가시성 그래프를 이용한 분수 브라운 운동의 허스트 지수 추정

초록

본 논문은 분수 브라운 운동(fBm)과 그 차분인 분수 가우시안 잡음(fGn)을 가시성 그래프(Visibility Graph)로 변환했을 때, 그래프의 차수 분포가 스케일프리(power‑law) 형태를 띠며 그 지수와 허스트 파라미터 H 사이에 선형 관계가 있음을 보인다. 이를 이용해 H를 직접 추정하는 새로운 방법을 제안하고, 수치 시뮬레이션과 인간 보행 데이터에 적용해 그 신뢰성을 검증한다.

상세 분석

가시성 그래프(VG)는 시계열의 각 데이터 포인트를 정점으로, 두 정점 사이에 “가시성” 조건이 성립하면 간선을 연결하는 방식으로 네트워크를 구성한다. 이 논문에서는 fBm 시계열 x(t) (0≤t≤T)를 VG로 변환한 뒤, 생성된 무방향 그래프의 차수 k 분포 P(k)를 조사한다. 실험적으로 P(k)∝k^(-γ) 형태의 스케일프리 분포가 나타났으며, γ는 H에 대해 γ=3−2H라는 선형 관계를 만족한다는 것이 핵심 결과이다. 이 관계는 fGn(차분된 fBm)에도 동일하게 적용되며, 일반적인 1/f^β 잡음에서도 β와 γ 사이에 γ=β+1이라는 간단한 변환식이 성립한다는 점을 확인한다.

이론적 근거는 가시성 조건이 시계열의 상승·하강 구간의 길이와 직접 연결된다는 점에 있다. fBm의 경우, H가 클수록 장기 양의 상관이 강해 구간이 길어지며, 이는 높은 차수를 가진 정점이 많이 생성되는 메커니즘으로 작용한다. 반대로 H가 작을수록 급격한 변동이 많아 차수가 낮은 정점이 우세하게 된다. 이러한 현상을 정량화하기 위해 저자들은 대규모 모의실험(10^5 개 이상의 시계열, 각 길이 N=2^12~2^16)으로 γ와 H 사이의 회귀선을 구했으며, R²≈0.998 이상의 높은 적합도를 보고한다.

또한, 기존의 H 추정 방법(예: DFA, R/S 분석, 파워 스펙트럼)과 비교했을 때, VG 기반 추정은 비정상성(non‑stationarity)과 잡음에 강인하며, 데이터 길이가 짧아도 (N≈2^10) 비교적 정확한 H 값을 제공한다는 장점을 가진다. 특히, 인간 보행 데이터와 같이 실험적 노이즈가 섞인 실제 시계열에 적용했을 때, 기존 방법보다 일관된 H≈0.85의 지속성을 보고, 이는 보행이 장기 의존성을 가진 복합 시스템임을 뒷받침한다.

마지막으로, 저자들은 VG를 이용한 H 추정 알고리즘을 단계별로 제시한다. (1) 시계열 전처리(정규화 및 결측치 보정), (2) 가시성 그래프 구축(시간 복잡도 O(N log N) 구현), (3) 차수 분포 추정 및 파워‑law 피팅, (4) γ→H 변환식 적용. 이 절차는 파이썬 및 MATLAB 코드로 공개되어 있어 재현성이 높다. 전체적으로, 가시성 그래프는 시계열의 구조적 정보를 네트워크 형태로 변환함으로써, 기존 통계적 방법이 놓치기 쉬운 스케일프리 특성을 활용해 H를 정밀하게 추정할 수 있는 혁신적 도구임을 입증한다.