Jak obliczany jest wskaźnik wymiaru fraktalnego?

Bezpośrednia odpowiedź: co obliczasz i jak

Wskaźnik wymiaru fraktalnego (często skracany do stylu wskaźnika „FDI”) jest obliczany poprzez oszacowanie wymiaru fraktalnego sekwencji (zazwyczaj szeregu czasowego cen lub stóp zwrotu). Estymacja daje liczbę, która odzwierciedla, jak „nierówny” lub „samopodobny w różnych skalach” jest dany zbiór danych, w oparciu o to, jak zmieniają się liczności lub zmienność podczas badania mniejszych i większych skal.

Nie ma jednego uniwersalnego wzoru dla każdego produktu lub pakietu do tworzenia wykresów. W praktyce obliczenia opierają się na jednej z kilku powszechnych rodzin estymacji (na przykład skalowanie w stylu zliczania pudełkowego lub skalowanie zakresu znormalizowanego). To, co jest spójne w różnych implementacjach, to potrzeba (1) wejściowego szeregu czasowego, (2) długości okna lub liczebności próby oraz (3) wyborów dotyczących skalowania, które określają, jakie „rozmiary” porównujesz.

Mechanizm lub definicja: ruchome części

1) Wybór wejściowego szeregu czasowego

Zaczynasz od sekwencji ({x_t}). W kontekstach związanych z handlem, (x_t) może być:

• Surowym szeregiem cen (\text{cena}_t)
• Szeregiem logarytmicznych cen (\log(\text{cena}_t))
• Stopami zwrotu, takimi jak (r_t = \log(\text{cena}t/\text{cena}{t-1}))

Różne metody różnie interpretują „nierówność”, więc ważne jest, którego (x_t) używasz. Jeśli Twoim celem jest weryfikacja obliczeń, pierwszym krokiem jest potwierdzenie, jaką transformację (ceny vs. stopy zwrotu vs. logarytmiczne ceny) zakłada definicja.

2) Decyzja o rodzinie estymacji

Dwie powszechnie stosowane metody estymacji wymiaru fraktalnego z danych szeregów czasowych to:

A) Styl zliczania pudełkowego (skalowanie liczności)

• Nakładasz siatkę pudełek o różnych rozmiarach na reprezentację szeregu.
• Dla każdego rozmiaru pudełka (\varepsilon) zliczasz, ile pudełek (N(\varepsilon)) jest potrzebnych do pokrycia wykresu (lub powiązanego zanurzenia).
• Dopasowujesz zależność taką jak (N(\varepsilon) \propto \varepsilon^{-D}), co oznacza, że (D) można oszacować z nachylenia wykresu log-log.

Typowy krok estymacji wygląda następująco: [ \log N(\varepsilon) = a - D,\log \varepsilon ] Następnie (D) jest uzyskiwane z nachylenia podczas dopasowywania (\log N(\varepsilon)) względem (\log \varepsilon).

B) Styl zakresu znormalizowanego (skalowanie zmienności w zależności od opóźnień)

• Obliczasz miarę zmienności dla różnych rozmiarów opóźnień (\tau) (na przykład zakresów lub zagregowanych wahań).
• Badasz, jak ta zmienność skaluje się z (\tau).
• Estymata wymiaru fraktalnego jest wyprowadzana z wykładnika uzyskanego przez dopasowanie prawa potęgowego.

Ogólna wersja to: [ \text{zmienność}(\tau) \propto \tau^{H} ] a następnie (D) jest mapowane z (H) za pomocą zależności specyficznej dla przyjętych założeń modelu. Mapowanie musi być dokładnie określone, aby można było odtworzyć wyniki.

3) Długość okna i zakres skalowania (parametry, które zmieniają liczbę)

Większość implementacji wskaźników jest obliczana w sposób kroczący:

• Długość okna (L): ile kolejnych punktów jest używanych w każdym kroku czasowym.
• Zakres skalowania: które (\varepsilon) (rozmiary pudełek) lub (\tau) (opóźnienia) są brane pod uwagę.
• Minimalna liczba skal: ile różnych rozmiarów uwzględniasz, aby dopasować linię na wykresie log-log.

Jeśli zmienisz (L) lub zakres skalowania, dopasowane nachylenie/wykładnik może się zmienić. To jeden z powodów, dla których nie należy porównywać wartości z różnych platform, chyba że możesz potwierdzić tę samą podstawową metodę i ustawienia.

