[논문 리뷰] How much multifractality is included in monofractal signals?

Dariusz Grech, Grzegorz Pamuła|arXiv (Cornell University)|2011. 08. 09.

Complex Systems and Time Series Analysis참고 문헌 3인용 수 4

한 줄 요약

이 논문은 유한 길이의 단분형 시간 시리즈에서 유한 표본 효과와 장거리 자기상관성으로 인해 발생하는 임의의 다분형성(이하 '다분형성 노이즈')을 정량화한다. 다분형성 제거된 변동성 분석(MF-DFA)을 사용하여, 다분형성 폭이 시리즈 길이 $L$에 대해 거듭제곱 법칙으로, 자기상관 지수 $\gamma$에 대해 선형으로 변화함을 보여주는 분석 공식을 유도한다. 이는 금융 데이터 등에서 진정한 다분형성과 잡음 간의 구별을 가능하게 한다.

ABSTRACT

We investigate the presence of residual multifractal background for monofractal signals which appears due to the finite length of the signals and (or) due to the long memory the signals reveal. This phenomenon is investigated numerically within the multifractal detrended fluctuation analysis (MF-DFA) for artificially generated time series. Next, the analytical formulas enabling to describe the multifractal content in such signals are provided. Final results are shown in the frequently used generalized Hurst exponent h(q) multifractal scenario and are presented as a function of time series length L and the autocorrelation exponent value γ. The multifractal spectrum (α, f (α)) approach is also discussed. The obtained results may be significant in any practical application of multifractality, including financial data analysis, because the "true" multifractal effect should be clearly separated from the so called "multifractal noise". Examples from finance in this context are given. The provided formulas may help to decide whether we do deal with the signal of real multifractal origin or not.

연구 동기 및 목표

• 유한 길이의 단분형 시간 시리즈에서 발생하는 진정한 다분형성과 유사 다분형성 효과를 구분하는 데 도전하는 것.
• 유한 표본 크기와 장거리 기억성으로 인해 발생하는 잔여 다분형성 배경을 식별하고 정량화하는 것.
• 시간 시리즈 길이 $L$과 자기상관 지수 $\gamma$에 따라 이 '다분형성 노이즈'의 크기를 추정하기 위한 분석 공식을 개발하는 것.
• 특히 이러한 잡음이 지배할 수 있는 금융 시간 시리즈를 포함한 실제 데이터에서 진정한 다분형성 역학을 신뢰성 있게 탐지할 수 있도록 하는 것.
• 유한 체적 효과와 자기상관성에 기인한 다분형성과 스케일에 따라 변하는 상관관계에 의해 유도되는 진정한 다분형성 스케일링을 분리하기 위한 프레임워크 제공.

제안 방법

• 자기상관 지수 $\gamma$로 파arameter화된 푸리에 필터링 방법(FFM)을 사용하여 장거리 자기상관성을 제어한 인공 단분형 시간 시리즈를 생성한다.
• 각 시리즈에 대해 다분형성 제거된 변동성 분석(MF-DFA)을 적용하여 일반화된 허스트 지수 $h(q)$와 다분형성 스펙트럼 $f(\alpha)$를 계산한다.
• 시리즈 길이 $L$과 자기상관 지수 $\gamma$에 따른 $h(q)$의 산포와 다분형성 스펙트럼의 폭 $\Delta\alpha$를 분석한다.
• 관측된 다분형성 폭을 거듭제곱 법칙과 선형 함수로 피팅: $\Delta\alpha(\gamma,L) = D_1 L^{-\xi_1} \gamma + D_0 L^{-\xi_0} (1 - \gamma)$, 여기서 피팅된 파라미터는 $D_1, \xi_1, D_0, \xi_0$.
• 통계적 안정성을 확보하기 위해 $L = 2^9$에서 $2^{20}$까지, $\gamma = 0.1$에서 $1.0$까지의 $10^2$개의 독립적 실현값 집합을 사용하여 결과를 검증한다.
• 실제 금융 데이터(가격 지수 및 변동성)와 비교하여 실증적 다분형성 신호에서 다분형성 노이즈의 기여도를 평가한다.

실험 결과

연구 질문

• RQ1 유한 표본 크기와 장거리 기억성으로 인해 유한 길이의 단분형 시간 시리즈에서 얼마나 많은 임의의 다분형성이 발생하는가?
• RQ2 다분형성 폭이 시간 시리즈 길이 $L$과 자기상관 지수 $\gamma$에 따라 어떻게 함수적으로 의존하는가?
• RQ3 다분형성 노이즈 임계값을 어떻게 분석적으로 모델링하여 진정한 다분형성 스케일링과 구별할 수 있는가?
• RQ4 유한 체적 효과와 자기상관성에 기인한 다분형성이 실제 금융 데이터의 관측된 다분형성 특성에서 얼마나 지배적인가?
• RQ5 유도된 분석 공식이 실증적 시간 시리즈에서 진정한 다분형성 역학과 잡음을 신뢰성 있게 분리하는 데 유용한가?

주요 결과

• 유한 길이의 단분형 신호에서 다분형성 폭 $\Delta\alpha$는 자기상관 지수 $\gamma$에 대해 선형적으로 증가하며, 이는 강한 장거리 의존성이 유사 다분형성을 증폭시킴을 시사한다.
• 다분형성 폭은 시리즈 길이 $L$에 대해 거듭제곱 법칙으로 감소하며, $\Delta\alpha \sim L^{-\xi}$ 형태를 따르며, 모델의 두 성분에 대해 각각 $\xi_1 \approx 0.129$ 및 $\xi_0 \approx 0.089$이다.
• 분석 공식 $\Delta\alpha(\gamma,L) = D_1 L^{-\xi_1} \gamma + D_0 L^{-\xi_0} (1 - \gamma)$는 다분형성 노이즈 임계값을 정확히 기술하며, $D_1 = 0.686$, $D_0 = 0.572$, 95% 신뢰구간 제공.
• 실제 금융 데이터에서는 필리핀, 대만, 독일, 아일랜드 등의 가격 지수에서 관측된 다분형성의 최대 80%~100%가 진정한 스케일에 따라 변하는 상관관계가 아닌, 유한 체적 효과와 자기상관성에 기인한 잡음에 기인한다.
• 일반화된 허스트 지수 $h(q)$는 $q \neq 0$일 때 비선형적인 산포를 보이며, $h(q)$-의존성의 폭은 $\gamma$에 따라 증가하고 $L$에 따라 감소함으로써 잔여 다분형성의 존재를 확인한다.
• 금융 시간 시리즈의 실증 분석 결과, 많은 시장에서 관측된 다분형성은 '다분형성 노이즈'에 의해 지배되며, 유도된 공식을 사용한 보정 없이선 진정한 다분형성 역학을 추론하기 어렵다.