Analiza zjawisk fraktalnych w finansowych szeregach czasowych*
Transkrypt
Analiza zjawisk fraktalnych w finansowych szeregach czasowych*
Zeszyty Naukowe nr 724 2006 Akademii Ekonomicznej w Krakowie Janusz Morajda Katedra Informatyki Analiza zjawisk fraktalnych w finansowych szeregach czasowych* Streszczenie: W artykule zaproponowano ilościową metodę oceny stopnia występowania zjawisk fraktalnych w finansowych szeregach czasowych i weryfikacji hipotezy o fraktalnej naturze szeregu. Metoda wykorzystuje analizę skupień stosowaną dla zbioru wzorców (formacji) obserwowanych w szeregu czasowym przy różnych skalach czasu. Przeprowadzono także badania zjawisk fraktalnych dla indeksu giełdowego WIG 20. Zamieszczono dyskusję zasadniczych wniosków wynikających z tych badań. Słowa kluczowe: chaos deterministyczny, fraktal, szereg czasowy, analiza skupień. 1. Wst´p W otaczającej nas rzeczywistości wiele obserwowanych zjawisk (np. przyrodniczych lub ekonomicznych), mających pozornie charakter chaotyczny, podlega w istocie pewnym uporządkowanym i zdeterminowanym prawom. Badaniem i opisem tego typu zjawisk zajmuje się dynamicznie rozwijająca się w ostatnich latach gałąź wiedzy – teoria chaosu deterministycznego [Stewart 1999; Peters 1997; Wołoszyn 2000]. Rozwój tej dziedziny wynika z naturalnego dążenia człowieka do uporządkowania i określenia struktury otaczających go zjawisk oraz „wydobycia porządku z chaosu”. Chaos deterministyczny pojawia się w nieliniowych systemach dynamicznych. Takie systemy, charakteryzujące się zachowaniem pozornie chaotycznym, występują również powszechnie w ekonomii. Typowym ich przykładem są rynki kapitałowe, na których ceny poszczególnych instrumentów finansowych, np. akcji, zmieniają się w taki właśnie na pozór chaotyczny sposób i podlegają trudnym * Niniejsza praca oparta jest na badaniach zrealizowanych w ramach tematu badawczego nr 42/KI/3/2002/S w Akademii Ekonomicznej w Krakowie. 22 Janusz Morajda do zidentyfikowania prawom. Teoria chaosu deterministycznego, pomimo iż nie przyczynia się istotnie do wzrostu możliwości generowania dokładniejszych prognoz tych cen, dostarcza narzędzi do opisu i modelowania zjawisk zachodzących w takich systemach [Peters 1997]. Jedną z charakterystycznych cech systemów chaotycznych jest występowanie zjawisk fraktalnych. Fraktal jest fundamentalnym pojęciem tzw. geometrii fraktalnej, stworzonej i rozwiniętej przez Benoita Mandelbrota [Mandelbrot 1982]. E. Peters [1997] podaje następującą definicję: „fraktal jest obiektem, którego części pozostają w pewnej relacji do całości”. Fraktale charakteryzują się więc samopodobieństwem ich mniejszych elementów do większych fragmentów. Kształty fraktalne są samopodobne względem przestrzeni. W otoczeniu można obserwować wiele przykładów kształtów fraktalnych. Typowe obiekty tego typu to np.: – drzewo, którego drobne fragmenty są podobne do większych fragmentów rozgałęzień, a te z kolei do całości, – wybrzeże morskie albo grań górska, której drobne elementy są podobne do większych (obserwując jedynie zarys kształtu trudno jest zidentyfikować skalę obiektu), – pewne figury matematyczne, np. trójkąt Sierpińskiego lub płatek śniegu Kocha (zob. [Peters 1997]). Jako typowy przykład kształtów fraktalnych obserwowanych w