Indice della Dimensione Frattale

Cosa significa Indice della Dimensione Frattale

L’Indice della Dimensione Frattale (FDI) è un modo per quantificare quanto una serie temporale appaia “complessa” o “irregolare” su diverse scale. In termini semplici, cerca di misurare se le fluttuazioni nei dati si comportano più come una curva liscia o più come un percorso frastagliato e irregolare.

Nel contesto degli indicatori statistici e adattivi per i dati di mercato, l’FDI è meglio compreso come una caratteristica descrittiva: riassume le caratteristiche strutturali di una serie (ad esempio, una sequenza di prezzi o rendimenti) in un singolo valore per una finestra temporale scelta. Una complessità maggiore è spesso associata a movimenti più irregolari, mentre una complessità minore è associata a movimenti più regolari. L’esatta direzionalità (“più alto significa più irregolare”) dipende dalla formula e dall’implementazione specifica.

Come funziona: input, finestre temporali e relazioni di scala

La maggior parte degli indicatori pratici di tipo FDI segue uno schema comune:

1. Scegliere una serie di dati: Una scelta tipica è una sequenza derivata dai prezzi di mercato, come prezzi grezzi o rendimenti. L’interpretazione cambia con la scelta, ma lo scopo rimane lo stesso: creare un insieme ordinato di osservazioni.

2. Scegliere una finestra temporale: L’FDI viene solitamente calcolato su un segmento mobile di lunghezza fissa. Ciò significa che il valore al tempo t dipende dalle osservazioni dal tempo t - finestra + 1 al tempo t. Una finestra più lunga può attenuare gli effetti a breve termine; una finestra più corta può reagire più rapidamente ma può diventare più sensibile al rumore.

3. Applicare un’idea di scala basata sulla dimensione frattale: L’idea centrale deriva dalla misurazione di come il “dettaglio” cresce quando si osserva la stessa curva a diverse risoluzioni. In molte formulazioni, questo viene implementato confrontando stime su più scale (ad esempio, usando dimensioni di passo diverse) e adattando o aggregando una relazione di scala.

4. Convertire la stima in un valore indice: Le implementazioni possono normalizzare il risultato in modo che l’indicatore rientri in un intervallo specifico o sia più facile da confrontare nel tempo. Poiché le formule differiscono, due sistemi che usano lo stesso nome possono comunque produrre comportamenti numerici diversi.

Un’intuizione semplice

Se la serie è più liscia su diverse scale, la complessità stimata cambia meno al variare della risoluzione. Se la serie è altamente irregolare, la complessità stimata cambia maggiormente con la risoluzione. L’FDI converte questo comportamento multiscala in un singolo numero per ogni finestra.

Meccanica nella pratica: cosa si può e non si può dedurre

I valori FDI sono tipicamente usati per confrontare condizioni nel tempo (all’interno dello stesso flusso di dati e con le stesse impostazioni dei parametri). Ad esempio, se l’indice aumenta su diverse finestre, ciò suggerisce che la complessità/irregolarità misurata è aumentata con le stesse impostazioni di calcolo.

Tuttavia, l’FDI non è intrinsecamente legato a una causa economica specifica. Non etichetta direttamente “trend”, “mean reversion” o “breakout” nel modo in cui questi concetti sono spesso discussi. Invece, riassume la complessità geometrica. Qualsiasi mappatura da schemi FDI a comportamenti di mercato deve derivare da un’analisi riproducibile su dati storici.

Limitazioni e rischi rilevanti

Poiché l’FDI viene calcolato da osservazioni finite e rumorose e dipende da come viene implementata la scala, diverse limitazioni sono importanti.

1) Sensibilità ai dettagli di implementazione

L’FDI è un concetto, non una singola formula universalmente standardizzata. Diversi fornitori o librerie possono definire l’indicatore con diverse:

• fasi di scala (quali “risoluzioni” vengono usate),
• lunghezza della finestra,
• normalizzazione,
• gestione dei dati mancanti,
• scelta della serie sottostante (prezzo vs. rendimenti).

Ciò significa che due FDI chiamati “stesso” indicatore potrebbero non essere direttamente comparabili.

2) Sensibilità al rumore e al campionamento

Le serie temporali di mercato possono includere rumore di microstruttura, attività di trading irregolari ed effetti derivanti dalla frequenza di campionamento. Poiché le misure di tipo dimensione frattale si basano su come la struttura si comporta su diverse scale, il rumore può influenzare materialmente la complessità calcolata.

Se si cambia l’intervallo di campionamento (ad esempio, da un minuto a cinque minuti), il comportamento di scala stimato può cambiare anche quando il processo “reale” sottostante è simile.

3) Incertezza statistica da finestre corte

Quando la finestra temporale è breve, la stima multiscala si basa su meno punti. Ciò può aumentare la varianza e rendere l’indicatore instabile. Di conseguenza, i cambiamenti apparenti potrebbero riflettere errori di stima piuttosto che un vero cambiamento nella struttura.

4) Rischio di sopravvalutazione di un singolo numero

L’FDI fornisce una singola statistica riassuntiva per ogni finestra. Un singolo valore non può confermare da solo un regime strutturale. Senza un controllo indipendente (ad esempio, ispezione visiva o confronto con altre misure di complessità), è facile trarre conclusioni non supportate dai dati.

5) Nessuna garanzia intrinseca di utilità predittiva

Un indicatore derivato dalla complessità può comunque essere utile per l’analisi, ma non ha una garanzia intrinseca di potere predittivo. Se correla con il comportamento futuro dipende dalla classe di attività, dal periodo temporale, dalle condizioni di mercato e dalle scelte esatte di calcolo.

Come verificare in modo indipendente il comportamento

Per utilizzare l’FDI in modo responsabile come strumento di ricerca, concentrarsi su osservazioni ripetibili e verificabili:

• Ricalcolare l’indicatore usando esattamente la stessa formula e gli stessi parametri sullo stesso dataset.
• Testare la robustezza variando la lunghezza della finestra e le scelte di scala per vedere se le conclusioni cambiano drasticamente.
• Confrontare l’FDI calcolato su serie diverse ma correlate (ad esempio, prezzo vs. rendimenti) per capire come la definizione influisce sull’output.
• Verificare la stabilità su diversi intervalli di date per ridurre la probabilità che i risultati siano specifici di un singolo periodo storico.

Prospettiva di confronto: FDI rispetto ad altre caratteristiche adattive

L’FDI è un approccio per descrivere la struttura tramite l’irregolarità multiscala. Altri indicatori statistici e adattivi spesso mirano a proprietà diverse — come dispersione, autocorrelazione o forma della distribuzione — piuttosto che alla complessità geometrica su scale diverse. Questo non rende l’FDI migliore o peggiore, ma cambia ciò che può ragionevolmente rappresentare: l’FDI riassume la complessità, mentre altri indicatori riassumono altri aspetti statistici della serie temporale.

Se il vostro obiettivo è caratterizzare le condizioni di mercato, può essere utile trattare l’FDI come una caratteristica di input all’interno di un quadro descrittivo più ampio, e validare qualsiasi relazione con gli esiti usando un’analisi riproducibile piuttosto che un’interpretazione assunta.