Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?

Ushbu blog kripto bir omilli bozorga yaqin ekanligini allaqachon aniqlagan: juftliklar orasidagi signal korrelyatsiya PC1 (BTC omil) ni 65% dispersiyaga qo'yadi va to'rt omil 90% ni tushuntirib berishini ko'rsatadi, shuning uchun o'nta "diversifikasiyalangan" juftlik uchta yoki to'rtta mustaqil ma'lumotni olib yuradi. Shuningdek, qaramlik strukturasi doimiy emasligini aniqladi: DCC-GARCH korrelyatsiya matritsasini oʻz rejimlariga ega boʻlgan vaqt qatori sifatida modellashtiradi va uning Cheklovlar boʻlimida sokin qism baland ovozda aytiladi — “korrelyatsiya sabab boʻlish emas, yoʻnalish emas”.

Oxirgi band ushbu maqolada ko'rib chiqiladigan bo'shliqdir. DCC sizga qachon qaramlik kuchayganini aytadi. U sizga qaysi tomonga ishora qilishini ayta olmaydi. O'tkazish entropiyasi mumkin: bu bir qatorning o'tmishi boshqasining kelajagini bashorat qilishga qancha bit hissa qo'shishini, bu maqsadning o'tmishi allaqachon tushuntirib beradigan narsadan tashqari, modelsiz, tabiatan assimetrik o'lchovdir. Agar ETH doimiy ravishda AAVE-ga ma'lumotni AAVE narxini o'zgartirishdan oldin yuborsa, transfer entropiyasi hech qanday korrelyatsiya matritsasi ifodalay olmaydigan assimetriyani ko'radi.

Quyida o'lchov, uning baholovchisi va - o'lchovdan ko'ra muhimroq bo'lgan qism - har qanday o'lchangan axborot oqimi tarmog'ining signal yoki bezak ekanligini aniqlaydigan nol kalibrlash va sezgirlik tahlili.

O'lchangan tarmoq

Holat: hali ishga tushirilmagan. Quyidagi quvur liniyasi amalga oshirilgan, ammo ushbu maqola uchun haqiqiy ma'lumotlar bo'yicha bajarilmagan. Ungacha, bu maqola natija emas, balki usul yozishdir. Blogning o'z standarti — qarang halol salbiy natija va Sharpe deflated va bir nechta test — aksi isbotlanmaguncha, kalibrlanmagan tarmoq shovqin hisoblanadi.

Bu erda to'rtta narsani shu tartibda bayon qilish kerak va ularning hech biri adabiyotdan tasdiqlanmaydi:

1. Effektiv-TE matritsasi. Koinot, almashuv, sana diapazoni, shtrix o‘lchami, har bir tartiblangan juftlikdagi bitlarda samarali TE, har bir juftlik uchun p-qiymati va ahamiyatlilik filtridan omon qolgan yo‘naltirilgan grafik. Bu odatiy qo'l silkitishni ("BTC dominant manbadir, DeFi tokenlari bo'ladi") kuchli / kuchli / aniq oqim jadvali bilan almashtiriladi.
2. Ahamiyatlilik testining noto'g'ri-musbat darajasi, butun quvur liniyasini aralashtirma va sintetikdan mustaqil seriyalarda ishlatish orqali o'lchanadi. Qarang: Null Calibration quyida.
3. Ikki bepul tugma ustida Sezuvchanlikni tekshirish: n_bins ichida {3, 5} bilan kesishgan k {1, 2, 3, 5} da. Agar yetakchi/ta'qibchilar reytingi ushbu tarmoqning faqat bitta katagiga to'g'ri kelsa, bu topilma.
4. Vaqt o'tishi bilan barqarorlik. O'lchangan reyting namunadan tashqarida saqlanib qoladimi yoki har bir oynada qayta aralashadimi? Bunga javob berilmaguncha, quyi oqimdagi hech narsa yozishga arzimaydi.

