Como o Índice de Dimensão Fractal é Calculado?

Resposta direta: o que você calcula e como

O Índice de Dimensão Fractal (frequentemente abreviado como um indicador estilo “FDI”) é calculado estimando a dimensão fractal de uma sequência (comumente uma série temporal de preços ou retornos). A estimativa produz um número que reflete o quão “irregular” ou “autossimilar entre escalas” os dados parecem, com base em como as contagens ou a variabilidade mudam à medida que você examina escalas menores e maiores.

Não existe uma fórmula universal única para todos os produtos ou plataformas de gráficos. Na prática, o cálculo segue uma de algumas famílias comuns de estimativa (por exemplo, escala estilo contagem de caixas ou escala de amplitude reescalonada). O que é consistente entre as implementações é a necessidade de (1) uma série temporal de entrada, (2) um comprimento de janela ou tamanho de amostra e (3) escolhas de escala que determinam quais “tamanhos” você compara.

Mecanismo ou definição: as partes móveis

1) Escolha a série temporal de entrada

Você começa com uma sequência ({x_t}). Em contextos relacionados a trading, (x_t) pode ser:

• Uma série de preços brutos (\text{price}_t)
• Uma série de log-preços (\log(\text{price}_t))
• Retornos, como (r_t = \log(\text{price}t/\text{price}{t-1}))

Diferentes métodos interpretam “irregularidade” de maneiras diferentes, então importa qual (x_t) você usa. Se seu objetivo é verificar cálculos, seu primeiro passo é confirmar qual transformação (preço vs. retornos vs. log-preço) a definição assume.

2) Decida sobre a família de estimativa

Duas maneiras amplamente usadas para estimar a dimensão fractal a partir de dados de séries temporais são:

A) Estilo contagem de caixas (escala de contagens)

• Você sobrepõe uma grade de tamanhos de caixa em uma representação da série.
• Para cada tamanho de caixa (\varepsilon), você conta quantas caixas (N(\varepsilon)) são necessárias para cobrir o gráfico (ou uma incorporação relacionada).
• Você ajusta uma relação como (N(\varepsilon) \propto \varepsilon^{-D}), o que implica que (D) pode ser estimado a partir da inclinação de um gráfico log-log.

Uma etapa típica de estimativa se parece com: [ \log N(\varepsilon) = a - D,\log \varepsilon ] Então (D) é obtido a partir da inclinação quando você ajusta (\log N(\varepsilon)) versus (\log \varepsilon).

B) Estilo amplitude reescalonada (escala de variabilidade entre lags)

• Você calcula uma medida de variabilidade para diferentes tamanhos de lag (\tau) (por exemplo, amplitudes ou flutuações agregadas).
• Você examina como essa variabilidade escala com (\tau).
• A estimativa da dimensão fractal é derivada de um expoente obtido ajustando uma lei de potência.

Uma versão genérica é: [ \text{variabilidade}(\tau) \propto \tau^{H} ] e então (D) é mapeado a partir de (H) usando uma relação específica para as suposições do modelo. O mapeamento deve ser declarado exatamente para reproduzir os resultados.

3) Comprimento da janela e intervalo de escala (os parâmetros que mudam o número)

A maioria das implementações de indicadores é calculada de forma contínua:

• Comprimento da janela (L): quantos pontos consecutivos são usados em cada etapa de tempo.
• Intervalo de escala: quais (\varepsilon) (tamanhos de caixa) ou (\tau) (lags) são considerados.
• Número mínimo de escalas: quantos tamanhos distintos você inclui para ajustar uma linha em um gráfico log-log.

Se você alterar (L) ou o intervalo de escala, a inclinação/expoente ajustado pode mudar. Essa é uma razão pela qual você não deve comparar valores entre plataformas, a menos que possa confirmar o mesmo método e configurações subjacentes.