ekonomii wymienia się wykresy finansowych szeregów czasowych przedstawiające kształtowanie się kursów akcji notowanych na giełdach papierów wartościowych [Peters 1994]. W istocie nietrudno zauważyć, iż niewielkie fragmenty wykresu przypominają formacje wykreślane w dłuższych okresach. Obserwując np. wykresy dziennych, tygodniowych albo miesięcznych zmian kursów akcji można zauważyć, że są one z reguły bardzo podobne i składają się z bardzo podobnych formacji, a w rezultacie – nie znając skali na osi czasu – trudno zidentyfikować rodzaj wykresu [Peters 1997]. Można więc sformułować hipotezę, że tego typu szeregi czasowe (albo przynajmniej ich duże fragmenty) są fraktalami. W niniejszym opracowaniu zaproponowano ilościową metodę analizy fraktalnego charakteru szeregów czasowych (stopnia występowania w nich zjawisk fraktalnych). Przeprowadzono także badania zmierzające do weryfikacji hipotezy o fraktalnej naturze giełdowych szeregów czasowych na przykładzie analizy indeksu giełdowego WIG 20, notowanego na Giełdzie Papierów Wartościowych w Warszawie. Ponieważ zjawiska fraktalne w tego typu szeregach czasowych można zaliczyć do tzw. fraktali losowych1, uzasadnione wydaje się przyjęcie metodyki badań opartej na pewnych metodach statystycznych. 1 Generowanych przez pewne zjawiska losowe, w odróżnieniu od fraktali deterministycznych – tworzonych przez zastosowanie deterministycznych reguł (np. trójkąt Sierpińskiego). Analiza zjawisk fraktalnych… 23 2. Przyj´ta metodyka badaƒ fraktalnego charakteru finansowych szeregów czasowych Rozważmy szereg czasowy C = {c1, c2, …, cn} stanowiący zbiór uporządkowanych w czasie (ciąg) wartości ct, t = 1, 2, …, n. Niech ciąg Z kt, d oznacza podzbiór zbioru C, zawierający uporządkowane wartości {ct, ct + d, ct + 2d, …, ct + kd}, gdzie t jest momentem czasu, d można interpretować jako wielkość interwału czasowego pomiędzy dwoma kolejnymi elementami tego podzbioru, natomiast k + 1 określa liczbę jego elementów. Dla określonych wartości d i k istnieje zatem n – kd tego typu podzbiorów. Ciąg Z kt, d można jednoznacznie zdefiniować podając wartość początkową ct oraz k kolejnych względnych zmian wartości jego elementów (w finansowych szeregach czasowych interpretowanych jako stopy zwrotu): (ct + d – ct)/ct, (ct + 2d – ct + d)/ct + d, …, (ct + kd – ct + (k – 1)d)/ct + (k – 1)d . Wielkości te stanowią cechy ciągu Z kt, d . Ciąg Z kt, d w zastosowaniach finansowych można interpretować jako ciąg k kolejnych d-dniowych stóp zwrotu (przy założeniu jednostki czasu równej jeden dzień, w którym odbywa się sesja giełdowa). W analizie kształtów fraktalnych wykres wartości tego ciągu jest hipotetycznym elementem fraktala obserwowanym w skali określonej przez wartość d. W celu porównania geometrycznych kształtów wykresów wartości ciągów Z kt, d dla różnych wielkości d (przy założeniu zawsze tych samych wartości odciętych na wykresie, np. 0, 1, 2, …, k, oraz zakładając, że interesujące są dla nas jedynie względne zmiany kolejnych wartości elementów zbioru), wielkość początkową ct można pominąć2, natomiast pozostałe cechy zdefiniować w następujący sposób: f1 = ct + d – ct , dct f2 = c –c ct + 2 d – ct + d , …, fk = t + kd t +( k –1)d . dct + d dct +( k –1)d (1) Taka definicja pozwala na porównywanie