Pertimbangan lanjutan untuk Indeks Dimensi Fraktal

Mendefinisikan Indeks Dimensi Fraktal (FDI)

Indeks Dimensi Fraktal (FDI) adalah ukuran yang dimaksudkan untuk merangkum bagaimana “kekasaran” atau “kompleksitas” dalam deret waktu berubah ketika Anda melihat deret tersebut pada skala yang berbeda. Secara sederhana, jika sebuah sinyal terlihat sangat tidak teratur ketika disampel secara halus tetapi lebih halus ketika dilihat pada resolusi yang lebih kasar, pendekatan penskalaan bergaya fraktal dapat mencerminkan hal tersebut dengan nilai numerik.

Ide utamanya adalah bahwa FDI diturunkan dari hubungan antara perubahan yang diukur pada berbagai resolusi—FDI tidak diperoleh dari pengamatan satu candle atau bar saja. Karena itu, hasilnya sensitif terhadap cara Anda membangun deret masukan: interval pengambilan sampel, jendela waktu, dan langkah prapemrosesan.

Cara kerja FDI pada tingkat tinggi

Rumus pasti bervariasi menurut implementasi, tetapi sebagian besar pendekatan FDI praktis mengikuti pola yang serupa:

1. Mulai dari deret waktu. Anda mengambil urutan pengamatan (misalnya, harga, return, atau deret turunan lainnya) yang diindeks berdasarkan waktu.
2. Tentukan tingkat skala. Anda membuat beberapa “resolusi” dari urutan dasar yang sama. Ini bisa berarti pengambilan sampel ulang, menggunakan ukuran kotak yang berbeda, atau menghitung perbedaan pada beberapa panjang langkah.
3. Ukur bagaimana variasi bergantung pada skala. Untuk setiap skala, Anda menghitung kuantitas yang terkait dengan pergerakan atau cakupan.
4. Sesuaikan hubungan penskalaan dan ubah menjadi angka seperti dimensi. Banyak metode memperkirakan kemiringan dalam hubungan log–log. Kemiringan tersebut kemudian dipetakan ke interpretasi dimensi fraktal.

Model sederhana untuk dipertimbangkan

Asumsikan Anda menghitung statistik variasi untuk beberapa ukuran langkah: langkah kecil menangkap perubahan halus, sementara langkah besar menangkap struktur yang lebih luas. Jika variasi tumbuh saat Anda bergerak menuju langkah yang lebih kecil secara konsisten, kemiringan lebih stabil, dan estimasi dimensi lebih bermakna. Jika variasi tidak mengikuti pola penskalaan yang konsisten, kemiringan yang disesuaikan bisa menjadi tidak stabil, dan FDI menjadi sulit untuk ditafsirkan.

Pisahkan definisi masukan dari perilaku pasar

Salah satu pertimbangan lanjutan adalah memperlakukan “apa yang diukur FDI” sebagai properti dari definisi deret yang Anda pilih:

• Deret apa yang Anda masukkan? Tingkat harga, log-harga, return, atau nilai yang dinormalisasi berperilaku berbeda.
• Bagaimana Anda menangani data yang hilang dan aksi korporasi (jika berlaku)? Setiap celah atau penyesuaian dapat mengubah penskalaan.
• Bagaimana Anda menstandarkan? Jika Anda menskalakan nilai (misalnya, menormalkan), hubungan penskalaan mungkin berubah atau tetap invarian tergantung pada metode.

Karena Anda mengontrol langkah-langkah ini, Anda dapat memverifikasi apakah indeks yang dihitung mencerminkan deret yang mendasarinya atau artefak dari prapemrosesan.

Ketergantungan lanjutan dan kasus tepi

1) Panjang jendela data dan ukuran langkah

FDI membutuhkan pengamatan yang cukup untuk memperkirakan hubungan penskalaan di berbagai skala. Jika jendela Anda terlalu pendek relatif terhadap ukuran langkah terbesar, maka:

• Anda mungkin memiliki terlalu sedikit titik skala untuk penyesuaian yang andal,
• estimasi dapat berfluktuasi kuat dengan perubahan data kecil,
• kemiringan yang disesuaikan mungkin didominasi oleh noise daripada struktur.

Pemeriksaan lanjutan yang praktis adalah menahan semua hal konstan kecuali panjang jendela dan memverifikasi apakah FDI bergerak dalam arah yang konsisten. Jika berayun lebar, estimasi kemungkinan tidak stabil untuk konfigurasi tersebut.

2) Interval pengambilan sampel dan noise “mikrostruktur”

Mengubah frekuensi pengambilan sampel dapat mengubah karakter data. Pada frekuensi yang lebih tinggi, variasi yang diamati sering kali mencakup efek seperti diskritisasi bid/ask dan noise mikrostruktur; pada frekuensi yang lebih rendah, efek-efek tersebut dirata-ratakan.