4) Pré-processamento e detalhes numéricos

Mesmo quando o mesmo método geral é escolhido, os resultados dependem de escolhas de implementação, como:

• Se você remove a tendência ou normaliza a série.
• Como você lida com valores ausentes.
• Como você incorpora a série para contagem de caixas (por exemplo, usando o gráfico no plano tempo-valor).
• O método de ajuste para inclinações (mínimos quadrados ordinários em valores log-log, ajuste robusto, etc.).

Isso não muda o conceito subjacente, mas pode alterar a estimativa final.

Evidência ou exemplo: um modelo de cálculo verificável de forma independente

Como não existe uma “fórmula FDI” universal única para todas as ferramentas, a maneira mais confiável de verificar é reproduzir a matemática da família de estimativa que você pretende usar.

Aqui está um modelo autocontido para uma abordagem estilo contagem de caixas (etapas conceituais):

1. Pegue uma janela de dados ({x_1, x_2, \dots, x_L}).
2. Para vários tamanhos de caixa (\varepsilon_1, \varepsilon_2, \dots, \varepsilon_k), sobreponha caixas na representação do gráfico tempo-valor (tempo em um eixo, (x_t) no outro).
3. Calcule (N(\varepsilon_i)): o número de caixas necessárias para cobrir o gráfico dentro da janela.
4. Ajuste (\log N(\varepsilon_i)) contra (\log (1/\varepsilon_i)) (equivalentemente contra (\log \varepsilon_i) com uma mudança de sinal).
5. A inclinação da linha ajustada fornece uma estimativa da dimensão fractal (D), que é então o que seu valor de “Índice de Dimensão Fractal” corresponde.

Para uma abordagem estilo amplitude reescalonada, a verificação independente é semelhante:

1. Escolha um conjunto de lags (\tau) (por exemplo, valores pequenos a moderados abaixo do comprimento da janela).
2. Calcule a estatística de variabilidade escolhida em cada (\tau).
3. Ajuste uma lei de escala em eixos log-log para estimar o expoente.
4. Use o mapeamento especificado desse expoente para (D).

Premissa principal: a relação que você está ajustando deve ser significativa sobre o intervalo de escala selecionado. Se o ajuste for forçado sobre escalas onde os dados não seguem uma lei de potência, a inclinação pode ser instável.

Limitações e riscos: onde os cálculos falham ou enganam

1) Definições diferentes produzem resultados diferentes

Como as implementações podem usar diferentes estimadores de dimensão fractal e diferentes escolhas de parâmetros, dois números “FDI” podem não ser diretamente comparáveis. A reprodutibilidade depende de corresponder:

• à definição de entrada (preço vs retornos vs log-preço)
• à família de estimativa (contagem de caixas vs amplitude reescalonada)
• ao comprimento da janela e intervalo de escala
• ao método de ajuste

2) Amostras pequenas e ajustes de escala instáveis

A estimativa da dimensão fractal depende da observação do comportamento de escala em múltiplos tamanhos. Se você:

• usar uma janela (L) muito curta,
• incluir poucos valores de (\varepsilon) ou (\tau),
• ou selecionar intervalos de escala que não mostram escala consistente, então a inclinação/expoente ajustado se torna ruidosa e pode variar substancialmente com pequenas mudanças.

3) Não estacionariedade e mudanças de regime

Muitas séries temporais mudam seu comportamento estatístico ao longo do tempo. Se o processo subjacente mudar (por exemplo, agrupamento de volatilidade ou mudanças estruturais), então o comportamento de escala dentro de uma janela fixa pode não representar o contexto maior. Isso afeta a interpretabilidade da estimativa de dimensão resultante.

4) Problemas práticos de dados

Problemas comuns que distorcem a estimativa:

• ruído de medição pesado em relação à escala do sinal
• outliers dominando a estatística de variabilidade
• dados ausentes ou espaçados irregularmente
• pré-processamento inconsistente entre execuções

5) Interpretando o número

Mesmo quando o cálculo está correto, a saída é descritiva, não preditiva. A mesma medida de “irregularidade” pode ocorrer sob diferentes mecanismos.