🔬 condensed matter

Robust q-negative Multifractal Detrended Cross-Correlation Coefficient

यह शोध पत्र एक सुदृढ़, परिबद्ध और चिह्न-संरक्षण करने वाले साइन्ड मल्टीफ्रैक्टल डिट्रेंडेड क्रॉस-कोरिलेशन गुणांक ( $\rho_{\mathrm{SMFDCCA}}$ ) को प्रस्तुत करता है जो ऋणात्मक उतार-चढ़ाव के क्रमों से जुड़ी संख्यात्मक अस्थिरताओं को हल करता है, जिससे वित्तीय बाजारों और जलवायु अभिलेखों जैसे जटिल प्रणालियों में स्केल- और आयाम-निर्भर क्रॉस-कोरिलेशन के विश्वसनीय विश्लेषण को सक्षम बनाया जा सके।

मूल लेखक: Thiago B. Murari, José Fernando F. Mendes, Hernane B. B. Pereira, Marcelo A. Moret

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thiago B. Murari, José Fernando F. Mendes, Hernane B. B. Pereira, Marcelo A. Moret

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि दो अलग-अलग चीजें समय के साथ एक साथ कैसे चलती हैं। शायद यह शेयर बाजार और मौसम हो, या दो अलग-अलग शेयर बाजार। वैज्ञानिकों के पास एक उपकरण है जिसे "डिट्रेंडेड क्रॉस-कोरिलेशन एनालिसिस" (DCCA) कहा जाता है, जो उन्हें यह देखने में मदद करता है कि क्या ये दो चीजें तालमेल में नाच रही हैं, भले ही संगीत शोर भरा हो या लय बदल रही हो।

हालाँकि, इस उपकरण के मौजूदा संस्करण में एक बड़ी खामी है। यह बड़े, नाटकीय उतार-चढ़ाव (जैसे शेयर बाजार की गिरावट या लू का प्रकोप) को देखने के लिए बहुत अच्छा काम करता है, लेकिन यह बहुत सूक्ष्म, बारीक हलचल का विश्लेषण करने पर विफल हो जाता है। जब शोधकर्ताओं ने इस उपकरण का उपयोग इन छोटी गतिविधियों के लिए करने की कोशिश की, तो गणित टूट गया, जिससे ऐसे नंबर आए जो बहुत बड़े थे या समझ से बाहर थे, यहाँ तक कि अनंत (infinite) भी थे। यह ऐसा था जैसे किसी चीखने वाली सायरन की आवाज़ से फुसफुसाहट को मापने की कोशिश करना; उपकरण भ्रमित हो गया और चिल्लाने लगा।

यह शोध पत्र एक नया, उन्नत उपकरण पेश करता है जिसे साइंड मल्टीफ्रैक्टल डिट्रेंडेड क्रॉस-कोरिलेशन कोएफिशिएंट (आइए इसे $\rho_{SMFDCCA}$ कहें) कहा जाता है। इसे एक "स्मार्ट फ़िल्टर" के रूप में समझें जो इस खामी को ठीक करता है और वैज्ञानिकों को चीखों और फुसफुसाहटों दोनों को स्पष्ट रूप से सुनने की अनुमति देता है।

यह नया उपकरण कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. समस्या: "फुसफुसाहट" की खामी (The "Whisper" Glitch)

पुराने तरीके में, उपकरण हर हलचल को तौलने की कोशिश करता था। यदि कोई हलचल बहुत छोटी थी, तो गणित उसे देखने के लिए एक विशाल वजन देने की कोशिश करता था। लेकिन यदि हलचल बहुत अधिक सूक्ष्म (या शून्य) थी, तो गणित फट जाता था। यह एक पिज्जा को शून्य स्लाइसों से विभाजित करने जैसा था—परिणाम अपरिभाषित होता है और कैलकुलेटर को खराब कर देता है। इसने छोटी उतार-चढ़ाव का अध्ययन करना असंभव बना दिया क्योंकि इससे बेतुके परिणाम मिलते थे।

2. समाधान: "स्थिर पैमाना" (The "Stabilized Ruler")

लेखकों ने एक छोटा "सुरक्षा जाल" (एक गणितीय फ्लोर) जोड़कर इसे ठीक किया।

उपमा: कल्पना कीजिए कि आप पौधों की ऊंचाई माप रहे हैं। यदि कोई पौधा इतना छोटा है कि वह अदृश्य है, तो पुराना पैमाना कहेगा "अनंत!" और टूट जाएगा। नया पैमाना कहता है, "ठीक है, यह पौधा कम से कम इतना छोटा है (एक छोटा, अदृश्य कण), तो चलिए इसे उतना मान लेते हैं।"
परिणाम: यह गणित को फटने से रोकता है। यह सुनिश्चित करता है कि उपकरण हमेशा एक समझ में आने वाला नंबर दे, चाहे हलचल कितनी भी छोटी क्यों न हो।