zestawu cech f 1, f 2, …, f k dla ciągów przy ustalonej wartości k, ale dla różnych wielkości d; cechy te umożliwiają zatem porównywanie różnej wielkości elementów fraktalnych występujących w szeregach czasowych. Rozważmy m różnych wielkości d oznaczonych przez d1, d2, …, dm (d1 < d2 < < … < dm). Niech Di (i = 1, 2, …, m) oznacza zbiór ciągów Z t,k d dla d = di przy ustalonej wartości k. Każdy ze zbiorów Di reprezentuje zestaw elementów fraktalnych Z kt, d 2 Porównując różne kształty wykresów tych ciągów można przyjąć ten sam element początkowy dla każdego ciągu (np. średnią arytmetyczną wartości zbioru C), sprowadzając porównanie do analizy k względnych zmian wartości ciągu. Jest to w pewnym stopniu uproszczenie, jednak praktycznie nie umniejsza ono walorów opisanej tu metody analizy kształtów fraktalnych. 24 Janusz Morajda określonej wielkości (obserwowanych w określonej skali zależnej od wartości di). W opisanej tu analizie przyjęto, że zbiory te są równoliczne, tzn. liczba elementów w każdym z nich wynosi n – kd m. Oznaczmy sumę tych zbiorów przez D, tzn. D = D1 ∪ D2 ∪ … ∪ Dm (oczywiście zbiory Di są wzajemnie rozłączne). W zbiorze D można przeprowadzić grupowanie (analizę skupień) jego elementów Z kt, d przy ustalonej (lub nieokreślonej) liczbie skupień. Zakładamy przy tym, że każdy element Z kt, d jest opisany przez k-elementowy wektor cech [f 1, f 2, …, f k]T, proces grupowania jest więc realizowany w przestrzeni k-wymiarowej. W przestrzeni tej można przyjąć metrykę euklidesową, chociaż warto także rozważyć celowość wprowadzenia innych typów metryk3. Niech liczba skupień wynosi p (p ≥ m). Jeżeli w każdym ze skupień pojawi się w przybliżeniu taka sama liczba elementów z każdego ze zbiorów D1, D2, …, Dm, można przyjąć hipotezę o fraktalnym charakterze rozważanego szeregu czasowego, gdyż każdy ciąg Z t,k d (element fraktala) dla określonej wartości di posiada odpowiadające mu (podobne, tzn. występujące w tym samym skupieniu) elementy (ciągi) dla innych – pozostałych wartości d poddanych analizie. Z kolei w sytuacji przeciwnej – jeżeli każde z otrzymanych skupień będzie zdominowane przez elementy należące do jednego ze zbiorów Di, wówczas ciągi Z t,k d dla różnych wartości d nie są do siebie podobne i hipotezę o fraktalnej naturze szeregu czasowego należy odrzucić. W skrajnym przypadku w każdym z otrzymanych skupień występują elementy należące tylko do jednego ze zbiorów Di i wtedy dowolne dwa ciągi należące do różnych zbiorów Di nie są do siebie podobne, tzn. fragmenty szeregu czasowego obserwowane w różnych skalach (dla różnych d) nie są podobne i szereg nie ma natury fraktalnej. W celu określenia podobieństwa elementów (ciągów) należących do dwóch różnych zbiorów Di, Dj zastosowany zostanie wskaźnik wi, j zdefiniowany następująco: p 1 wi , j = ∑ l ih – lhj , (2) 2l h =1 gdzie: p – liczba skupień (klas), l ih – liczba elementów należących do klasy h pochodzących ze zbioru Di, l – liczebność każdego ze zbiorów D1, D2, …, Dm (tu przyjęto, że l = n – kdm). 