Mashina

Uchta qurilish bloki

Shennon entropiyasi tasodifiy o'zgaruvchining noaniqligini o'lchaydi $X$:

$H(X) = -\sum_{i=1}^{n} p(x_i) \log_2 p(x_i)$

Tangani aylantirish - 1 bit; adolatli o'limdir $\log_2 6 \approx 2.58$ bitlar; deterministik o'zgaruvchi 0 ga teng.

Shartli entropiya qancha noaniqlikni o'lchaydi $Y$ bilib omon qoladi $X$:

$H(Y|X) = -\sum_{x,y} p(x,y) \log_2 \frac{p(x,y)}{p(x)}$

Qachon 0 bo'ladi $X$ belgilaydi $Y$, va teng $H(Y)$ ular mustaqil bo'lganda.

O'zaro ma'lumot ular o'rtasidagi umumiy ma'lumotlar:

$I(X;Y) = H(Y) - H(Y|X) = H(X) - H(X|Y)$

Bu nosimmetrik - $I(X;Y) = I(Y;X)$ - va bu simmetriyani buzish kerak bo'lgan narsa.

Entropiyani uzatish

Shrayber (2000) tomonidan kiritilgan transfer entropiyasi maqsadning o'tmishiga asoslanib, simmetriyani buzadi. Bu manbaning o'tmishini o'lchaydi $X$ maqsadning kelajagi haqidagi noaniqlikni kamaytiradi $Y$, *o'tmishdan tashqari $Y$ allaqachon tushuntiradi *.

Mayli $Y_t^{(k)}$ ni belgilang $k$- uzoq tarix $(Y_{t-1}, \dots, Y_{t-k})$ va $X_t^{(l)}$ the $l$-uzunligi manba tarixi:

$T_{X \to Y} = \sum p(Y_{t+1}, Y_t^{(k)}, X_t^{(l)}) \log_2 \frac{p(Y_{t+1} \mid Y_t^{(k)}, X_t^{(l)})}{p(Y_{t+1} \mid Y_t^{(k)})}$

Ekvivalent, shartli entropiyalar farqi sifatida:

$T_{X \to Y} = H(Y_{t+1} \mid Y_t^{(k)}) - H(Y_{t+1} \mid Y_t^{(k)}, X_t^{(l)})$

Agar o'tmishda $X$ bashorat qilishga yordam bermaydi $Y$ tashqari $Y$o'z o'tmishi, $T_{X \to Y} = 0$. Agar shunday bo'lsa, kattalik - bu oqadigan bashoratli ma'lumotlarning bitlari soni.

Asosiy xususiyatlar:

• Salbiy emas: $T_{X \to Y} \geq 0$.
• Asimmetrik: umuman $T_{X \to Y} \neq T_{Y \to X}$. Hamma gap shu.
• ** Parametrik bo'lmagan**: model taxminlari yo'q - chiziqli va chiziqli bo'lmagan bog'liqliklar.
• Birliklar: bilan bitlar $\log_2$, nats bilan $\ln$.

Sof transfer entropiyasi dominant yo‘nalishni beradi:

$T_{X \to Y}^{\text{net}} = T_{X \to Y} - T_{Y \to X}$

Ijobiy vositalar $X$ ga aniq jo'natuvchi hisoblanadi $Y$; salbiy vositalar $Y$ olib boradi.

Entropiyani o'tkazish va Grenjer sababiyligi

Granger nedensellik (GC) ning o'tmishi yoki yo'qligini so'raydi $X$ ning chiziqli avtoregressiv prognozini yaxshilaydi $Y$. Bu Engle-Granjer kointegratsiya testi emas statistik arbitraj va juftlik savdosi — bir xil familiya, aloqador bo‘lmagan tushuncha. Engle-Greyjer ikkita statsionar bo'lmagan qatorning chiziqli birikmasi statsionar yoki yo'qligini so'raydi; Granjer sabab-oqibatlilik bir qator boshqasini bashorat qilishga yordam beradimi, deb so'raydi. Ushbu blog o'quvchilari ularni bir-biriga bog'lab qo'yishadi, shuning uchun buni ochiq aytishga arziydi.

