Considerações avançadas para o Índice de Dimensão Fractal

Definir o Índice de Dimensão Fractal (FDI)

O Índice de Dimensão Fractal (FDI) é uma medida que visa resumir como a “rugosidade” ou “complexidade” em uma série temporal muda quando você observa a série em diferentes escalas. Em termos simples, se um sinal parece muito irregular quando amostrado finamente, mas mais suave quando visto em resolução mais grosseira, uma abordagem de escala fractal pode refletir isso com um valor numérico.

A ideia central é que o FDI é derivado da relação entre mudanças medidas em múltiplas resoluções—ele não é obtido a partir de uma única observação de candle ou barra. Por causa disso, o resultado é sensível a como você constrói a série de entrada: o intervalo de amostragem, a janela de tempo e as etapas de pré-processamento.

Como o FDI funciona em um nível alto

As fórmulas exatas variam conforme a implementação, mas a maioria das abordagens práticas de FDI segue um padrão semelhante:

1. Comece com uma série temporal. Você pega uma sequência de observações (por exemplo, preços, retornos ou outra série derivada) indexada pelo tempo.
2. Defina níveis de escala. Você cria múltiplas “resoluções” da mesma sequência subjacente. Isso pode significar reamostragem, uso de diferentes tamanhos de caixa ou cálculo de diferenças em múltiplos comprimentos de passo.
3. Meça como a variação depende da escala. Para cada escala, você calcula uma quantidade relacionada ao movimento ou à cobertura.
4. Ajuste uma relação de escala e converta-a em um número semelhante a uma dimensão. Muitos métodos estimam uma inclinação em uma relação log–log. A inclinação é então mapeada para uma interpretação de dimensão fractal.

Um modelo simples para raciocinar

Suponha que você calcule uma estatística de variação para vários tamanhos de passo: passos pequenos capturam mudanças finas, enquanto passos grandes capturam estrutura mais ampla. Se a variação cresce de maneira consistente à medida que você se move para passos menores, a inclinação é mais estável e a estimativa de dimensão é mais significativa. Se a variação não segue um padrão de escala consistente, a inclinação ajustada pode se tornar instável e o FDI se torna difícil de interpretar.

Separar a definição de entrada do comportamento do mercado

Uma consideração avançada é tratar “o que o FDI mede” como uma propriedade da definição da sua série escolhida:

• Qual série você alimenta? Níveis de preço, log-preços, retornos ou valores normalizados se comportam de maneira diferente.
• Como você lida com dados ausentes e ações corporativas (se aplicável)? Quaisquer lacunas ou ajustes podem alterar a escala.
• Como você padroniza? Se você escalar valores (por exemplo, normalizando), a relação de escala pode mudar ou permanecer invariante, dependendo do método.

Como você controla essas etapas, pode verificar se o índice calculado reflete a série subjacente ou artefatos do pré-processamento.

Dependências avançadas e casos extremos

1) Comprimento da janela de dados e tamanhos de passo

O FDI requer observações suficientes para estimar uma relação de escala em múltiplas escalas. Se sua janela for muito curta em relação ao maior tamanho de passo, então:

• você pode ter poucos pontos de escala para um ajuste confiável,
• a estimativa pode flutuar fortemente com pequenas mudanças nos dados,
• a inclinação ajustada pode ser dominada por ruído em vez de estrutura.

Uma verificação avançada prática é manter tudo constante, exceto o comprimento da janela, e verificar se o FDI tende em uma direção consistente. Se ele oscilar amplamente, a estimativa provavelmente é instável para aquela configuração.

2) Intervalo de amostragem e ruído de “microestrutura”

Mudar a frequência de amostragem pode alterar o caráter dos dados. Em frequências mais altas, a variação observada frequentemente inclui efeitos como discretização de bid/ask e ruído de microestrutura; em frequências mais baixas, esses efeitos são suavizados.

Como o FDI depende de como a variação se comporta entre escalas, as escolhas de amostragem podem alterar materialmente o índice calculado. Isso significa que você não deve assumir que um valor de FDI calculado em um timeframe é diretamente comparável a um valor de FDI calculado em outro timeframe sem alinhamento cuidadoso e verificações de metodologia.

3) Não estacionaridade e mudanças de regime

As séries temporais financeiras são frequentemente não estacionárias: suas propriedades estatísticas podem se desviar ao longo do tempo. Como o FDI é calculado a partir de janelas de dados recentes, uma mudança de regime pode alterar a relação de escala, mesmo que não haja um evento de “sinal” significativo.

Um modo de falha se parece com isto:

• Em um regime volátil e de tendência, a variação em escala fina pode aumentar sistematicamente, mudando a inclinação ajustada.
• Após uma mudança de regime, o mesmo procedimento de escala produz uma inclinação diferente.

Interpretar essas mudanças requer cautela: o índice pode estar detectando estrutura dependente de regime, mas não necessariamente prevendo resultados futuros.

4) Outliers e caudas pesadas

Se o cálculo da variação em cada escala for sensível a grandes movimentos, então outliers podem dominar o ajuste de escala. O comportamento de caudas pesadas pode, portanto, inflar ou distorcer o FDI.

Uma maneira de verificar isso de forma independente é recalcular o FDI com uma transformação robusta (por exemplo, usando uma medida de variação limitada ou winsorizada) e ver se os resultados permanecem semelhantes. Se os resultados colapsarem em alguns pontos extremos, o FDI pode estar refletindo outliers em vez de escala consistente.

5) Ambiguidade entre séries de preço e retorno

Algumas implementações calculam o FDI a partir de níveis de preço brutos, enquanto outras usam log-preços ou retornos. Essas escolhas podem mudar a estacionaridade e a dependência de escala.

Um leitor avançado deve declarar explicitamente a suposição: o FDI aqui é calculado a partir da série X, usando o método Y, ao longo do comprimento de janela Z, com níveis de escala S. Sem isso, dois “valores de FDI” relatados por fontes diferentes podem não ser significativamente comparáveis.

Limitações materiais e riscos

Limitação: o FDI é descritivo, não preditivo por si só

O FDI produz uma estimativa numérica de uma propriedade relacionada à escala. Mesmo que o FDI se correlacione com certos estados de mercado em dados históricos, isso não significa que ele preveja movimentos futuros de forma confiável. As relações podem se quebrar quando custos, execução, estrutura de mercado ou dinâmicas mudam.

Modo de falha: ajuste de escala instável

Se a relação log–log não for aproximadamente linear no intervalo de escala escolhido, a estimativa da inclinação se torna instável. Razões comuns incluem:

• poucos níveis de escala na janela,
• ruído dominando o sinal em escalas pequenas,
• observações insuficientes em escalas grandes,
• uma relação de escala que muda entre regimes.

Modo de falha: sensibilidade a parâmetros

As implementações de FDI frequentemente dependem de escolhas ajustáveis: comprimento da janela, intervalo de escala, esquema de diferenciação e como você calcula a variação. Se a interpretação do FDI depender de parâmetros cuidadosamente selecionados, então pode estar superajustando a uma amostra ou conjunto de dados específico.

Incerteza sobre comparabilidade entre mercados

Mesmo sem nomear provedores específicos, você deve assumir que a comparabilidade não é garantida, a menos que a metodologia seja idêntica. Diferentes bibliotecas de software podem implementar “dimensão fractal” de maneiras que produzem significados numéricos diferentes.

Evidência ou exemplo (focado em verificação)

Como não há dados em tempo real assumidos aqui, o melhor “exemplo” é um fluxo de trabalho de verificação reproduzível.

FIM DO DOCUMENTO