3 W szczególności dla celów analizy podobieństwa elementów fraktali metrykę można zdefiniować jako sumę kwadratów różnic odpowiadających sobie wartości porównywanych ciągów, w sytuacji maksymalnego dopasowania tych elementów, tzn. przy takim przesunięciu w pionie wykresu jednego ciągu względem drugiego, że ta suma kwadratów osiąga najmniejszą możliwą wartość. W praktyce jednak zwykła metryka euklidesowa dla wartości f 1, f 2, …, f k jest wystarczająca dla celów przedstawianej tu analizy. Analiza zjawisk fraktalnych… 25 Nietrudno zauważyć, że niezależnie od liczby skupień p, wi, j ∈ [0, 1], a ponadto dla każdych i, j zachodzi wi, j = wj, i. Jeżeli wi, j jest bliskie zera, to elementy zbiorów Di oraz Dj są równomiernie rozłożone w poszczególnych klasach, są więc wzajemnie podobne; taka sytuacja potwierdza fraktalny charakter szeregu. Przeciwnie, jeżeli wartość wi, j jest bliska jedności, to elementy zbiorów Di w przeważającej większości należą do innych klas niż elementy Dj, co zaprzecza fraktalnej naturze szeregu. W niniejszym opracowaniu założono, że fraktalny charakter szeregu czasowego ma miejsce wówczas, gdy wi, j ≤ 0,5. Oczywiście im wartość wi, j jest mniejsza, tym fraktalna natura szeregu jest wyraźniejsza, liczbę tę można zatem uznać za wielkość wyrażającą poziom fraktalnego charakteru szeregu. Występujące w literaturze określenie „fraktalny szereg czasowy” nie jest jednoznaczne. Na potrzeby analizy zamieszczonej w niniejszym opracowaniu przyjmiemy (przy zachowaniu powyższych oznaczeń), że: – szereg czasowy C jest szeregiem fraktalnym na poziomie v dla interwałów di, dj, jeżeli wi, j = v oraz v ≤ 0,5, – szereg czasowy C nie jest szeregiem fraktalnym dla interwałów di, dj, jeżeli wi, j > 0,5. Im poziom v fraktalnego charakteru szeregu ma mniejszą wartość, tym wyraźniejsza (mocniejsza) jest fraktalna natura analizowanego szeregu czasowego. W procesie analizy fraktalnego charakteru szeregów czasowych przy wykorzystaniu wyżej opisanej metodyki istotne znaczenie odgrywa procedura bezwzorcowego grupowania elementów zbioru D. Istnieje wiele klasycznych metod statystycznych, zaliczanych do tzw. analizy skupień (cluster analysis), służących do realizacji tego procesu. W niniejszej pracy wykorzystano metodę grupowania opartą na algorytmie k-średnich. 3. Badania fraktalnego charakteru szeregu notowaƒ indeksu WIG 20 W niniejszym rozdziale zaprezentowano rezultaty badań fraktalnej natury szeregu czasowego indeksu giełdowego WIG 20, obejmującego notowania od 14 kwietnia 1994 r. (pierwsze notowanie – wartość indeksu 1000,00) do 8 listopada 2002 r. (wartość indeksu 1137,94). W badaniach zastosowano metodykę opisaną powyżej, przyjmując następujące wartości parametrów: – liczba cech (analizowanych stóp zwrotu): k = 6, – liczba zbiorów Di: m = 6, – wartości interwałów dla zbiorów D1, D2, D3, D4, D5, D6 przyjęto odpowiednio: d1 = 1, d2 = 2, d3 = 4, d4 = 8, d5 = 16, d6 = 32, – liczba elementów w szeregu czasowym WIG 20: n = 2107, Janusz Morajda 26 – liczba elementów w każdym ze zbiorów Di: l = n – kd6 = 1915, – grupowanie występujących w szeregu wzorców (formacji) zrealizowano metodą k-średnich4, przy czym analizę przeprowadzono dla czterech przypadków: przy założonej liczbie skupień kolejno 6, 10, 14 oraz 18. Rezultaty badań, przedstawiające wyniki grupowania zawierające liczby elementów z poszczególnych zbiorów Di należących do poszczególnych skupień (klas), podano w tabelach 1, 3, 5, 7 (odpowiednio dla 6, 10, 14 i 18 skupień). Na podstawie danych