3. "साइंड" विशेषता: दिशा को बनाए रखना (The "Signed" Feature)

इस नए उपकरण को "साइंड" कहा जाता है क्योंकि यह याद रखता है कि चीजें किस दिशा में बढ़ रही हैं।

उपमा: कल्पना कीजिए कि दो लोग चल रहे हैं। वे या तो एक ही दिशा में चल सकते हैं (पॉजिटिव कोरिलेशन) या विपरीत दिशाओं में (नेगेटिव कोरिलेशन)।
पुराने उपकरण कभी-कभी गणित के कारण भ्रमित हो जाते थे और इस बात का ट्रैक खो देते थे कि वे साथ चल रहे हैं या अलग हो रहे हैं। नया उपकरण एक स्पष्ट "प्लस" या "माइनस" चिह्न बनाए रखता है, जिससे आप जान सकते हैं कि क्या दोनों चीजें तालमेल में हैं या एक-दूसरे के विरुद्ध चल रही हैं।

4. "मल्टीफ्रैक्टल" महाशक्ति: ज़ूम इन और ज़ूम आउट करना (The "Multifractal" Superpower)

"मल्टीफ्रैक्टल" का अर्थ है कि उपकरण अलग-अलग लेंसों के माध्यम से डेटा को देख सकता है।

उपमा: एक जंगल के बारे में सोचें।
- बड़ी हलचलें (उच्च "q"): हेलीकॉप्टर से जंगल को देखना, जहाँ आप बड़े तूफ़ान और विशाल पेड़ों को देखते हैं।
- छोटी हलचलें (कम "q"): ज़मीन से जंगल को देखना, जहाँ आप छोटी टहनियों और पत्तों की सरसराहट को देखते हैं।
नया उपकरण आपको तुरंत इन दृश्यों के बीच स्विच करने की अनुमति देता है। यह आपको बता सकता है: "क्या ये दो चीजें तब एक साथ चलती हैं जब एक बड़ा तूफान आता है?" और "क्या वे तब भी एक साथ चलती हैं जब केवल हल्की हवा चल रही होती है?"

उन्होंने क्या परीक्षण किया?

लेखकों ने अपने नए उपकरण को तीन तरीकों से परीक्षण करके यह सिद्ध किया कि यह काम करता है:

"नकली शोर" परीक्षण (The "Fake Noise" Test): उन्होंने दो पूरी तरह से यादृच्छिक (random), असंबद्ध संकेत बनाए (जैसे दो लोग स्वतंत्र रूप से सिक्के उछाल रहे हों)।
- परिणाम: नए उपकरण ने सही ढंग से कहा, "इन दोनों के बीच शून्य संबंध है," भले ही वे सबसे सूक्ष्म, शोर वाले हिस्सों को देख रहे हों। यह भ्रमित नहीं हुआ और न ही इसने नकली संबंध बनाए।
शेयर बाजार परीक्षण (The Stock Market Test): उन्होंने डॉव जोन्स (Dow Jones) और नैस्डैक (NASDAQ) (दो प्रमुख अमेरिकी शेयर बाजारों) को देखा।
- परिणाम: उपकरण ने पुष्टि की कि वे मजबूती से जुड़े हुए हैं। लेकिन इसने कुछ दिलचस्प पाया: वे शांत, छोटे दिनों की तुलना में बड़े क्रैश या उछाल के दौरान बहुत अधिक पूर्णता के साथ एक साथ चलते हैं। उपकरण इस अंतर को स्पष्ट रूप से माप सका, जबकि पुराना उपकरण छोटे दिनों के मामले में संघर्ष कर रहा था।
मौसम परीक्षण (The Weather Test): उन्होंने साओ पाउलो, ब्राजील में तापमान और आर्द्रता (humidity) को देखा।
- परिणाम: उपकरण ने पाया कि तापमान और आर्द्रता मजबूती से जुड़े हुए हैं, लेकिन उनका संबंध समय के पैमाने और मौसम की घटना के आकार के आधार पर बदलता रहता है। इसने यह भी दिखाया कि गर्म दिन और ठंडे दिन (अधिकतम बनाम न्यूनतम तापमान) बहुत बारीकी से एक साथ चलते हैं।

निष्कर्ष (The Bottom Line)

यह शोध पत्र एक नया गणितीय "पैमाना" प्रस्तुत करता है जो मजबूत, स्थिर और समझने में आसान है। यह अतीत की उस गणितीय खामी को ठीक करता है जिसने छोटी हलचलों का अध्ययन करना असंभव बना दिया था। अब, वैज्ञानिक इस उपकरण का उपयोग यह देखने के लिए कर सकते हैं कि विभिन्न प्रणालियाँ (जैसे बाजार या मौसम) कैसे परस्पर क्रिया करती हैं, चाहे वे एक बड़ी, नाटकीय घटना का अनुभव कर रही हों या एक शांत, सूक्ष्म क्षण का। और वे उन नंबरों पर भरोसा कर सकते हैं जो उन्हें प्राप्त होते हैं।