4) Przetwarzanie wstępne i szczegóły numeryczne

Nawet przy wyborze tej samej ogólnej metody wyniki zależą od decyzji implementacyjnych, takich jak:

• Czy trendujesz lub normalizujesz szereg.
• Jak obsługujesz brakujące wartości.
• Jak zanurzasz szereg do zliczania pudełkowego (np. używając wykresu na płaszczyźnie czas-wartość).
• Metoda dopasowania nachyleń (zwykłe najmniejsze kwadraty na wartościach log-log, dopasowanie odporne itp.).

Nie zmieniają one podstawowej koncepcji, ale mogą przesunąć ostateczną estymatę.

Dowód lub przykład: szablon obliczeniowy do niezależnej weryfikacji

Ponieważ nie ma jednego uniwersalnego „wzoru FDI” dla wszystkich narzędzi, najbardziej niezawodnym sposobem weryfikacji jest odtworzenie matematyki rodziny estymacji, której zamierzasz użyć.

Oto samodzielny szablon dla podejścia w stylu zliczania pudełkowego (kroki koncepcyjne):

1. Weź okno danych ({x_1, x_2, \dots, x_L}).
2. Dla kilku rozmiarów pudełek (\varepsilon_1, \varepsilon_2, \dots, \varepsilon_k), nałóż pudełka na reprezentację wykresu czas-wartość (czas na jednej osi, (x_t) na drugiej).
3. Oblicz (N(\varepsilon_i)): liczbę pudełek potrzebnych do pokrycia wykresu w oknie.
4. Dopasuj (\log N(\varepsilon_i)) względem (\log (1/\varepsilon_i)) (równoważnie względem (\log \varepsilon_i) ze zmianą znaku).
5. Nachylenie dopasowanej linii daje estymatę wymiaru fraktalnego (D), która odpowiada wartości Twojego „wskaźnika wymiaru fraktalnego”.

Dla podejścia w stylu zakresu znormalizowanego, niezależna kontrola jest podobna:

1. Wybierz zestaw opóźnień (\tau) (na przykład małe do umiarkowanych wartości poniżej długości okna).
2. Oblicz wybraną statystykę zmienności dla każdego (\tau).
3. Dopasuj prawo skalowania na osiach log-log, aby oszacować wykładnik.
4. Użyj określonego mapowania z tego wykładnika na (D).

Kluczowe założenie: zależność, którą dopasowujesz, musi być znacząca w wybranym zakresie skalowania. Jeśli dopasowanie jest wymuszone w skalach, w których dane nie podlegają prawu potęgowemu, nachylenie może być niestabilne.

Ograniczenia i ryzyka: gdzie obliczenia zawodzą lub wprowadzają w błąd

1) Różne definicje dają różne wyniki

Ponieważ implementacje mogą używać różnych estymatorów wymiaru fraktalnego i różnych wyborów parametrów, dwie liczby „FDI” mogą nie być bezpośrednio porównywalne. Powtarzalność zależy od dopasowania:

• definicji wejściowej (ceny vs. stopy zwrotu vs. logarytmiczne ceny)
• rodziny estymacji (zliczanie pudełkowe vs. zakres znormalizowany)
• długości okna i zakresu skalowania
• metody dopasowania

2) Małe próby i niestabilne dopasowania skalowania

Estymacja wymiaru fraktalnego opiera się na obserwacji zachowania skalowania w wielu rozmiarach. Jeśli:

• używasz zbyt krótkiego okna (L),
• uwzględniasz zbyt mało wartości (\varepsilon) lub (\tau),
• lub wybierasz zakresy skalowania, które nie wykazują spójnego skalowania, wówczas dopasowane nachylenie/wykładnik staje się zaszumione i może się znacznie zmieniać przy niewielkich zmianach.

3) Niestacjonarność i zmiany reżimu

Wiele szeregów czasowych zmienia swoje zachowanie statystyczne w czasie. Jeśli proces bazowy się zmienia (na przykład grupowanie zmienności lub zmiany strukturalne), wówczas zachowanie skalowania w stałym oknie może nie odzwierciedlać szerszego kontekstu. Wpływa to na interpretowalność wynikowej estymaty wymiaru.

4) Praktyczne problemy z danymi

Typowe problemy zniekształcające estymację:

• duży szum pomiarowy w stosunku do skali sygnału
• wartości odstające dominujące w statystyce zmienności
• brakujące lub nieregularnie rozmieszczone dane
• niespójne przetwarzanie wstępne między uruchomieniami

5) Interpretacja liczby

Nawet gdy obliczenia są poprawne, wynik ma charakter opisowy, a nie predykcyjny. Ta sama miara „nierówności” może wystąpić w różnych mechanizmach.