zawartych w tych tabelach obliczono wskaźniki wi, j (por. wzór (2)) dla i, j = 1, …, 6 (i ≠ j)5. Wartości wskaźników wi,j zaprezentowano w tabelach 2, 4, 6, 8 oraz w formie wykresu – na rys. 1. Tabela 1. Liczby elementów z poszczególnych zbiorów D1, D2, …, Dm przyporządkowanych do poszczególnych skupień (klas) uzyskanych przez zastosowanie metody k-średnich przy założeniu sześciu skupień Oznaczenie skupienia (klasy) Zbiór Di I II III IV V VI D1 d=1 293 337 298 333 303 351 d=2 476 292 260 307 255 325 D3 d=4 789 246 238 222 173 247 d=8 1209 155 139 166 79 167 D5 d = 16 1437 102 102 119 35 120 d = 32 1742 51 30 43 0 49 5946 1183 1067 1190 845 1259 D2 D4 D6 Suma Źródło: obliczenia własne. Tabela 2. Wartości wskaźników wi, j reprezentujących fraktalne właściwości szeregu czasowego indeksu WIG 20, otrzymane przy grupowaniu wzorców metodą k-średnich przy założeniu sześciu skupień. Wartość wskaźnika dla pary dwóch różnych zbiorów Di podano na przecięciu odpowiadających tym zbiorom kolumny i wiersza Zbiór d D1 1 D2 2 D3 4 D4 8 D5 16 D6 32 D1 D2 D3 – 0,0956 – 1 2 D4 D5 D6 0,2590 0,4783 0,5974 0,7567 0,1634 0,3828 0,5018 0,6611 – 0,2193 0,3384 0,4977 – 0,1191 0,2783 – 0,1593 4 8 16 Źródło: obliczenia własne. 4 5 Obliczenia zrealizowano przy wykorzystaniu programu Statistica 6.0. Wskaźniki te mogą posiadać wartości z zakresu [0, 1], przy czym wi, j = wj, i . 32 – Analiza zjawisk fraktalnych… 27 Tabela 3. Liczby elementów z poszczególnych zbiorów D1, D2, …, Dm przyporządkowanych do poszczególnych skupień uzyskanych w wyniku zastosowania metody k-średnich przy założeniu dziesięciu skupień Oznaczenie klasy Zbiór Di I II III IV V VI VII VIII IX X D1 d=1 220 124 168 227 220 176 202 220 187 171 d=2 188 270 260 179 200 140 181 194 142 161 D3 d=4 139 484 423 138 151 88 132 171 75 114 d=8 66 801 596 78 85 41 68 96 23 61 D5 d = 16 21 1089 596 23 44 4 44 51 12 31 d = 32 0 1259 599 9 14 0 8 17 0 9 634 4027 2642 654 714 449 635 749 439 547 D2 D4 D6 Suma Źródło: obliczenia własne. Tabela 4. Wartości wskaźników wi, j reprezentujących fraktalne właściwości szeregu czasowego indeksu WIG 20, otrzymane przy grupowaniu wzorców metodą k-średnich przy założeniu dziesięciu skupień Zbiór d D1 1 D2 2 D3 4 D4 8 D5 16 D6 32 D1 D2 D3 D4 D5 D6 1 2 4 8 16 32 – 0,1243 0,3211 0,5770 0,7274 0,8178 – 0,1969 0,4527 0,6031 0,6935 – 0,2559 0,4063 0,4966 – 0,1504 0,2407 – 0,0903 – Źródło: obliczenia własne. Tabela 5. Liczby elementów z poszczególnych zbiorów D1, D2, …, Dm przyporządkowanych do poszczególnych skupień uzyskanych w wyniku zastosowaniu metody k-średnich przy założeniu czternastu skupień Zbiór Di Oznaczenie klasy I II III IV V VI D1 d=1 95 154 165 127 135 166 d=2 183 176 189 D3 d=4 399 179 d=8 D5 d = 16 724 98 d = 32 898 61 D2 D4 D6 Suma VII VIII IX X XI 116 126 163 105 157 XII XIII XIV 175 81 150 105 82 127 165 46 186 35 63 35 68 141 15 139 18 25 11 21 79 5 126 805 0 10 1 1 41 0 73 858 0 0 0 0 14 0 21 98 123 129 222 84 211 57 70 124 379 630 118 150 20 41 49 622 120 17 12 13 61 2 0 0 2929 786 896 321 381 481 3002 263 366 234 374 615 Źródło: obliczenia własne. 