Gauss jarayonlari uchun nazariy ekvivalentlik

Barnett, Barrett, and Set (2009) isbotladilarki qo'shma Gauss jarayonlari uchun Granjer nedenselligi va transfer entropiyasi monotonik transformatsiyaga ekvivalentdir:

$T_{X \to Y} = \frac{1}{2} \ln\left(1 + F_{X \to Y}\right)$

qayerda $F_{X \to Y}$ Granjer sabab-oqibat statistikasi (log-ehtimollik nisbati). Chiziqli Gauss ma'lumotlari uchun siz ikkala usuldan aynan bir xil sabab tuzilmasini tiklaysiz. Demak, transfer entropiyasi parametrik bo'lmagan umumlashtirish kabi GC ga raqobatchi emas: u GC ning taxminlari amal qiladigan joyda GC ga kamayadi.

Ular qayerda ajralib turadi

Kriptoda bo'shliq printsipial jihatdan muhimdir: daromadlar og'ir dumli, volatillik klasterlari va munosabatlar rejimga bog'liq bo'lib, bularning barchasi chiziqli VAR tekislanadi. Haqiqiy ma'lumotlar bo'yicha o'lchangan etakchi reytingini o'zgartirish uchun bo'shliq etarlicha kattami yoki yo'qmi - bu maqola javob berishi kerak bo'lgan empirik savoldir.

Dimpfl va Peter (2013) hisobotida transfer entropiyasi moliyaviy seriyalarda, ayniqsa stress ostida, Granger sabab-bazaviylik oqimlarini aniqlaydi; Keskin va Aste (2020) kriptoda chiziqli bo'lmagan TE tarmog'idan boyroq tarmoq haqida xabar beradi. Ikkalasi ham bu ma'lumotlar to'plami uchun dalil sifatida emas, balki motivatsiya sifatida keltirilgan.

Samarali uzatish entropiyasi: noto'g'ri tuzatish

Bu xato qilish oson bo'lgan qism. Cheklangan namunalarda xom TE baholari yuqoriga qarab berilgan: ikkita mustaqil seriyani ulang va siz hali ham taxmin qilasiz. $T_{X \to Y} > 0$, faqat empirik qo'shma taqsimotda namuna olish shovqinidan. Xayolparastlik qo'shma shtatlar soni bilan o'sib boradi, ular eksponent ravishda o'sib boradi $k + l$.

Samarali transfer entropiyasi bu tarafkashlikni olib tashlaydi:

$T_{X \to Y}^{\text{eff}} = T_{X \to Y} - \mathbb{E}\!\left[T_{X_{\text{surrogate}} \to Y}\right]$

bu erda surrogat ning vaqtinchalik tuzilishini buzadi $X$ uning chegaraviy taqsimotini saqlab qolgan holda. Bu nima va nima emasligiga e'tibor bering: surrogat o'rtacha baholovchining o'ziga xos noto'g'riligini baholashdir va biz uni ayirib tashlaymiz. Bu ishonch oralig'i emas va samarali TE "xato chiziqlari bilan TE" emas. Xuddi shu surrogat ansambli p-qiymati uchun nol taqsimot sifatida ikki tomonlama vazifani bajaradi, lekin ayirish va test alohida qo'llaniladi.

Surrogat blok bootstrap tomonidan ishlab chiqariladi, shuning uchun avtokorrelyatsiya $X$ blok ichida omon qoladi - bloklarni qayta namuna olishning umumiy mexanikasi va mantiqiy asoslari Monte-Karlo va orqa testlar uchun yuklash.

Amalga oshirish

Ma'lumotlar: belgilangan qo'shni sana oralig'ida bitta almashinuvdan asosiy USDT doimiy koinotlari uchun soatlik jurnal qaytariladi. Standart OHLCV olish va jurnalni qaytarish konstruksiyasi statistik arbitraj va juftlik savdosi va takrorlanmaydi.

