全部版块 我的主页
论坛 经济学人 二区 外文文献专区
639 13
2022-05-07
英文标题:
《Detecting and interpreting distortions in hierarchical organization of
  complex time series》
---
作者:
Stanis{\\l}aw Dro\\.zd\\.z, Pawe{\\l} O\\\'swi\\k{e}cimka
---
最新提交年份:
2015
---
英文摘要:
  Hierarchical organization is a cornerstone of complexity and multifractality constitutes its central quantifying concept. For model uniform cascades the corresponding singularity spectra are symmetric while those extracted from empirical data are often asymmetric. Using the selected time series representing such diverse phenomena like price changes and inter-transaction times in the financial markets, sentence length variability in the narrative texts, Missouri River discharge and Sunspot Number variability as examples, we show that the resulting singularity spectra appear strongly asymmetric, more often left-sided but in some cases also right-sided. We present a unified view on the origin of such effects and indicate that they may be crucially informative for identifying composition of the time series. One particularly intriguing case of this later kind of asymmetry is detected in the daily reported Sunspot Number variability. This signals that either the commonly used famous Wolf formula distorts the real dynamics in expressing the largest Sunspot Numbers or, if not, that their dynamics is governed by a somewhat different mechanism.
---
中文摘要:
层级组织是复杂性的基石,多重分形构成了其核心量化概念。对于模型均匀级联,相应的奇异谱是对称的,而从经验数据中提取的奇异谱通常是不对称的。使用所选的时间序列代表金融市场中的价格变化和交易时间、叙事文本中的句子长度变化、密苏里河流量和太阳黑子数变化等多种现象,我们表明,由此产生的奇异谱表现出强烈的不对称性,通常是左侧的,但在某些情况下也是右侧的。我们对这种效应的起源提出了一个统一的观点,并指出它们可能对确定时间序列的组成具有重要的信息。在每日报道的太阳黑子数变化中,发现了后一种不对称现象的一个特别有趣的例子。这表明,要么是常用的著名沃尔夫公式在表达最大太阳黑子数时扭曲了真实的动力学,要么是,它们的动力学由某种不同的机制控制。
---
分类信息:

一级分类:Physics        物理学
二级分类:Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述:Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件:数据处理与存储;测量方法;统计和数学方面,如参数化和不确定性。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-7 21:52:20
检测和解释复杂时间经验的层级组织中的扭曲现象Tanis law Dro˙zd˙z1,2和Pawe l O\'swi,ecimka1,*波兰科学院核物理研究所,克拉科夫,波兰。波兰克拉科夫克拉科夫科技大学物理、数学和计算机科学学院。(日期:2018年9月11日)层级组织是复杂性的基石,多重分形构成其核心量化概念。对于模型均匀级联,相应的奇异谱是对称的,而从经验数据中提取的奇异谱通常是不对称的。以代表金融市场中价格变化和交易间时间、叙事文本中句子长度变化、密苏里河流量和太阳黑子数变化等多种现象的选定时间序列为例,我们表明,由此产生的奇异谱呈现出强烈的不对称性,通常是左侧的,但在某些情况下也是右侧的。我们对这些影响的起源提出了一个统一的观点,并指出它们可能对识别时间序列的组成具有重要的信息。在每日报道的太阳黑子数变化中,发现了后一种不对称现象的一个特别有趣的例子。这表明,要么是常用的著名沃尔夫公式在表达最大太阳黑子数时扭曲了真实的动力学,要么是,它们的动力学由某种不同的机制控制。PACS编号:05.10-a、 05:45。Df,05.45。t多尺度方法[1–3]旨在弥合复杂自然现象中许多基本过程固有的广泛时间和长度尺度。多重分形是量化相关特征的主要概念[4]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-7 21:52:24
