分形维度指数可以与哪些指标结合使用？
直接答案
分形维度指数（FDI）可与其他非重复性分析输入结合使用——例如趋势、波动率或市况描述符，从而使整体分析利用互补信息，而非重复同一信号逻辑。主要的实际风险是输入相关性依赖：如果添加的变量源自驱动分形维度的相同价格路径特征，则它们可能同时失效。
机制或定义
分形维度指数（Fractal Dimension Index, FDI）是一种数值度量，旨在描述时间序列的表观复杂度，通常关注其结构在不同尺度上的变化。通俗地说，它将一系列观测值（例如价格或收益率序列）转化为一种类似复杂度的统计量。
“结合使用”可有多种含义：
- 分析中的特征叠加：在决策框架中将FDI与其他计算出的特征一同使用。
- 条件化处理：根据FDI是否处于特定范围，对另一指标进行差异化比较。
- 情境标注：将FDI视为描述环境的一个维度，而其他维度描述方向或变异性。
为保持机制清晰，假设你有一时间序列 X，并使用特定方法（窗口长度、采样频率、预处理如收益率或价格）计算FDI。任何组合都应使用相同的时序对齐和明确说明的预处理假设，因为若输入或计算设置发生变化，FDI值可能随之改变。
证据或示例（含明确假设）
考虑一个不涉及实时数据的简单分析设置：
- 假设你从一个收益率序列中，使用长度为 W 的滚动窗口计算FDI。
- 添加一个波动率特征，例如同一窗口 W 内收益率的滚动标准差。
- 添加一个趋势特征，例如同一窗口 W 内拟合直线的斜率。
为何这可能是非重复性的：FDI旨在刻画跨尺度的复杂性，而波动率衡量的是幅度/离散程度，趋势则衡量方向持续性。在一个有信息量的案例中，你可能会观察到：
- 高FDI + 高波动率：复杂性上升，价格运动变得更加混乱。
- 高FDI + 低波动率：复杂性上升但振幅不大，可能表明微观结构波动剧烈。
- 低FDI + 强趋势：序列显得更规则，同时方向持续存在。
实质性局限：这些特征均从同一底层序列计算得出，因此无法保证独立性。若趋势、波动率和FDI均对同一潜在市况变化（例如价格演变方式的结构性变化）作出反应，则“组合”可能主要反映一个共同驱动因素。
第二个示例是条件化处理：
- 计算另一指标（如类似动量的统计量），并在FDI指示环境更复杂时对其进行不同解读。
- 这是将FDI用作情境变量，而非独立预测因子。
局限性与风险
至少存在一种实质性失效模式：输入相关性风险。如果额外变量在数学或实践上与FDI所捕捉的特性相关联，则你的组合框架可能高估稳健性：性能提升可能源于共享依赖，而非互补信息。
其他预期局限包括：
- 方法敏感性：FDI通常依赖于计算选择（窗口大小、预处理、采样）。改变这些参数可能改变数值结果。
- 市况依赖性：复杂性与其他特征之间的关系可能随市场状况而变化。历史模式不能保证未来行为。
- 操作风险：若时间序列存在噪声、采样不一致或数据质量问题，FDI可能产生看似有意义但实为预处理伪影的反应。
- 发散/反转：当FDI相对于先前行为急剧变化时，可能表明市况转变，但也可能反映计算敏感性或短窗口不稳定性。
最后，结果取决于执行细节、成本和整体环境。即使经过仔细验证，也不能假设其预测准确性或安全性。
验证或下一步问题
要独立验证关于将FDI与其他输入结合的主张，应使用将机制与结果分离的流程：
- 保持FDI方法固定，并记录预处理假设。
- 在多个非重叠时间段上测试组合，而非仅一段数据。
- 通过测量移除某一输入后组合方法的变化程度，检查新增特征是否真正提供了新信息。
需解决的下一个问题是：你使用的是哪种具体的FDI方法和参数（窗口长度，以及是基于价格还是收益率计算）？