Diskretlashtirish - va oqish haqida ogohlantirish

Transfer entropiyasi diskret holatlarga muhtoj. Quantile binning odatiy tanlovdir va u ham kelajakni oqizish uchun odatiy joy.

import numpy as np
import pandas as pd

def discretize_trailing(series, n_bins=3, warmup=500):
    """Discretize using bin edges estimated on a TRAILING window only.

    Computing quantile edges over the full sample is whole-series
    normalization leakage: every bar's label depends on the entire
    future distribution. See the look-ahead bias taxonomy.
    """
    x = np.asarray(series, dtype=float)
    out = np.full(len(x), -1, dtype=int)
    qs = np.linspace(0, 1, n_bins + 1)[1:-1]
    for t in range(warmup, len(x)):
        edges = np.quantile(x[:t], qs)      # strictly past data
        out[t] = np.digitize(x[t], edges)
    return out

Toʻliq namunaning sodda versiyasi taʼrifli daʼvo uchun mos – “shu davr mobaynida maʼlumotlar shu tarzda tarqaldi” — va har qanday sotish mumkin daʼvo uchun ifloslangan. Bu farq oldinga qarashning tarafkashlik taksonomiyasi. To'liq namunali qirralardan foydalansangiz, shunday deb ayting va "signal" so'zidan oldin to'xtating.

Entropiyani noldan o'tkazing

from collections import Counter

def transfer_entropy(source, target, k=1, l=1):
    """Transfer entropy T_{source -> target} in bits.

    source, target : 1-D integer arrays of discrete states
    k : history length for the target
    l : history length for the source
    """
    source = np.asarray(source)
    target = np.asarray(target)
    n = len(target)
    max_lag = max(k, l)

    y_future = target[max_lag:]
    y_past = np.column_stack([target[max_lag - i - 1:n - i - 1] for i in range(k)])
    x_past = np.column_stack([source[max_lag - i - 1:n - i - 1] for i in range(l)])
    N = len(y_future)

    yf = y_future.tolist()
    yp = [tuple(row) for row in y_past]
    xp = [tuple(row) for row in x_past]

    c_yf_yp_xp = Counter(zip(yf, yp, xp))
    c_yp_xp = Counter(zip(yp, xp))
    c_yf_yp = Counter(zip(yf, yp))
    c_yp = Counter(yp)

    te = 0.0
    for (yf_val, yp_val, xp_val), count in c_yf_yp_xp.items():
        p_joint = count / N
        p_yf_given_yp_xp = count / c_yp_xp[(yp_val, xp_val)]
        p_yf_given_yp = c_yf_yp[(yf_val, yp_val)] / c_yp[yp_val]
        if p_yf_given_yp > 0 and p_yf_given_yp_xp > 0:
            te += p_joint * np.log2(p_yf_given_yp_xp / p_yf_given_yp)

    return te

Blok-bootstrap null bilan samarali TE

def effective_transfer_entropy(source, target, k=1, l=1,
                               n_shuffles=200, block_size=5, rng=None):
    """Effective TE plus a surrogate p-value.

    Returns dict: te, ete, p_value, null_mean, null_std
    """
    rng = rng or np.random.default_rng(0)
    te_observed = transfer_entropy(source, target, k, l)

    n = len(source)
    n_blocks = int(np.ceil(n / block_size))
    null_tes = np.empty(n_shuffles)

    for b in range(n_shuffles):
        starts = rng.integers(0, n, size=n_blocks)
        shuffled = np.concatenate(
            [np.take(source, range(s, s + block_size), mode='wrap')
             for s in starts]
        )[:n]
        null_tes[b] = transfer_entropy(shuffled, target, k, l)

    null_mean = null_tes.mean()
    return {
        'te': te_observed,
        'ete': max(te_observed - null_mean, 0.0),
        'p_value': (np.sum(null_tes >= te_observed) + 1) / (n_shuffles + 1),
        'null_mean': null_mean,
        'null_std': null_tes.std(),
    }

