The use of entropy indices for modeling the dynamics of complex socioeconomic systems Danilchuk A.
Использование энтропийных показателей для моделирования динамики сложных социально-экономических систем
Данильчук А.Б.
Данильчук Анна Борисовна / Danilchuk Anna Borisovna - старший преподаватель, кафедра экономической кибернетики,
Черкасский национальный университет имени Богдана Хмельницкого, г. Черкассы
Abstract: the article discusses the various types of entropy that are based on the Shannon entropy, the possibility of their usage in analysis of complex socio-economic systems dynamics. It summarizes theoretical information, calculation algorithms of entropy values, describes «moving» or ««floating» window to calculate the entropy. The interpretation of the results obtained in terms of the operation of the socio-economic systems is given. Further directions of research are provided.
Аннотация: в статье рассматриваются различные виды энтропии, построенных на основе энтропии Шеннона, возможность их использования при анализе динамики сложных социально-экономических систем. Приведены краткие теоретические сведения, алгоритмы расчетов значений энтропий, описана процедура «скользящего» или «плавающего» окна для расчета энтропии, дана интерпретация полученных результатов с точки зрения функционирования социально-экономических систем. Сформулированы дальнейшие направления исследования.
Keywords: complex socio-economic system, entropy, Shannon entropy, approximate entropy, sample entropy, permutation entropy.
Ключевые слова: сложная социально-экономическая система, энтропия, энтропия Шеннона, энтропия подобия, энтропия шаблонов, энтропия перестановок.
Сегодня одной из важных проблем современной экономической науки является поиск адекватных методов моделирования динамики поведения сложных социальноэкономических систем. Вопросам всестороннего изучения, критического анализа различных теорий динамики финансовых рынков, являющихся одной из главных составляющих социально-экономических систем, посвящена работа [1].
В современном высокотехнологическом мире разнообразие эмпирических знаний и построение моделей на основе физических законов раздвигают границы возможности применения их в различных областях. Экономика является одним из самых важных инструментов создания современной цивилизации. Но законы, формирующие современный мир, управляющие им, в большинстве своем созданы физиками и именно из физики пришли в другие науки, в том числе и в экономику. В последнее время в экономике часто используется такое понятие как энтропия, которое и является ярким примером использования физических величин вне физики [2].
Энтропия является ключевым понятием второго закона термодинамики, в произвольной форме который можно интерпретировать как стремление закрытых систем к состоянию равновесия. Т.е. достигшая равновесного состояния замкнутая система не может передать часть своей энергии (например, преобразовать в механическую), внутренний хаос будет постепенно возрастать [2]. Любое вмешательство в физическую систему из вне может обратить процесс возрастания энтропии.
Социально-экономическая система может рассматриваться в некоторой степени как механизм или даже как термодинамическая система, хотя возможности такой аналогии до конца не исследованы. Если все-таки принять такую аналогию, то энтропию системы
можно рассматривать как основной фактор, контролирующий экономические изменения и равновесие.
Клод Шеннон [3] предложил формулу для оценки неопределенности кодовой информации в каналах связи, которая известна как энтропия Шеннона. Именно этот момент можно считать поворотным в формировании междисциплинарности физической величины. Сходство между количеством информации и энтропией Шеннона очевидно, поэтому энтропию Шеннона называют информационной энтропией. Информационная энтропия была определена по аналогии с обычной энтропией, она имеет все свойства, характерные обычной энтропии: аддитивность, экстремальные свойства и т.д. Хотя необходимо заметить, что полностью отождествлять обычную энтропию с информационной нельзя, поскольку не до конца понятно отношение второго начала термодинамики к информационным системам.
С экономической точки зрения трактуется понятие энтропии по-разному, отсюда и различные определения энтропий на основе экономических временных рядов и их интерпретации. В целом энтропийные показатели можно разбить на два класса, исходя из того, как мы выбираем исходный ряд для последующего расчета энтропии. Если мы используем дискретные значения исходного ряда (или, скажем, его прибыльностей) значение энтропии рассчитывается в так называемом «физическом» пространстве (энтропии Шеннона и Тсаллиса [4], вейвлет-энтропия [5] и пр.). Если же для расчета энтропии следует находить отображение исходного ряда в так называемом «фазовом» пространстве, мы приходим к энтропиям подобия, шаблонов и т.п. [6, 7]. Данная работа посвящена именно этим видам энтропийных показателей.