Karena FDI bergantung pada bagaimana variasi berperilaku di berbagai skala, pilihan pengambilan sampel dapat secara material mengubah indeks yang dihitung. Ini berarti Anda tidak boleh berasumsi bahwa nilai FDI yang dihitung pada satu timeframe sebanding langsung dengan nilai FDI yang dihitung pada timeframe lain tanpa penyelarasan yang cermat dan pemeriksaan metodologi.

3) Nonstasioneritas dan perubahan rezim

Deret waktu keuangan sering kali nonstasioner: properti statistiknya dapat bergeser seiring waktu. Karena FDI dihitung dari jendela data terbaru, pergeseran rezim dapat mengubah hubungan penskalaan bahkan jika tidak ada peristiwa “sinyal” yang bermakna.

Mode kegagalan terlihat seperti ini:

• Dalam rezim yang volatil dan tren, variasi skala halus dapat meningkat secara sistematis, mengubah kemiringan yang disesuaikan.
• Setelah perubahan rezim, prosedur penskalaan yang sama menghasilkan kemiringan yang berbeda.

Menafsirkan perubahan ini membutuhkan kehati-hatian: indeks mungkin mendeteksi struktur yang bergantung pada rezim, tetapi tidak serta merta meramalkan hasil di masa depan.

4) Pencilan dan ekor tebal

Jika perhitungan variasi pada setiap skala sensitif terhadap pergerakan besar, maka pencilan dapat mendominasi penyesuaian penskalaan. Perilaku ekor tebal karena itu dapat menggelembungkan atau mendistorsi FDI.

Salah satu cara untuk memeriksa ini secara independen adalah menghitung ulang FDI dengan transformasi yang kuat (misalnya, menggunakan ukuran variasi yang dibatasi atau di-winsorize) dan melihat apakah hasilnya tetap serupa. Jika hasil runtuh ke beberapa titik ekstrem, FDI mungkin mencerminkan pencilan daripada penskalaan yang konsisten.

5) Ambiguitas deret harga vs. return

Beberapa implementasi menghitung FDI dari tingkat harga mentah, sementara yang lain menggunakan log harga atau return. Pilihan-pilihan tersebut dapat mengubah stasioneritas dan ketergantungan skala.

Pembaca lanjutan harus secara eksplisit menyatakan asumsi: FDI di sini dihitung dari deret X, menggunakan metode Y, dengan panjang jendela Z, dengan tingkat skala S. Tanpa itu, dua “nilai FDI” yang dilaporkan oleh sumber yang berbeda mungkin tidak dapat dibandingkan secara bermakna.

Keterbatasan material dan risiko

Keterbatasan: FDI bersifat deskriptif, tidak prediktif dengan sendirinya

FDI menghasilkan estimasi numerik dari properti terkait penskalaan. Bahkan jika FDI berkorelasi dengan keadaan pasar tertentu dalam data historis, itu tidak berarti FDI secara andal memprediksi pergerakan di masa depan. Hubungan dapat rusak ketika biaya, eksekusi, struktur pasar, atau dinamika berubah.

Mode kegagalan: penyesuaian penskalaan yang tidak stabil

Jika hubungan log–log tidak kira-kira linear pada rentang skala yang dipilih, estimasi kemiringan menjadi tidak stabil. Alasan umum meliputi:

• terlalu sedikit tingkat skala dalam jendela,
• noise mengalahkan sinyal pada skala kecil,
• pengamatan yang tidak memadai pada skala besar,
• hubungan penskalaan yang berubah antar rezim.

Mode kegagalan: sensitivitas parameter

Implementasi FDI sering kali bergantung pada pilihan yang dapat disetel: panjang jendela, rentang skala, skema pembedaan, dan cara Anda menghitung variasi. Jika interpretasi FDI bergantung pada parameter yang dipilih dengan hati-hati, maka FDI mungkin overfitting pada sampel atau kumpulan data tertentu.

Ketidakpastian tentang keterbandingan lintas pasar

Bahkan tanpa menyebutkan penyedia tertentu, Anda harus berasumsi bahwa keterbandingan tidak dijamin kecuali metodologinya identik. Pustaka perangkat lunak yang berbeda dapat mengimplementasikan “dimensi fraktal” dengan cara yang menghasilkan makna numerik yang berbeda.

Bukti atau contoh (berfokus pada verifikasi)

Karena tidak ada data real-time yang diasumsikan di sini, “contoh” terbaik adalah alur kerja verifikasi yang dapat direproduksi.