147 695 Janusz Morajda 28 Tabela 6. Wartości wskaźników wi, j otrzymane przy grupowaniu wzorców metodą k-średnich przy założeniu czternastu skupień Zbiór d D1 1 D2 2 D3 4 D4 8 D5 16 D6 32 D1 D2 D3 D4 D5 D6 1 2 4 8 16 32 – 0,1441 0,3332 0,5436 0,6883 0,8068 – 0,2078 0,4423 0,5869 0,7055 – 0,2475 0,3922 0,5107 – 0,1446 0,2632 – 0,1185 – Źródło: obliczenia własne. 90 Wartość wskaźnika wi, j (w %) 80 70 60 50 40 30 20 D6 10 0 D5 6 10 14 18 D1 D4 6 10 14 18 D2 6 10 14 18 D3 Liczba skupień D3 6 10 14 18 D4 6 10 14 18 D5 D2 Rys. 1. Wykres prezentujący wyrażone w procentach wartości wskaźników wi, j (podanych w tabelach 2, 4, 6 i 8 dla poszczególnych par zbiorów (Di, Dj )), otrzymanych w procesie analizy skupień przy założeniu kolejno 6, 10, 14 i 18 skupień Źródło: opracowanie własne. I 226 d=4 II 1167 Źródło: obliczenia własne. 1287 210 196 d = 16 262 d = 32 266 230 236 181 114 277 d=8 159 97 d=2 d=1 Suma D6 D5 D4 D3 D2 D1 Zbiór Di III IV 414 367 298 277 148 100 V 739 695 440 257 149 62 1206 1604 2342 181 221 288 220 186 110 193 0 1 10 21 64 97 VI VII 874 95 128 161 189 162 139 274 0 0 22 45 85 122 VIII 219 0 1 9 29 68 112 IX 392 0 12 49 83 110 138 X Oznaczenie klasy 488 10 20 54 107 138 159 XI 190 0 1 8 24 59 98 XII 316 0 7 34 47 107 121 XIII 343 0 3 16 67 119 138 XIV 183 0 1 8 28 60 86 XV 137 0 0 5 15 41 76 137 0 0 3 20 40 74 138 0 0 3 24 39 72 XVI XVII XVIII Tabela 7. Liczby elementów z poszczególnych zbiorów D1, D2, …, Dm przyporządkowanych do poszczególnych skupień uzyskanych w wyniku zastosowania metody k-średnich przy założeniu osiemnastu skupień Analiza zjawisk fraktalnych… 29 Janusz Morajda 30 Tabela 8. Wartości wskaźników wi, j otrzymane przy grupowaniu wzorców metodą k-średnich przy założeniu osiemnastu skupień Zbiór d D1 1 D2 2 D3 4 D4 8 D5 16 D6 32 D1 D2 D3 D4 D5 D6 1 2 4 8 16 32 – 0,1896 0,4089 0,5598 0,6569 0,6930 – 0,2193 0,3708 0,4794 0,5180 – 0,1687 0,2950 0,3441 – 0,1692 0,2167 – 0,0569 – Źródło: obliczenia własne. Analiza rezultatów przedstawionych w tabelach 1–8 oraz na rys. 1 prowadzi do następujących wniosków: – w sensie definicji podanej w rozdziale 2 szereg czasowy WIG 20 jest szeregiem fraktalnym, ale nie dla wszystkich par badanych interwałów d; – ogólnie fraktalna natura szeregu została potwierdzona dla par interwałów (di, dj ), gdzie di > dj, spełniających warunek: log2(di /dj ) < 3, a w pewnych przypadkach również dla log2(di /dj ) = 3. Jeżeli log2(di /dj ) > 3, to dla takich par interwałów (di, dj ) WIG 20 nie jest szeregiem fraktalnym w sensie przyjętej definicji; – poziom wi, j fraktalnego charakteru szeregu WIG 20 jest tym niższy (mocniejszy), a fraktalna natura szeregu tym wyraźniejsza, im wartość log2(di /dj) (przy di > > dj ) jest mniejsza, tzn. im analizowane zbiory wzorców Di, Dj są bardziej zbliżone do siebie w sensie kolejności wartości interwałów di, dj; – powyższe obserwacje tylko w niewielkim stopniu zależą od liczby skupień przyjętej w algorytmie k-średnich. 4. Graficzna analiza elementów fraktalnych Rys. 2 prezentuje wykresy typowych ciągów (elementów fraktalnych) pochodzących ze zbiorów D1, D2, D3, D4, D5, D6 i należących do tego samego przykładowo wybranego skupienia (skupienie nr 2 dla grupowania przy założeniu 18 skupień). Wykresy ciągów, przedstawiające zmiany indeksu przy różnych interwałach czasowych d (tzn. jednostkach czasu wynoszących tu odpowiednio 1, 2, 4, 8, 16 i 32 dni), zostały pokazane (celem porównania) w tej samej