На сегодня в экономическом применении используется достаточно много методов расчета энтропий фазового пространства: энтропия подобия [6], энтропия шаблонов [7], их мультимасштабные вариации, энтропия перемешиваний [8] и др.
C методом расчета энтропии подобия можно ознакомиться, в частности, в [6, 9]. Энтропия подобия (Approximate Entropy, ApEn) является «статистикой регулярности». При расчете энтропии подобия для временного ряда выбирается два параметра - длина шаблона и критерий подобия. Исследуются подпоследовательности (векторы) элементов временного ряда по выбранному критерию подобия. Если найдутся подобные векторы во временном ряде, ApEn оценит логарифмическую вероятность того, что следующие интервалы для каждого из векторов будут отличаться. Если значения ApEn небольшие, то это говорит о большей вероятности следования подобных им векторов. Для нерегулярного временного ряда нельзя ожидать наличия подобных векторов, поэтому значения ApEn будут достаточно большими.
При расчете ApEn учитывается подобие определенного вектора к самому себе, но это приводит к уравниванию существенно важных характеристик энтропии подобия: не учитывается относительная плотность данных и энтропия очень зависит от длины исследуемого вектора.
Учитывая выше сказанное, была разработана такая характеристика как энтропия шаблонов (Sample Entropy, SampEn). На основе работы [9] сделаем вывод, что SampEn больше соответствует теории случайных чисел для ряда с известной функцией плотности распределения, сохраняет относительную плотность, дает значительно меньшую ошибку к рассчитанному значению при условии использования векторов малой размерности.
Энтропия перестановок (Permutation Entropy, PermuEn) была введена как быстрый и надежный метод анализа сложности временных рядов [10]. При расчете энтропии перестановок задаются два параметра: размерность вложения и время задержки. Использование перестановочной энтропии дает возможность оценить сложность временных рядов посредством сравнения соседних значений [11].
PerrnEn
Для изучения динамики изменения энтропии было создано программное обеспечение, реализующее алгоритм расчета энтропийных показателей. Особенностью данного программного обеспечения является процедура скользящего окна. Суть данной процедуры заключается в том, что выбирается временное окно, в котором будет рассчитано значение параметра. Затем окно будет перемещаться (скользить) с выбранным шагом и расчет повторяется. Процесс продолжается до момента исчерпания временного ряда. Благодаря такому алгоритму мы имеем возможность отслеживать динамические изменения показателя.
На рис.1 показаны результаты расчетов энтропии подобия, шаблонов и перестановок для временных рядов ежедневных значений индекса Dow Jones Industrial Average (DJIA), включающих известные кризисы 1929, 1987 и 2008 гг. Временные ряды выбраны одинаковой длины (2001 значение), 1001-е значение соответствует моменту кризиса. Для расчета динамики энтропии подобия и шаблонов использовалось окно шириной 250 дней и шаг окна 5 дней, для энтропии перестановок - окно шириной 500 дней и шаг окна - 1 день.
б)
в) г)
Рис.1. Динамика изменения энтропии: а) подобия (ApEn), б) шаблонов (SampEn), в) перестановок (PermEn) для временных рядов индекса DJIA, содержащих кризисы 1929, 1987 и 2008 гг., г) все виды энтропий для временного ряда индекса DJIA с кризисом 2008 г. Стрелкой отмечена точка начала кризиса.
Расчеты проведены автором по источнику [12]
Графоаналитический метод дает возможность сделать следующие выводы:
а) энтропия подобия (рис.1а) чувствительна к кризисным явлениям. Для тестируемых временных рядов наблюдается схожесть поведения: значение энтропии нарастает, что говорит об усилении «внутренней температуры» системы, в точке кризиса происходит падение значений энтропии (на графике эти значения заданы в относительных единицах). Для рассматриваемого нами случая следует отметить также, что кризисы 1987 и 2008 годов подобны, поскольку энтропии в динамике ведут себя одинаково.