Juftlik matritsasi

def compute_te_matrix(disc_returns, k=1, n_shuffles=200):
    cols = list(disc_returns.columns)
    m = len(cols)
    te_matrix = np.zeros((m, m))
    pval_matrix = np.ones((m, m))

    for i in range(m):
        for j in range(m):
            if i == j:
                continue
            r = effective_transfer_entropy(
                disc_returns[cols[i]].values,
                disc_returns[cols[j]].values,
                k=k, n_shuffles=n_shuffles,
            )
            te_matrix[i, j] = r['ete']
            pval_matrix[i, j] = r['p_value']

    return (pd.DataFrame(te_matrix, index=cols, columns=cols),
            pd.DataFrame(pval_matrix, index=cols, columns=cols))

Tez yo'l

pyinform optimallashtirilgan C ilovasini o'rab oladi:

from pyinform.transferentropy import transfer_entropy as te_pyinform

te_btc_to_eth = te_pyinform(btc_disc, eth_disc, k=2)
te_eth_to_btc = te_pyinform(eth_disc, btc_disc, k=2)

Null kalibrlash

Bu tahlilning eng yuqori qiymatli qismi va eng ko'p o'tkazib yuborilgan qismidir. O'lchagan tarmoqdagi biron bir chekkaga ishonishdan oldin, to'g'ri javob nolga teng bo'lgan ma'lumotlar bo'yicha diskretizatsiya, samarali TE, surrogat testi, ahamiyatlilik filtri - butun quvur liniyasini boshqaring:

1. Aralashtirilgan real daromadlar. Har bir seriyaning chegaraviy taqsimotini saqlab, oʻzaro seriyalar vaqtini yoʻq qiling.
2. Sintetik mustaqil seriya. Simulyatsiya $M$ mustaqil og'ir dumli, o'zgaruvchanlik-klasterli jarayonlar qurilishi bo'yicha o'zaro bog'liqliksiz.

Keyin test bayroqlaridagi tartiblangan juftlarning ulushini xabar qiling $\alpha = 0.05$. Agar bu fraktsiya 0,05 ga yaqin bo'lmasa, test noto'g'ri sozlangan va haqiqiy tarmoqdagi har bir chekka shubhali hisoblanadi.

Bir nechta sinovlar buni birlashtiradi. 8 ta aktivdan iborat koinot $8 \times 7 = 56$ buyurtma qilingan juftlik testlari; 20 aktivlari 380. Tuzatishlar — Bonferroni, Holm, Benjamini-Yekutieli FDR — deflated Sharpe va bir nechta test, kalibrlash tadqiqoti bilan birga, sodda testning FDR ko'rsatkichi BHY ning 0,007 ga nisbatan 1,000 ga teng.

Ammo xom Bonferroni bilan to'xtamang, chunki bu 56 ta test 56 ta mustaqil ko'rinish emas. Kripto aktivlar bir-biri bilan qattiq bog'langan - bu blog PC1 ni 65% dispersiyada o'lchagan - bu aynan ushbu maqolaning 5-sonida hujjatlashtirilgan korrelyatsiya-to'r ishlamay qolishi rejimi, bunda korrelyatsiya qilingan tarmoqning xom hujayralar sonini sinovdan o'tkazish hisobi haddan tashqari pasayib ketadi va noto'g'ri deb hisoblaydi. Natija bir nuqta emas, balki samarali sinov baholarining * diapazoni* edi: o'rtacha korrelyatsiya bir-layner $N_{\text{eff}} = N/(1 + (N-1)\bar\rho)$ yumshoq oxirida, himoyalangan o'rtada o'ziga xos qiymat baholovchilari (ishtirok nisbati, PCA-95%, Kaiser). Samarali haqida xabar bering -$N$ TE tarmog'i uchun tarmoqli o'rnating va uning bo'ylab omon qolgan qirralarning barqarorligini tekshiring.

Sezuvchanlik: ikkita bepul tugma

Quyidagi ikkala tugma ham odatda asosiy qoida bo'yicha o'rnatiladi va keyin hech qachon qayta ko'rib chiqilmaydi. Buning o'rniga ular har bir katakda yetakchi/ta'qibchilar reytingi ko'rsatilishi bilan tozalanishi kerak.

