時系列の長期記憶 (long memory),長時間相関 (long-range correlation),フラクタル性 (fractality)について整理しておきます.
長期記憶過程 (long memory process)
長期記憶過程は自己共分散関数が,
となる確率過程です.何で全部足すの?という疑問がわくと思います.以前に1次自己回帰過程で,相関が0とみなせるまでの時間の話をしました.
chaos-kiyono.hatenablog.com
1次自己回帰過程のように,相関が0とみなせるまでの時間が見積もれる (特徴的な時間スケールを持つ)場合は,上の積分は有限の値になります.その値が記憶の長さと比例します.上の積分が有限の値になる場合は,短期記憶過程です.
長期記憶過程では,
となり,パワースペクトルが,
となります.スケーリング指数との間に
の関係が成り立ちます.とはいえ,が0に近かったり,1に近かったりすると,実際の時系列からの推定では,からかなりずれています.
長期記憶過程の代表的モデルは,
- ハースト (Hurst)指数が,の領域の非整数ガウスノイズ (fractional Gaussian noise)
- ARFIMA (Autoregressive fractionally integrated moving average)過程のうち,パラメタがの領域のARIFIMA(0,d,0)過程
があります.非整数ガウスノイズは,非整数ブラウン運動 (fractional Brownian motion)の増分過程です (差分をとった時系列)ので,ハースト (Hurst)指数は対応する,非整数ブラウン運動の値で指定されます.
長時間相関過程 (long-range correlated process)
長時間相関過程は長期記憶過程を含みます.長期記憶過程は,正の長時間相関と同じです.長時間相関には,負の長時間相関もあります.長時間相関過程では,パワースペクトルが,
となります.負の長時間相関では,自己共分散関数が負の値もとるので,絶対値をとると,
となってます.と,の場合を除いて,は成り立ってます.
負の長時間相関過程では,
は有限の値になりますので,長期記憶過程ではありません.
長時間相関の代表的モデルは,
- 非整数ガウスノイズ (, )
- ARIFIMA(0,d,0)過程 (, )
があります.非整数ガウスノイズは,非整数ブラウン運動 (fractional Brownian motion)の増分過程です (差分をとった時系列).
フラクタル過程
フラクタル過程 (自己アフィン性をもつ時系列)では,パワースペクトルが,
となります.非定常なので,自己共分散は,のように,ラグの関数として書くことはできません (弱定常ではないし,上の2つの過程と比較できるような自己共分散関数は存在しません).
ハースト (Hurst)指数とには,
の関係が成り立ちます.
フラクタル過程の代表的モデルは,
- 非整数ブラウン運動
です.長時間相関過程を積分したものも,フラクタル過程になります.
を示す時系列を積分すると,となることを,以前,説明しました.
chaos-kiyono.hatenablog.com
chaos-kiyono.hatenablog.com
ですので,何回も時系列を積分すれば,の時系列も作ることができます.
解析方法
ここで説明した特徴をもつ時系列については,自己共分散関数の推定はほとんどの場合,役に立ちません.時系列の解析では,その他の方法を使ってください.
- パワースペクトルの推定 (スペクトル解析)は,どの場合でも使うことができます.ただし,トレンド成分を除くなどの前処理が必要です.
- ランダムウォーク解析,detrended fluctuation analyis (DFA), deterending moving average analysis (DMA)には,スケーリング指数 (多くの場合で表す)を推定できる下限と上限があります.
- ウェーブレット解析でも,スケーリング指数を推定できます.バニッシングモーメントを持つウェーブレットを使えば,多項式トレンドも除去できます.