skali. Uwzględniając występujące duże zakłócenia mające wpływ na rzeczywisty kształt wykresów indeksów giełdowych, wzorce przedstawione na wykresie (rys. 2) można uznać za podobne. Tego typu analiza wizualna potwierdza występowanie wzajemnie podobnych formacji dla różnych skal czasowych na wykresie Analiza zjawisk fraktalnych… 31 1390 Wartość indeksu WIG 20 1385 1380 1375 1370 1365 1360 1355 1350 1 2 3 4 5 6 7 Kolejne punkty czasu D1 D2 D3 D4 D5 D6 Rys. 2. Przykładowe wykresy ciągów fraktalnych pochodzących ze zbiorów D1, …, D6 należące do tego samego (wybranego) skupienia (skupienie nr 2 w przypadku 18 skupień) Źródło: opracowanie własne. indeksu WIG 20 i może być potwierdzeniem fraktalnej natury badanego szeregu czasowego. 5. Podsumowanie W opracowaniu zaproponowano metodę ilościowej analizy fraktalnej natury finansowych szeregów czasowych. Metoda ta oparta jest na analizie skupień przeprowadzonej dla całego zbioru występujących w szeregu wzorców (formacji), otrzymanych dla różnych skal czasowych. W pracy wykorzystano algorytm grupowania k-średnich. Metoda może okazać się przydatna w badaniach zjawisk fraktalnych występujących w szeregach czasowych. Analiza szeregu czasowego indeksu giełdowego WIG 20 przy zastosowaniu podanej metodyki potwierdziła hipotezę o jego fraktalnej naturze jedynie w określonym przypadku. Wyraźne zjawiska fraktalne zostały bowiem zaobserwowane tylko przy pewnych (podobnych w sensie wartości) interwałach czasowych (skalach obserwacji) – takich, że różnica logarytmów (o podstawie 2) tych interwałów zawiera się w przedziale (–3, 3). Poza tym przypadkiem w zasadzie nie można mówić o fraktalnym charakterze badanego szeregu czasowego. 32 Janusz Morajda Literatura Inteligentne systemy w zarządzaniu – teoria i praktyka [2000], red. J.S. Zieliński, PWN, Warszawa. Jajuga K. [1990], Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa. Kudrewicz J. [1993], Fraktale i chaos, WNT, Warszawa. Lula P., Morajda J. [2002], Klasyfikacja wzorców występujących w finansowych szeregach czasowych przy użyciu sieci neuronowych Kohonena, Zeszyty Naukowe AE w Krakowie, nr 604, Kraków. Mandelbrot B. [1982], The Fractal Geometry of Nature, W.H. Freeman, New York. Peitgen H., Richter P. [1986], The Beauty of Fractals, Springer, New York. Peters E. [1994], Fractal Market Analysis, Wiley, New York. Peters. E. [1997], Teoria chaosu a rynki kapitałowe, WIG-Press, Warszawa. Stewart I. [1996], Czy Bóg gra w kości? Nowa matematyka chaosu, PWN, Warszawa. Wołoszyn J. [2000], Elementy teorii chaosu deterministycznego w badaniach systemów ekonomicznych, Zeszyty Naukowe AE w Krakowie, nr 551, Kraków. Fractal Phenomena Analysis in Financial Time Series The paper proposes a quantitative method that enables an evaluation of fractal phenomena occurrences rate in financial time series, and also a verification of hypothesis concerning the fractal character of the series. The method utilises cluster analysis that is applied to the set of patterns (shapes) observed in time series with use of various time scales. The research regarding fractal phenomena in stock index WIG 20 has been executed and described. The main results of the research have been discussed. Key words: deterministic chaos, fractal, time series, cluster analysis.