Considerazioni avanzate per l’indice di dimensione frattale
Definizione dell’indice di dimensione frattale (FDI)
L’indice di dimensione frattale (FDI) è una misura concepita per riassumere come la “ruvidezza” o la “complessità” in una serie temporale cambia quando si osserva la serie a diverse scale. In termini semplici, se un segnale appare molto irregolare quando campionato finemente ma più liscio a una risoluzione più grossolana, un approccio di tipo frattale basato sulla scala può riflettere questo comportamento con un valore numerico.
L’idea fondamentale è che l’FDI deriva dalla relazione tra le variazioni misurate a più risoluzioni; non viene ottenuto da una singola candela o osservazione. Per questo motivo, il risultato è sensibile al modo in cui si costruisce la serie di input: l’intervallo di campionamento, la finestra temporale e i passaggi di pre-elaborazione.
Come funziona l’FDI a livello generale
Le formule esatte variano a seconda dell’implementazione, ma la maggior parte degli approcci pratici all’FDI segue uno schema simile:
- Partire da una serie temporale. Si prende una sequenza di osservazioni (ad esempio, prezzi, rendimenti o un’altra serie derivata) indicizzata nel tempo.
- Definire i livelli di scala. Si creano più “risoluzioni” della stessa sequenza sottostante. Questo può significare ricampionare, usare diverse dimensioni di box o calcolare differenze su diverse lunghezze di passo.
- Misurare come la variazione dipende dalla scala. Per ogni scala, si calcola una quantità legata al movimento o alla copertura.
- Adattare una relazione di scala e convertirla in un numero simile a una dimensione. Molti metodi stimano una pendenza in una relazione log-log. La pendenza viene quindi mappata su un’interpretazione di tipo dimensione frattale.
Un modello semplice per ragionare
Supponiamo di calcolare una statistica di variazione per diverse lunghezze di passo: passi piccoli catturano variazioni fini, mentre passi grandi catturano strutture più ampie. Se la variazione cresce in modo coerente passando a passi più piccoli, la pendenza è più stabile e la stima della dimensione è più significativa. Se la variazione non segue un modello di scala coerente, la pendenza adattata può diventare instabile e l’FDI difficile da interpretare.
Separare la definizione dell’input dal comportamento di mercato
Una considerazione avanzata è trattare “ciò che misura l’FDI” come una proprietà della serie scelta:
- Quale serie gli si fornisce in input? Livelli di prezzo, log-prezzi, rendimenti o valori normalizzati si comportano in modo diverso.
- Come si gestiscono i dati mancanti e gli eventi societari (se applicabili)? Eventuali lacune o aggiustamenti possono alterare la scala.
- Come si standardizza? Se si ridimensionano i valori (ad esempio, normalizzando), la relazione di scala potrebbe cambiare o rimanere invariata a seconda del metodo.
Poiché si controllano questi passaggi, si può verificare se l’indice calcolato riflette la serie sottostante o artefatti derivanti dal pre-elaborazione.
Dipendenze avanzate e casi limite
1) Lunghezza della finestra dati e dimensioni dei passi
L’FDI richiede un numero sufficiente di osservazioni per stimare una relazione di scala su più scale. Se la finestra è troppo corta rispetto alla dimensione massima del passo, allora:
- si potrebbero avere troppi pochi punti di scala per un adattamento affidabile,
- la stima può oscillare fortemente con piccoli cambiamenti nei dati,
- la pendenza adattata potrebbe essere dominata dal rumore piuttosto che dalla struttura.
Un controllo avanzato pratico consiste nel mantenere tutto costante tranne la lunghezza della finestra e verificare se l’FDI tende in modo coerente. Se oscilla ampiamente, la stima è probabilmente instabile per quella configurazione.
2) Intervallo di campionamento e rumore da “microstruttura”
Cambiare la frequenza di campionamento può alterare il carattere dei dati. A frequenze più elevate, la variazione osservata include spesso effetti come la discretizzazione bid/ask e il rumore di microstruttura; a frequenze più basse, questi effetti vengono mediati.
