フラクタル次元指数はどのように計算されますか？
直接の答え：何を計算し、どう計算するか
フラクタル次元指数（しばしば「FDI」風の指標に短縮されます）は、ある系列のフラクタル次元を推定することで計算されます（一般に価格またはリターンの時系列）。この推定により、より小さいスケールからより大きいスケールへと見ていったときに、カウントや変動性がどのように変化するかに基づいて、データが「どれくらい粗いか」または「スケールをまたいで自己相似的に見えるか」を反映する数値が得られます。
すべての製品やチャートパッケージに共通する単一の普遍的な公式はありません。実務上は、いくつかの一般的な推定ファミリーのいずれかに従います（たとえば、ボックスカウント型のスケーリングや、再スケール範囲型のスケーリングなど）。実装間で一貫しているのは、(1) 入力となる時系列、(2) ウィンドウ長またはサンプルサイズ、(3) 比較する「サイズ」を決めるスケーリングの選択が必要であることです。
メカニズムまたは定義：動く部品
1) 入力となる時系列を選ぶ
系列 ({x_t}) から始めます。取引関連の文脈では、(x_t) は次のようになり得ます：
- 生の価格系列 (\text{price}_t)
- ログ価格系列 (\log(\text{price}_t))
- リターン、たとえば (r_t = \log(\text{price}t/\text{price}{t-1}))
異なる手法は「粗さ」を異なる形で解釈するため、どの (x_t) を使うかが重要です。計算を検証するのが目的なら、最初のステップは、定義が前提としている変換（価格か、リターンか、ログ価格か）を確認することです。
2) 推定ファミリーを決める
時系列データからフラクタル次元を推定するための、広く使われている2つの方法は次のとおりです：
A) ボックスカウント型（カウントのスケーリング）
- 一連の表現に対して、ボックスサイズのグリッドを重ねます。
- ボックスサイズ (\varepsilon) ごとに、グラフを覆うのに必要なボックス数 (N(\varepsilon)) を数えます（または関連する埋め込み）。
- (N(\varepsilon) \propto \varepsilon^{-D}) のような関係をフィットさせます。これにより、(D) はログログプロットの傾きから推定できることを意味します。
典型的な推定ステップは次のようになります： [ \log N(\varepsilon) = a - D,\log \varepsilon ] そして、(\log N(\varepsilon)) を (\log \varepsilon) に対してフィットするときの傾きから (D) が得られます。
B) 再スケール範囲型（ラグ間での変動性のスケーリング）
- 異なるラグサイズ (\tau) にわたる変動性の指標（たとえば、レンジや集計された変動）を計算します。
- その変動性が (\tau) とともにどのようにスケールするかを調べます。
- フラクタル次元の推定値は、べき乗則をフィットして得られた指数から導出されます。
一般形は次のとおりです： [ \text{variability}(\tau) \propto \tau^{H} ] そして (D) は、モデルの仮定に固有の関係を使って (H) から対応付けられます。この対応付けは、結果を再現するために正確に明記される必要があります。
3) ウィンドウ長とスケーリング範囲（数を変えるパラメータ）
多くの指標実装はロール（移動）ベースで計算されます：
- ウィンドウ長 (L)：各時点で使う連続したデータ点の数。
- スケーリング範囲：考慮する (\varepsilon)（ボックスサイズ）または (\tau)（ラグ）。
- 最小のスケール数：ログログプロットで直線をフィットするために含める、異なるサイズの数。
(L) やスケーリング範囲を変えると、フィットされた傾き／指数が変わり得ます。これは、同じ基礎となる手法と設定を確認できない限り、プラットフォーム間で値を比較すべきでない理由の1つです。
4) 前処理と数値的な詳細
同じ一般的な手法が選ばれていても、結果は次のような実装上の選択に依存します：
- トレンド除去や正規化を行うかどうか。
- 欠損値をどう扱うか。
- ボックスカウントのために系列をどう埋め込むか（例：時間値平面でのグラフを使う）。
- 傾きのフィット方法（ログログ値に対する通常の最小二乗、頑健なフィットなど）。
これらは基礎となる概念を変えるわけではありませんが、最終的な推定値をずらし得ます。
証拠または例：独立して検証可能な計算テンプレート
すべてのツールに共通する「FDIの単一の普遍的な式」がないため、最も信頼できる検証方法は、意図する推定ファミリーの数学を再現することです。
以下は、ボックスカウント型アプローチのための自己完結型テンプレート（概念的ステップ）です：
- データのウィンドウ ({x_1, x_2, \dots, x_L}) を取る。
- 複数のボックスサイズ (\varepsilon_1, \varepsilon_2, \dots, \varepsilon_k) について、時間値グラフ表現（片方の軸が時間、もう片方の軸が (x_t)）にボックスを重ねる。
- (N(\varepsilon_i)) を計算する：ウィンドウ内でグラフを覆うのに必要なボックス数。
- (\log N(\varepsilon_i)) を (\log (1/\varepsilon_i)) に対してフィットする（符号を変えることで、(\log \varepsilon_i) に対してフィットするのと同等）。
- フィットした直線の傾きがフラクタル次元 (D) の推定値を与えます。これが、あなたの「フラクタル次元指数」の値に対応します。
再スケール範囲型アプローチでも、独立チェックは同様です：
- ラグ (\tau) の集合を選ぶ（たとえば、ウィンドウ長より下の小〜中程度の値）。
- 各 (\tau) で、選んだ変動性統計量を計算する。
- ログログ軸上でスケーリング則をフィットして指数を推定する。
- その指数から (D) へ、指定された対応付けを使う。
重要な前提：フィットしている関係は、選択したスケーリング範囲で意味のあるものでなければなりません。データがべき乗則に従っていないスケールに対してフィットを強制すると、傾きが不安定になります。
制限とリスク：計算が失敗したり誤解を招いたりする場所
1) 異なる定義は異なる結果を生む
実装は異なるフラクタル次元推定器や異なるパラメータ選択を使う可能性があるため、「FDI」同士でも直接比較できない場合があります。再現性は次の一致に依存します：
- 入力定義（価格か、リターンか、ログ価格か）
- 推定ファミリー（ボックスカウントか、再スケール範囲か）
- ウィンドウ長とスケーリング範囲
- フィット方法
2) 小標本と不安定なスケーリングフィット
フラクタル次元の推定は、複数のサイズにわたるスケーリング挙動を観測することに依存します。もしあなたが：
- 短すぎるウィンドウ (L) を使う、
- (\varepsilon) または (\tau) の値をあまりにも少なく含める、
- あるいは一貫したスケーリングが見られないスケーリング範囲を選ぶ、 といった場合、フィットされた傾き／指数はノイズを含み、わずかな変更で大きく変動し得ます。
3) 非定常性とレジーム変化
多くの時系列は時間とともに統計的性質が変わります。基礎となるプロセスが変化する（たとえば、ボラティリティのクラスタリングや構造変化）場合、固定されたウィンドウ内のスケーリング挙動が、より大きな文脈を代表しないことがあります。これは、得られた次元推定値の解釈可能性に影響します。
4) 実務上のデータ問題
推定を歪めるよくある問題：
- 信号スケールに対して大きすぎる計測ノイズ
- 外れ値が変動性統計量を支配してしまう
- 欠損、または不規則に間隔が空いたデータ
- 実行間での前処理の不一致
5) 数値の解釈
計算が正しくても、出力は記述的であって予測的ではありません。同じ「粗さ」の指標が、異なるメカニズムのもとで起こり得ます。
DOCUMENT END