Tarix uzunligi $k$

$k$ maqsadning o'tmishi haqida qancha shart qo'yishingizni nazorat qiladi. Juda kichik va siz maqsadning o'z avtokorrelyatsiyasini manbaga bog'laysiz; juda katta va qo'shma taqsimot hisoblash uchun juda siyrak bo'ladi - qo'shma davlatlar soni $|\mathcal{A}|^{k+l+1}$, shuning uchun 3 quti bilan, $k=2$, $l=1$ Sizda .. Bor $3^4 = 81$ davlatlar, va $k=5$ sizni olib boradi $3^7 = 2187$ bir necha ming kuzatishlarga qarshi.

An'anaviy boshlang'ich nuqtalari $k \in \{1, 2\}$ soatlik ma'lumotlar uchun va $k \in \{1, \dots, 5\}$ kunlik, ixtiyoriy ravishda AIC/BIC bilan ekvivalent VAR kechikishi bo'yicha o'zaro tekshiriladi. Bularga javob emas, supurish uchun panjara sifatida qarang.

Diskretlashtirish

• 3 quti (pastga / tekis / yuqoriga): mustahkam, cheklangan ma'lumotlar bilan ishlaydi, faqat yo'nalishli tuzilmani ushlaydi.
• 5 quti: kattalikni ushlaydi, ko'proq ma'lumot talab qiladi.
• Kontil qirralari: taxminan teng bandlik, bo'sh qutilar yo'q — lekin yuqoridagi oqish ogohlantirishiga qarang.
• Tartibiy/simvolik kodlash: almashtirish-entropiya uslubi, mustahkam va monotonli transformatsiyalar.

Uzluksiz yadroga asoslangan TE o'tkazish qobiliyatini tanlash va ancha og'irroq hisoblash xarajatlari evaziga diskretizatsiyani yo'qotishdan butunlay qochadi.

Supurish

for n_bins in (3, 5):
    for k in (1, 2, 3, 5):
        disc = discretize_all(returns, n_bins=n_bins)
        te_df, p_df = compute_te_matrix(disc, k=k)
        rank = net_flow_ranking(te_df, p_df)
        report(n_bins, k, rank)

Savol "reyting qanday" emas, balki "har bir hujayrada reyting bir xil". Agar aktiv faqat sof jo'natuvchi bo'lsa $k=2$, $n_{\text{bins}}=3$, bu beqarorlik * natijadir va u shunday xabar qilinishi kerak.

Chalkashlik: Shartli transfer entropiyasi

Agar ikkalasi ham $X$ va $Y$ yashirin omil tomonidan boshqariladi $Z$, juftlik TE ular orasidagi oqim haqida xabar beradi, bu butunlay umumiy haydovchining artefaktidir. Bir omilli bozorda bu burchakli holat emas; bu standart kutishdir. Shartli transfer entropiyasi uni uzoqlashtiradi:

$T_{X \to Y | Z} = H(Y_{t+1} \mid Y_t^{(k)}, Z_t^{(l)}) - H(Y_{t+1} \mid Y_t^{(k)}, X_t^{(l)}, Z_t^{(l)})$

SOL AVAX-ga ma'lumot yuborganligi haqidagi har qanday da'vo BTCda konditsionerlikni qayta sinovdan o'tkazishi kerak. Agar oqim yo'qolsa, juftlik natijasi kostyum kiygan bozor omili edi.

te_sol_avax_given_btc = te_pyinform(sol_disc, avax_disc, k=2,
                                    condition=btc_disc)

Konditsionerlik bepul emas: har bir shartli o'zgaruvchi qo'shma holat bo'shlig'ini ko'paytiradi $|\mathcal{A}|^{l}$, shuning uchun shartli TE bir vaqtning o'zida juftlik versiyasiga qaraganda ancha ko'proq ma'lumotga muhtoj $k$.

