[論文レビュー] On Estimation of Hurst Scaling Exponent through Discrete Wavelets

P. Manimaran, Prasanta K. Panigrahi+1 more|ArXiv.org|Apr 1, 2006

Complex Systems and Time Series Analysis参考文献 1被引用数 3

ひとこと要約

本稿では、非定常時系列におけるフラクタル次元（Hurstスケーリング指数）を推定するための離散ウェーブレットに基づく手法を提案する。デーブチース族のハイパスウェーブレット係数を用いてスケール依存のフラクタル変動を抽出する。離散ウェーブレットは連続ウェーブレットと比較して、より正確で統計的に独立な変動推定を可能にし、変動のパワーの過大評価を回避することで、信頼性の高いHurst指数の値をもたらすことが示された。

ABSTRACT

We study the scaling behavior of the fluctuations, as extracted through wavelet coefficients based on discrete wavelets. The analysis is carried out on a variety of physical data sets, as well as Gaussian white noise and binomial multi-fractal model time series and the results are compared with continuous wavelet based average wavelet coefficient method. It is found that high-pass coefficients of wavelets, belonging to the Daubechies family are quite good in estimating the true power in the fluctuations in a non-stationary time series. Hence, the fluctuation functions based on discrete wavelet coefficients find the Hurst scaling exponents accurately.

研究の動機と目的

• 自己相似的で非定常な時系列におけるHurstスケーリング指数を推定するための離散ウェーブレット変換の有効性を評価すること。
• 離散ウェーブレットに基づく変動関数と連続ウェーブレット平均ウェーブレット係数法の性能を比較すること。
• 連続ウェーブレットの過剰基底による変動パワーの過大評価という問題を解消すること。
• 物理的プラズマデータ、金融インデックス、およびガウス白色雑音やバイノミアル多フラクタルといった合成モデルを含む多様なデータセットを用いて手法の妥当性を検証すること。
• 離散ウェーブレットを、変動解析におけるHurst指数推定のための優れた代替手法として確立すること。

提案手法

• 本手法は、離散ウェーブレット変換（DWT）を用いて、複数のスケールにおける近似係数と詳細係数に時系列を分解する。
• 標準的な多フラクタル解析手順に従い、平均値を差し引いた後、累積和として時系列のプロファイルを計算する。
• 各スケールsにおけるハイパスウェーブレット係数（詳細係数）から、局所的な変動を捉える変動関数F(s)を算出する。
• F(s) ∼ s^Hの対数-対数プロットの傾きからHurst指数Hを推定する。
• デーブチースなどの離散ウェーブレットの正規直交性を活用することで、スケール間での変動の統計的独立性を保証する。
• 本手法は、連続ウェーブレットに基づく平均ウェーブレット係数法および合成モデルの解析的値と比較して検証されている。

実験結果

リサーチクエスチョン

• RQ1 離散ウェーブレットに基づく変動関数は、連続ウェーブレットに基づく平均ウェーブレット係数法よりもHurst指数をより正確に推定できるか？
• RQ2 離散ウェーブレット係数は、非定常時系列における真の変動パワーを連続ウェーブレット係数と比較して、どのように推定できるか？
• RQ3 連続ウェーブレットの過剰基底が、変動パワーの過大評価および偏りのあるHurst指数推定をどれほど引き起こすか？
• RQ4 離散ウェーブレット手法は、トカマクプラズマの変動や金融時系列といった複雑な実世界データのHを信頼性を持って推定できるか？
• RQ5 ガウス白色雑音およびバイノミアル多フラクタルモデルにおける離散ウェーブレットの結果は、解析的値とどのように比較されるか？

主な発見

• 離散ウェーブレット手法は、過剰基底による影響により変動パワーを過大評価する傾向がある連続ウェーブレット平均ウェーブレット係数法と比較して、より正確なHurst指数推定を実現する。
• ガウス白色雑音では、離散ウェーブレット手法による推定値はH = 0.5077であり、理論的値の0.5に近く、連続ウェーブレット法ではH = 0.5163が得られた。
• バイノミアル多フラクタルモデルでは、離散手法による推定値H_d = 0.8421が、解析的値H_a = 0.8390に非常に近い結果を示した。
• 本手法は、トカマクプラズマデータ（IC: H = 0.585、ISC: H = 0.554、FP: H = 0.549）および金融インデックス（NASDAQ: H = 0.553、BSE: H = 0.548）において、長距離相関（H > 0.5）を的確に検出できた。
• ランダム行列アンサンブルでは反自己相似的挙動（GOE: H = 0.095、GSE: H = 0.143、GUE: H = 0.107）および無相関挙動（GDE: H = 0.495）を示し、理論的期待と整合的であった。
• 離散ウェーブレット手法は、正規直交基底を有するため、スケール間での変動が独立であることを保証し、冗長な連続ウェーブレット表現が引き起こすバイアスを回避する。