Poiché l’FDI dipende da come si comporta la variazione su diverse scale, le scelte di campionamento possono alterare materialmente l’indice calcolato. Ciò significa che non si dovrebbe assumere che un valore di FDI calcolato su un timeframe sia direttamente confrontabile con un valore di FDI calcolato su un altro timeframe senza allineamento accurato e controlli metodologici.
3) Non stazionarietà e cambi di regime
Le serie temporali finanziarie sono spesso non stazionarie: le loro proprietà statistiche possono variare nel tempo. Poiché l’FDI viene calcolato su finestre di dati recenti, un cambiamento di regime può alterare la relazione di scala anche in assenza di un “segnale” significativo.
Un modo di fallimento appare così:
- In un regime volatile e tendenziale, la variazione su scala fine potrebbe aumentare sistematicamente, alterando la pendenza adattata.
- Dopo un cambiamento di regime, la stessa procedura di scala produce una pendenza diversa.
Interpretare questi cambiamenti richiede cautela: l’indice potrebbe rilevare una struttura dipendente dal regime, ma non necessariamente prevedere risultati futuri.
4) Valori anomali e code pesanti
Se il calcolo della variazione a ogni scala è sensibile ai movimenti ampi, allora i valori anomali possono dominare l’adattamento della scala. Un comportamento con code pesanti può quindi gonfiare o distorcere l’FDI.
Un modo per verificare indipendentemente ciò è ricalcolare l’FDI con una trasformazione robusta (ad esempio, usando una misura di variazione limitata o winsorizzata) e vedere se i risultati rimangono simili. Se i risultati dipendono da pochi punti estremi, l’FDI potrebbe riflettere valori anomali piuttosto che una scala coerente.
5) Ambiguità tra serie di prezzo e rendimenti
Alcune implementazioni calcolano l’FDI dai livelli di prezzo grezzi, mentre altre usano log-prezzi o rendimenti. Queste scelte possono alterare la stazionarietà e la dipendenza dalla scala.
Un lettore avanzato dovrebbe esplicitare l’assunzione: l’FDI qui è calcolato dalla serie X, usando il metodo Y, su una finestra di lunghezza Z, con livelli di scala S. Senza questo, due “valori di FDI” riportati da fonti diverse potrebbero non essere confrontabili in modo significativo.
Limitazioni e rischi materiali
Limitazione: l’FDI è descrittivo, non predittivo di per sé
L’FDI produce una stima numerica di una proprietà legata alla scala. Anche se l’FDI correla con certi stati di mercato nei dati storici, ciò non significa che preveda in modo affidabile movimenti futuri. Le relazioni possono rompersi quando costi, esecuzione, struttura di mercato o dinamiche cambiano.
Modo di fallimento: adattamento instabile della scala
Se la relazione log-log non è approssimativamente lineare nell’intervallo di scala scelto, la stima della pendenza diventa instabile. Le cause comuni includono:
- troppo pochi livelli di scala nella finestra,
- rumore che sovrasta il segnale su scale piccole,
- osservazioni insufficienti su scale grandi,
- una relazione di scala che cambia tra regimi.
Modo di fallimento: sensibilità ai parametri
Le implementazioni dell’FDI spesso dipendono da scelte regolabili: lunghezza della finestra, intervallo di scala, schema di differenziazione e metodo di calcolo della variazione. Se l’interpretazione dell’FDI dipende da parametri accuratamente selezionati, potrebbe esserci un overfitting su un campione o dataset particolare.
Incertezza sulla comparabilità tra mercati
Anche senza nominare fornitori specifici, si dovrebbe assumere che la comparabilità non sia garantita a meno che la metodologia non sia identica. Diverse librerie software possono implementare la “dimensione frattale” in modi che producono significati numerici diversi.
Evidenza o esempio (orientato alla verifica)
Poiché qui non si assume l’esistenza di dati in tempo reale, il “miglior esempio” è un flusso di lavoro di verifica riproducibile.