Barqarorlik va bulardan birortasi sotilishi mumkinmi

Axborot oqimi statik emas - va bu bozorda boshqa hech narsa yo'q, bu HMMlar bilan rejimni aniqlash va bu erda har bir smeta bir marta o'rnatilgandan ko'ra oynali bo'lishi kerakligi sababi. Ushbu tahlilning aylanma oyna versiyasi, ammo kashf qilishdan ko'ra, ma'lum natijani meros qilib oladi. Kripto qaramligi inqirozda kuchayishi allaqachon raqamlar bilan e'lon qilingan: juftliklar o'rtasidagi signal korrelyatsiyasi yonma-yon bozorlarda 0,15 dan vahimada 0,90 gacha bo'lgan o'rtacha signal korrelyatsiyasini jadvalga kiritadi. $N_{\text{eff}}$ 4,2 dan 1,1 gacha va DCC-GARCH 3-ilova o'rtacha juft korrelyatsiyani keyingi kvantli bayroq va aniq "bu alfa signali emas, balki xavf signali" ogohlantirishi bilan xavfni o'chirish rejimi signaliga aylantiradi.

Frimanning TE quvvatini markazlashtirish boshqa matritsaga nisbatan boshqa skalyar, lekin u bir xil harakat: qulash a $d \times d$ qaramlik ob'ektini bitta raqamga aylantiring va uning ko'tarilishini kuzating. Demak, bar "markazlashtirish pasayishdan oldin ko'tariladimi" emas - bu u xavf-xatarni o'chirish signali sifatida o'rtacha juft korrelyatsiyadan ustun keladimi, xuddi shu oynalarda, bir xil pasayishlarga qarshi o'lchanadi.

def network_centralization(G):
    """Freeman centralization of out-strength. High = one dominant source."""
    if G.number_of_nodes() < 2:
        return 0.0
    s = [sum(d['weight'] for _, _, d in G.out_edges(v, data=True)) for v in G.nodes()]
    total = sum(s)
    if total == 0:
        return 0.0
    n = len(s)
    return sum(max(s) - x for x in s) / ((n - 1) * total)

Har qanday quyi oqim ilovasini yozishdan oldin ikkita savolga javob berish kerak:

1. Yetakchi reytingi namunadan tashqarida saqlanib qoladimi? Tarmoqni oynaga moslang $t$, oynadagi reytingni tekshiring $t+1$. Derazalar bo'ylab darajali korrelyatsiya haqida xabar bering. Har hafta qayta aralashtiriladigan reyting shovqinni tavsiflaydi.
2. TE filtri oldingi kechikish savdosiga biror narsa qo‘shadimi? To‘g‘ri tajriba bitta boshqariladigan taqqoslashdir: statistik arbitraj va juftlik savdosi va masofaga yaqinlashish, ikki marta ishga tushiring, faqat farq sifatida TE ahamiyatlilik filtri mavjudligi, toʻlovlar kiritilgan.

Ushbu maqola uchun ikkalasi ham ishga tushirilmagan. Kechikish testi, ma'lumot-momentum portfeli yo'q, rejimni aniqlash taqqoslanmaydi. Gipotetik ma'lumot-momentum sleeve uchun og'irlikni qurish mexanizmlari portfelni optimallashtirish algoritmlari solishtirildi — lekin shuni esda tutingki, bitlardagi sof quvvatga nisbatan softmax miqyosda o‘zboshimchalik bilan hisoblanadi va u biror narsani anglatmasdan oldin normallashtirish argumentiga muhtoj bo‘ladi. Tekshirilmagan strategiya kodi bu yerga yuborilmaydi.