б) энтропия шаблонов (рис.1б)
- возрастает до момента самого большого падения значения исходного ряда. Этот момент обозначен на рисунке стрелкой. Учитывая особенности расчетов, нужно отметить, что на протяжении некоторого времени мы наблюдаем дальнейший рост энтропии;
- с приближением кризиса проявляется через увеличение сложности системы;
- как и в случае расчета ApEn, наблюдаем подобие кризисов 1987 и 2008 гг.
в) энтропия перестановок (рис.1в) чутко реагирует на изменения в экономической системе. Стремительное падение значений энтропии начинается задолго до момента кризиса, что говорит о возможности использования энтропии перестановок в качестве индикатора-предвестника кризисных явлений.
На рис.1г показана динамика всех рассматриваемых в данной работе энтропий для индекса DJIA 2008 г. Как видно поведение показателей идентично, что дает основание для вывода о возможности включения данных видов энтропий в систему мониторинга экономики.
В результате данного исследования можно сделать вывод, что рассмотренные виды энтропийных показателей могут использоваться для количественной оценки динамических изменений в экономических системах. Кроме этого, были проведены сравнения значений энтропии с исходными рядами, что дало возможность сделать выводы о сложности системы в разные периоды: уровень сложности системы существенно
снижается в докризисный период и возрастает в период стабилизации. Проиллюстрированы результаты применения оконной процедуры на реальных временных рядах.
В дальнейших работах планируется исследование сложности с использованием энтропийных показателей для сетевого представления сложных социально-экономических систем [13].
Литература
1. Ковальчук К.Ф. Критичний аналiз теорш динамши ринюв // Моделювання та шформацшш технологи в економщй Колективна монографiя. Ред. Соловйов, Черкаси: Брама-Украша 2014. С.8-20.
2. Кубо Р. Термодинамика / Кубо Р. // Пер. с англ. - М.: Москва, 1970.
3. Shannon C.E. A mathematical theory of communications // Bell Systems Tech. J., 1948. V. 27. P. 623-656.
4. Соловйов В.М. Ентротя Тсаллта i неекстенсивш мiри складносп економiчних систем / В.М.Соловйов, О.А.Сердюк // Сучасш проблеми моделювання соцiально-економiчних систем: Колект. Монографiя, Харюв: ВД «1НЖЕК», 2013. С. 146-157.
5. Соловйов В.М. Використання ентропшних показниюв для вимiрювання складносп економiчних систем / В.М.Соловйов, Г.Б.Данильчук // Вюник Криворiзького економiчного шституту КНЕУ. 2008. № 2 (14). с. 61-69.
6. Pincus S.M. Approximate entropy as a measure of system complexity // Proc. Natl. Acad. Sci. Vol. 88. P. 2297-2301.
7. Douglas E. Lake, Joshua S. Richman, M. Pamela Griffin, J. Randall Moorman. Sample entropy analysis of neonatal heart rate variability // Am. J. Physiol. Integr. Comp. Physiol., V. 283, 2002. P.789-797.
8. Zunino L., Perez D.G., Garavaglia M., Rosso O.A. Wavelet entropy of stochastic processes // e-print: arXiv:physics/0603144v1 [physics.data-an] 17 Mar 2006.
9. Joshua S. Richman J., Moorman R Physiological time-series analysis using approximate entropy and sample entropy // Am. J. Physiol. Heart Circ. Physiol. 278: H2039-H2049, 2000.
10. Bandt C. Permutation entropy - A natural complexity measure for time series / C.Bandt, B.Pompe // Phys. Rev. Lett. 2002. v.88.P. 174102-174102.
11. Plastino A., Rosso O.A. Entropy and statistical complexity in brain activity / O.A.Rosso, A.Plastino // Eur. News. 2005. v. 36. P. 224-228.
12. Источник статистики индексов мирового фондового рынка [Электронный ресурс]. -Режим доступа http://finance.yahoo.com/ (дата обращения 24.12.2014).
13. Соловйов В.М. Дослщження тополопчних та спектральних властивостей фондових
шдекав засобами аналiзу складних мереж / Соловйов В.М., Соловйова К.М. // Моделирование и информационные технологии в исследовании социальноэкономических систем: теория и практика / Под ред. В.С.Пономаренко и
Т.С.Клебановой. Бердянск-Харьков, 2014.-С.469-487.