana caranya

Indeks Dimensi Fraktal (sering disingkat menjadi indikator bergaya “FDI”) dihitung dengan mengestimasi dimensi fraktal dari sebuah urutan (biasanya deret waktu harga atau return). Estimasi tersebut menghasilkan angka yang mencerminkan seberapa “kasar” atau “serupa-diri lintas skala” data tersebut, berdasarkan bagaimana jumlah atau variabilitas berubah saat Anda memeriksa skala yang lebih kecil dan lebih besar.

Tidak ada satu rumus universal untuk setiap produk atau platform charting. Dalam praktiknya, perhitungan mengikuti salah satu dari beberapa kelompok estimasi umum (misalnya, penskalaan gaya penghitungan kotak atau penskalaan rentang yang dinormalisasi ulang). Yang konsisten di seluruh implementasi adalah kebutuhan akan (1) deret waktu input, (2) panjang jendela atau ukuran sampel, dan (3) pilihan penskalaan yang menentukan “ukuran” apa yang Anda bandingkan.

Mekanisme atau definisi: bagian-bagian yang bergerak

1) Pilih deret waktu input

Anda mulai dengan urutan ({x_t}). Dalam konteks terkait trading, (x_t) dapat berupa:

• Deret harga mentah (\text{price}_t)
• Deret log-harga (\log(\text{price}_t))
• Return, seperti (r_t = \log(\text{price}t/\text{price}{t-1}))

Metode yang berbeda menafsirkan “kekasaran” secara berbeda, jadi penting (x_t) mana yang Anda gunakan. Jika tujuan Anda adalah memverifikasi perhitungan, langkah pertama Anda adalah mengonfirmasi transformasi mana (harga vs. return vs. log-harga) yang diasumsikan oleh definisi tersebut.

2) Putuskan kelompok estimasi

Dua cara yang banyak digunakan untuk mengestimasi dimensi fraktal dari data deret waktu adalah:

A) Gaya penghitungan kotak (penskalaan jumlah)

• Anda melapisi kisi-kisi ukuran kotak pada representasi deret.
• Untuk setiap ukuran kotak (\varepsilon), Anda menghitung berapa banyak kotak (N(\varepsilon)) yang diperlukan untuk menutupi grafik (atau embedding terkait).
• Anda menyesuaikan hubungan seperti (N(\varepsilon) \propto \varepsilon^{-D}), yang menyiratkan (D) dapat diestimasi dari kemiringan plot log-log.

Langkah estimasi tipikal terlihat seperti: [ \log N(\varepsilon) = a - D,\log \varepsilon ] Kemudian (D) diperoleh dari kemiringan saat Anda menyesuaikan (\log N(\varepsilon)) terhadap (\log \varepsilon).

B) Gaya rentang yang dinormalisasi ulang (penskalaan variabilitas lintas lag)

• Anda menghitung ukuran variabilitas pada berbagai ukuran lag (\tau) (misalnya, rentang atau fluktuasi agregat).
• Anda memeriksa bagaimana variabilitas tersebut berskala dengan (\tau).
• Estimasi dimensi fraktal diturunkan dari eksponen yang diperoleh dengan menyesuaikan hukum pangkat.

Versi generiknya adalah: [ \text{variability}(\tau) \propto \tau^{H} ] dan kemudian (D) dipetakan dari (H) menggunakan hubungan spesifik untuk asumsi model. Pemetaan harus dinyatakan dengan tepat untuk mereproduksi hasil.

3) Panjang jendela dan rentang skala (parameter yang mengubah angka)

Sebagian besar implementasi indikator dihitung secara bergulir:

• Panjang jendela (L): berapa banyak titik berurutan yang digunakan pada setiap langkah waktu.
• Rentang skala: (\varepsilon) mana (ukuran kotak) atau (\tau) mana (lag) yang dipertimbangkan.
• Jumlah skala minimum: berapa banyak ukuran berbeda yang Anda sertakan untuk menyesuaikan garis pada plot log-log.

Jika Anda mengubah (L) atau rentang skala, kemiringan/eksponen yang disesuaikan dapat berubah. Itulah salah satu alasan Anda tidak boleh membandingkan nilai antar platform kecuali Anda dapat mengonfirmasi metode dan pengaturan dasar yang sama.

