[논문 리뷰] On Estimation of Hurst Scaling Exponent through Discrete Wavelets

P. Manimaran, Prasanta K. Panigrahi외 1명|ArXiv.org|2006. 04. 01.

Complex Systems and Time Series Analysis참고 문헌 1인용 수 3

한 줄 요약

이 논문은 디스crete 웨이블릿 기반 방법을 제안하여 비 stationary 시간열에서 허스트 스케일링 지수를 추정한다. 다우베시 가족의 고역대 웨이블릿 계수를 사용하여 척도에 따라 변하는 변동성을 추출한다. 연구는 디스crete 웨이블릿이 연속 웨이블릿보다 더 정확하고 상관 없는 변동성 추정을 제공함을 입증하며, 변동성의 파wr가 과대평가되지 않는 신뢰할 수 있는 허스트 지수 값을 도출한다.

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.

연구 동기 및 목표

• 자기 유사성과 비 stationarity를 가지는 시간열에 대해 디스crete 웨이블릿 변환의 효능을 평가하는 것.
• 디스crete 웨이블릿 기반의 변동성 함수와 연속 웨이블릿 평균 웨이블릿 계수 방법의 성능을 비교하는 것.
• 연속 웨이블릿의 과다 기저로 인해 발생하는 변동성 파워 과대평가 문제를 해결하는 것.
• 물리적 플라즈마 데이터, 금융 지수, 가우시안 화이트 노이즈 및 이항 다중분포와 같은 합성 모델을 포함한 다양한 데이터 세트에 대해 방법을 검증하는 것.
• 디스crete 웨이블릿을 변동성 분석에서 정확한 허스트 지수 추정을 위한 열등한 대안으로 확립하는 것.

제안 방법

• 시간열을 다중 척도에서의 근사 및 세부 계수로 분해하기 위해 디스crete 웨이블릿 변환(DWT)을 사용한다.
• 표준 다중분포 분석 절차에 따라 평균을 뺀 후 누적합으로 시간열의 프로파일을 계산한다.
• 각 척도 s에서 고역대 웨이블릿 계수(세부 계수)로부터 변동성 함수 F(s)를 계산하여 局소 변화를 캡처한다.
• F(s) ∼ s^H 관계를 이용하여 log-log 그래프에서 F(s)와 척도 s의 기울기를 통해 허스트 지수 H를 추정한다.
• 디스crete 웨이블릿의 정규직교성(예: 다우베시)을 활용하여 척도 간 변동성의 통계적 독립성을 확보한다.
• 합성 모델의 분석적 값과 연속 웨이블릿 기반 평균 웨이블릿 계수 방법과의 비교를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 디스crete 웨이블릿 기반의 변동성 함수는 연속 웨이블릿 기반의 평균 웨이블릿 계수 방법보다 허스트 지수를 더 정확하게 추정하는가?
• RQ2 비 stationarity 시간열에서 변동성의 진정된 파워를 추정할 때 디스crete 웨이블릿 계수와 연속 웨이블릿 계수의 성능는 어떻게 비교되는가?
• RQ3 연속 웨이블릿의 과다 기저가 변동성 파워 과대평가 및 편향된 허스트 지수 추정에 어느 정도 기여하는가?
• RQ4 디스crete 웨이블릿 방법은 토카막 플라즈마 변동성 및 금융 시간열과 같은 복잡한 실세계 데이터에 대해 H를 신뢰성 있게 추정할 수 있는가?
• RQ5 디스crete 웨이블릿의 결과는 가우시안 화이트 노이즈 및 이항 다중분포 모델의 분석적 값과 어떻게 비교되는가?

주요 결과

• 디스crete 웨이블릿 방법은 연속 웨이블릿 평균 웨이블릿 계수 방법보다 더 정확한 허스트 지수 추정을 제공하며, 이는 기저의 과다성으로 인한 변동성 파워 과대평가를 피한다.
• 가우시안 화이트 노이즈의 경우, 디스crete 웨이블릿 방법은 이론적 값 0.5에 가까운 H = 0.5077을 추정하지만, 연속 방법은 H = 0.5163을 도출한다.
• 이항 다중분포 모델의 경우, 디스crete 방법은 H_d = 0.8421을 도출하여 분석적 값 H_a = 0.8390과 밀접하게 일치한다.
• 이 방법은 토카막 플라즈마 데이터(IC: H = 0.585, ISC: H = 0.554, FP: H = 0.549)와 금융 지수(NASDAQ: H = 0.553, BSE: H = 0.548)에서 장거리 상관관계(H > 0.5)를 성공적으로 탐지한다.
• 무작위 행렬 군집은 반-자기 유사성 행동을 보이며, GOE(H = 0.095), GSE(H = 0.143), GUE(H = 0.107), GDE(H = 0.495)는 이론적 기대와 일치한다.
• 디스crete 웨이블릿 접근법은 정규직교 기저 덕분에 척도 간 독립적인 변동성을 보장하여, 중복적인 연속 웨이블릿 표현으로 인한 편향을 피한다.