到目前为止,它基本上在科学活动的所有领域都有应用,包括物理学[5,6]、生物学[7-9]、化学[10,11]、地球物理学[12,13]、经济学[14-21]、水文学[22]、大气物理学[23]、定量语言学[24,25]、行为科学[26]、音乐[27,28],甚至生态科学[29]。目前,量化多重分形的最有效、数值稳定且精确的方法[30]是基于多重分形去趋势波动分析(MFDFA)[31]。因此,对于离散信号x(i)i=1,。。。,无以信号文件X(j)=Pji=1(X(i)开始- < j=1。。。,N、 哪里<…>然后将X(j)分成长度为s(s<N)的非重叠段,从信号的开头和结尾开始(因此总共有2个分段)。通过拟合一个lth阶多项式P(l)ν来估计每个分段的局部趋势,然后从信号曲线中减去该多项式。对于如此去趋势的信号,针对标度变量s,计算每个段ν中的局部方差F(ν,s)。最后,通过对所有段ν上的F(ν,s)求平均值,计算出qth阶函数:Fq(s)=2Ms2MsXν=1[F(ν,s)]q/21/q,(1)*帕维尔。oswiecimka@ifj.edu.plandQ∈ R.最佳范围为q∈ [-4, 4] [32].Fq的缩放行为~ sh(q)表示具有奇异谱f(α)[1]f(α)=q(α)的分形结构- h(q)]+1(2)表示α=h(q)+qh′(q)。如果h(q)=const,则信号为单分形。h(q)的非平凡q依赖性表明存在更复杂的分形组织,称为多重分形。对于模型,多重分形级数f(α)通常呈对称抛物线的形状,而经验级数通常呈现不对称。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-7 21:52:28
在这里,我们探讨这个问题,并证明f(α)中的不对称性可能提供有关序列组织的重要信息。图1显示了使用MFDFA算法生成的、代表不同、相互偏远区域的信号的、毫无疑问的不对称多重分形光谱的壮观例子,这些例子基本上是新颖的。它们甚至表现出两种截然不同的不对称性。DAX和DJIA股票市场指数,由三对汇率(瑞士法郎/日元、英镑/瑞士法郎和英镑/日元)代表的外汇市场,在一些选定的文学文本中,代表句子长度变化的系列(这里是Julio Cort’azar的Rayuela和RobertoBola’no的2666;世界上大多数著名的文学作品在句子长度变化上基本上是单分形的,只有十几部左右的作品令人信服地是多重分形的,而这里同时考虑的两部作品属于极少数发展出最不对称f(α)的作品),密苏里河的流量[33]显示出明显的左侧对称性。另外两个例子显示了一种罕见的右侧不对称性,即股票市场公司(此处为ADS和来自DAX的BMW)的交易间时间和太阳黑子数的可变性[34]。为了估计不对称的可能额外贡献0。20.40.60.8f(α)DAXDJIA0。20.40.60.8f(α)CHF/JPYGBP/CHFBPP/JPY0。20.40.60.8f(α)Rayuela0。20.40.60.8f(α)0.20.40.60.81.21.21.4α0.20.40.60.8f(α)BMWADS0。2 0.40.60.8 1 1.2 1.4α0.20.40.60.8f(α)sFq(s)sFq(s)sFq(s)sFq(s)s-2-1Fq(s)s-3-2Fq(s)太阳黑子数变化密苏里河流域交易时间间长度变化股票市场指数Forexadsrayueladjia GBP/JPYa)c)e)f)d)b)图1。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-7 21:52:31
(彩色在线)奇异谱f(α)(a)1990年1月12日至2013年10月12日期间(5881个数据点)两个(道琼斯工业平均指数和DAX)股票市场指数的日收益率,(b)2004年1月2日晚上9点至2008年3月20日晚上9点期间(1703520个数据点)选定货币对(瑞士法郎/日元,英镑/瑞士法郎,英镑/日元)的每分钟外汇收益率,(c)代表长度的系列,以字数表示,两个叙事文本中的连续句子:Julio Cort’azar的Rayuela(9848句)和Roberto Bola@no的2666(21319句),(d)Waverly的密苏里河流量每小时的变化(以立方英尺每秒为单位),取自1987年10月1日至10月1日期间的美国地质调查数据库[33],2007年(213344个数据点),(e)1997年11月28日至1999年12月31日期间,两家德国股市公司的交易间隔:ADS(167208个数据点)和BMW(173664个数据点)(f)1900年1月1日至2014年6月30日期间的每日太阳黑子数(41817个数据点);资料来源:WDC-SILSO,比利时皇家天文台,布鲁塞尔[39]。插图显示了q的相应Fq∈ [-4,4]白色条纹表示q=0。所用的去趋势多项式是二阶的,是最优的。在(f)情况下,定标参数s的上限小于11年太阳活动周期的一半,这使得该程序不受周期趋势的影响。对于潜在的“振荡奇点”[35],我们也对所有这些数据应用了所谓的小波领导者算法[36,37],但未检测到此类奇点的重要信号。f(α)的左侧由正的Q值决定,Q值过滤掉较大的事件,反之则适用于其右侧。因此,f(α)中的不对称性表明底层级联的不均匀性。图中的(a)(d)情况。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-7 21:52:36
因此,在大事件的安排上,1被视为更具多重分形,而在小事件中则远不如1。在其中一些情况下(瑞士法郎/日元、英镑/瑞士法郎或2666),f(α)的右侧收缩得非常强烈,表明相应小波动基本上具有单分形特征。这表明,整个信号可以被视为大规模均匀乘法级联的混合物,从而在f(α)中产生明显的左翼,以及在f(α)中缩小相应右翼的小规模噪声背景。在经验数据中,这种类似噪声的成分并不罕见,因为它可能来源于测量不确定度或一些粗粒化,这些粗粒化会更有效地影响小规模的波动。然而,不对称性的反向——右侧——适用于(e)和(f)的情况,这里的情况更有趣,也更不寻常,因为它表明多重分形作用于小规模的波动,而大规模的波动在这方面的动态性要差得多。可以想象,股票市场公司的交易间隔可能受这种动态的支配。小的时间间隔发生在同一个集群内的交易之间,该集群对该特定公司具有增强的可利用性,因此可能具有最好的非线性相关性。这些时间上更为分离的活动集群之间的距离,因此连接它们的更大的事务间隔,可能相关性更小[32]。更难解释——因此更有趣。51.52.53.5α0.20.40.60.8f(α)级联λ=1.05级联λ=1.50fav-光谱总和的平均值-sum0 30000 60000 90000120000n0的光谱。010.020.030.010.020.03s-6-4-2Fq(s)Aα=0.55αLq=4q=-4q=0×50αRFIG。2.
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群