4) Prapemrosesan dan detail numerik

Bahkan ketika metode umum yang sama dipilih, hasil bergantung pada pilihan implementasi seperti:

• Apakah Anda menghilangkan tren atau menormalkan deret.
• Bagaimana Anda menangani nilai yang hilang.
• Bagaimana Anda menyematkan deret untuk penghitungan kotak (misalnya, menggunakan grafik dalam bidang waktu-nilai).
• Metode penyesuaian untuk kemiringan (kuadrat terkecil biasa pada nilai log-log, penyesuaian yang kokoh, dll.).

Ini tidak mengubah konsep yang mendasarinya, tetapi dapat menggeser estimasi akhir.

Bukti atau contoh: templat perhitungan yang dapat diverifikasi secara independen

Karena tidak ada satu “rumus FDI” universal untuk semua alat, cara paling andal untuk memverifikasi adalah dengan mereproduksi matematika dari kelompok estimasi yang ingin Anda gunakan.

Berikut adalah templat mandiri untuk pendekatan gaya penghitungan kotak (langkah konseptual):

1. Ambil jendela data ({x_1, x_2, \dots, x_L}).
2. Untuk beberapa ukuran kotak (\varepsilon_1, \varepsilon_2, \dots, \varepsilon_k), lapisi kotak pada representasi grafik waktu-nilai (waktu pada satu sumbu, (x_t) pada sumbu lainnya).
3. Hitung (N(\varepsilon_i)): jumlah kotak yang diperlukan untuk menutupi grafik dalam jendela.
4. Sesuaikan (\log N(\varepsilon_i)) terhadap (\log (1/\varepsilon_i)) (setara dengan (\log \varepsilon_i) dengan perubahan tanda).
5. Kemiringan garis yang disesuaikan memberikan estimasi dimensi fraktal (D), yang kemudian sesuai dengan nilai “Indeks Dimensi Fraktal” Anda.

Untuk pendekatan gaya rentang yang dinormalisasi ulang, pemeriksaan independen serupa:

1. Pilih satu set lag (\tau) (misalnya, nilai kecil hingga sedang di bawah panjang jendela).
2. Hitung statistik variabilitas yang dipilih pada setiap (\tau).
3. Sesuaikan hukum skala pada sumbu log-log untuk mengestimasi eksponen.
4. Gunakan pemetaan yang ditentukan dari eksponen tersebut ke (D).

Asumsi kunci: hubungan yang Anda sesuaikan harus bermakna pada rentang skala yang dipilih. Jika penyesuaian dipaksakan pada skala di mana data tidak mengikuti hukum pangkat, kemiringan bisa menjadi tidak stabil.

Keterbatasan dan risiko: di mana perhitungan gagal atau menyesatkan

1) Definisi yang berbeda menghasilkan hasil yang berbeda

Karena implementasi dapat menggunakan estimator dimensi fraktal yang berbeda dan pilihan parameter yang berbeda, dua angka “FDI” mungkin tidak dapat dibandingkan secara langsung. Reproduksibilitas bergantung pada pencocokan:

• definisi input (harga vs return vs log-harga)
• kelompok estimasi (penghitungan kotak vs rentang yang dinormalisasi ulang)
• panjang jendela dan rentang skala
• metode penyesuaian

2) Sampel kecil dan penyesuaian skala yang tidak stabil

Estimasi dimensi fraktal bergantung pada pengamatan perilaku penskalaan di berbagai ukuran. Jika Anda:

• menggunakan jendela (L) yang terlalu pendek,
• menyertakan terlalu sedikit nilai (\varepsilon) atau (\tau),
• atau memilih rentang skala yang tidak menunjukkan penskalaan yang konsisten, maka kemiringan/eksponen yang disesuaikan menjadi berisik dan dapat bervariasi secara substansial dengan perubahan kecil.

3) Non-stasioneritas dan perubahan rezim

Banyak deret waktu mengubah perilaku statistiknya seiring waktu. Jika proses yang mendasarinya bergeser (misalnya, pengelompokan volatilitas atau perubahan struktural), maka perilaku penskalaan dalam jendela tetap mungkin tidak mewakili konteks yang lebih luas. Ini memengaruhi interpretabilitas estimasi dimensi yang dihasilkan.

4) Masalah data praktis

Masalah umum yang mendistorsi estimasi:

• noise pengukuran yang berat relatif terhadap skala sinyal
• outlier yang mendominasi statistik variabilitas
• data yang hilang atau berjarak tidak teratur
• prapemrosesan yang tidak konsisten antar proses

5) Menafsirkan angka

Bahkan ketika perhitungannya benar, keluarannya bersifat deskriptif, bukan prediktif. Ukuran “kekasaran” yang sama dapat terjadi di bawah mekanisme yang berbeda.