Narxi

TE bu $O(N)$ har bir juft, lekin doimiy qo'shma holat soni tomonidan boshqariladi $|\mathcal{A}|^{k+l+1}$ va surrogat hisobi bo'yicha. uchun $M$ aktivlar va $B$ bootstrap sizga kerak bo'lgan replikatsiyalar $M(M-1)B$ TE baholashlari - 50 ta aktiv va 200 ta o'rinbosar, ya'ni 490 000. Har bir baholash narxi butunlay sizning uskunangizga bog'liq, pyinform versiya va $N$; Kotirovka qilingan raqamga ishonishdan ko'ra, uni o'zingizning mashinangizda o'lchang. Agar u juda sekin bo'lsa, uchta tutqich:

• Paralellash. Har bir juftlik mustaqil — joblib yoki multiprocessing.
• Oldindan ekran. Avval xom TE ni hisoblang; surrogatlarni faqat chegaradan yuqori juftlikda ishlating. (E'tibor bering, bu muhimlik testini hisobga olish kerak bo'lgan ekrandan o'tish sharti bilan amalga oshiradi.)
• Koinotni kichraytiring. Avval klaster, klaster vakillari orasidagi TE ni hisoblang.

Xulosa

Transfer entropiyasi * yo'naltirilgan* axborot oqimining printsipial, modelsiz o'lchovidir va u ushbu blogning asboblar to'plamidagi haqiqiy bo'shliqni to'ldiradi: DCC-GARCH qachon qaramlik kuchayganini aytadi, TE esa qaysi tomonga ishora qilishini aytadi. Gauss jarayonlari uchun u to'liq Granjer sababiy bog'liqligiga tushadi $T = \tfrac{1}{2}\ln(1 + F)$, bu esa uni raqib emas, balki umumlashtirishga aylantiradi.

Nima bo'lmasa ham, bu natija. Bu erda quvur liniyasi amalga oshirildi va ishlamay qolish usullari sanab o'tilgan - surrogatlar tomonidan tuzatilgan cheklangan namunaviy moyillik, oldinga qarash sifatida butun seriyali biriktirish, sodda ko'p sinovli tuzatishlarni buzadigan 56 testdan iborat korrelyatsiya qilingan tarmoq, bir faktorli bozorda umumiy drayverni chalkashtirib yuborish va javoblarni aniq belgilashi mumkin bo'lgan bepul parametrlar. Ularning har biri kalibrlanmagan TE tarmog'iga ishonmaslik uchun sababdir. Tarmoqni nol kalibrlashsiz, sezgirlikni tekshirishsiz va namunadan tashqari barqarorlikni tekshirishsiz nashr qilish nosozlik usullarini xuddi topilmalar kabi e'lon qiladi.

Ma'lumotnomalar

• Shrayber, T. (2000). "Axborot uzatishni o'lchash." * Jismoniy ko'rib chiqish xatlari *, 85 (2), 461-464.
• Barnett, L., Barrett, A.B., Set, A.K. (2009). "Greyjer sababi va transfer entropiyasi Gauss o'zgaruvchilari uchun ekvivalentdir." Jismoniy sharh xatlari, 103(23), 238701.
• Marschinski, R., Kantz, H. (2002). "Moliyaviy vaqt seriyalari orasidagi axborot oqimini tahlil qilish". European Physical Journal B, 30(2), 275-281.
• Dimpfl, T., Piter, F.J. (2013). "Moliyaviy bozorlar o'rtasidagi axborot oqimini o'lchash uchun transfer entropiyasidan foydalanish". * Nonchiziqli dinamika va ekonometrika bo'yicha tadqiqotlar*, 17(1), 85-102.
• Keskin, Z., Aste, T. (2020). "Nochiziqli sabablarni aniqlash uchun axborot-nazariy chora-tadbirlar: ijtimoiy media hissiyotlari va kriptovalyuta narxlariga qo'llash". Royal Society Open Science, 7(9), 200863.
• Jang, S.M. va boshqalar. (2022). "Kriptovalyutalar o'rtasidagi axborot oqimlarini o'lchash uchun transfer entropiyasidan foydalanish." Fizika A, 586, 126476.
• Nikola, G. va boshqalar. (2020). "Turbulentlik davrida kriptovalyutalarning ko'p o'zgaruvchan transfer entropiyasining tarmoq tahlili". Entropiya, 22(7), 760.