महत्वपूर्ण नोट: यह शोध पत्र सख्ती से गणितीय पद्धति और शेयर बाजार एवं मौसम डेटा के साथ इसके परीक्षण पर केंद्रित है। यह भविष्य की भविष्यवाणी करने, चिकित्सा स्थितियों का निदान करने या अध्ययन में परीक्षण किए गए क्षेत्रों के अलावा अन्य क्षेत्रों में लागू होने का दावा नहीं करता है।

तकनीकी सारांश: सुदृढ़ q-ऋणात्मक मल्टीफ्रैक्टल डिट्रेंडेड क्रॉस-कोरिलेशन गुणांक

समस्या विवरण
मल्टीफ्रैक्टल डिट्रेंडेड क्रॉस-कोरिलेशन गुणांक, $\rho_q(n)$ , गैर-स्थिर (nonstationary) समय श्रृंखलाओं के बीच स्केल-निर्भर अंतःक्रियाओं की जांच करने के लिए एक मानक उपकरण है। हालांकि, ऋणात्मक उतार-चढ़ाव क्रमों ( $q < 0$ ) के लिए इसका अनुप्रयोग महत्वपूर्ण संख्यात्मक और व्याख्यात्मक चुनौतियों से ग्रस्त है। पारंपरिक सूत्रीकरणों में, ऋणात्मक $q$ मान बहुत कम उतार-चढ़ाव आयामों वाले खंडों के योगदान को बढ़ा देते हैं। यह प्रवर्धन शोर और संख्यात्मक अशुद्धियों के प्रति गुणांक को अत्यंत संवेदनशील बना देता है, जिससे यह अक्सर पारंपरिक सीमा $[-1, 1]$ से बाहर निकल जाता है। फलस्वरूप, पिछले दृष्टिकोणों को मानों को बाध्यित सीमा के भीतर वापस लाने के लिए इनवर्जन (inversion) जैसे 'एड-हॉक' सुधारात्मक प्रक्रियाओं की आवश्यकता होती है, जो माप की अंतर्निहित स्थिरता और भौतिक व्याख्यात्मकता से समझौता करती है।

कार्यप्रणाली
इन अस्थिरताओं को संबोधित करने के लिए, लेखक साइंड मल्टीफ्रैक्टल डिट्रेंडेड क्रॉस-कोरिलेशन गुणांक (Signed Multifractal Detrended Cross-Correlation Coefficient) प्रस्तावित करते हैं, जिसे $\rho_{SMFDCCA}(n, q)$ द्वारा दर्शाया गया है। यह विधि दो प्राथमिक नवाचारों पर आधारित एक आयाम-सशर्त सहसंबंध अवलोकन (amplitude-conditioned correlation observable) पेश करती है:

स्थानीय सामान्यीकरण और नियमितीकरण (Local Normalization and Regularization): यह विधि स्थानीय डिट्रेंडेड सहप्रसरण ( $C_{xy}(n, v)$ ) को एक नियमित स्थानीय उतार-चढ़ाव आयाम ( $A_v(n)$ ) के विरुद्ध सामान्यीकृत करके स्थानीय डिट्रेंडेड सहसंबंधों ( $r_v(n)$ ) की गणना करती है। शून्य विभाजन और सिंगुलैरिटी (singularities) को रोकने के लिए आयाम गणना के भीतर एक छोटा धनात्मक नियमितीकरण स्थिरांक ( $\epsilon > 0$ , जिसे $10^{-12}$ निर्धारित किया गया है) पेश किया गया है, जब उतार-चढ़ाव के आयाम लुप्त हो जाते हैं या अत्यंत सूक्ष्म हो जाते हैं। यह सुनिश्चित करता है कि स्थानीय सहसंबंध गुणांक कॉची-श्वार्ज़ असमानता (Cauchy–Schwarz inequality) द्वारा $[-1, 1]$ के भीतर सख्ती से बाध्य रहे।
बाध्यित गुणांकों का भारित औसत (Weighted Averaging of Bounded Coefficients): अनबाउंडेड वेरिएंस (unbounded variances) पर भार लगाने के बजाय, $\rho_{SMFDCCA}(n, q)$ $ρ_{S M F D C C A} (n, q)$ पहले से ही बाध्यित स्थानीय सहसंबंध गुणांकों के भारित औसत की गणना करता है। भार का निर्धारण उतार-चढ़ाव आयाम की $q/2$ $q /2$ घात द्वारा किया जाता है।
- $q > 0$ के लिए, बड़े उतार-चढ़ाव वाले खंडों पर जोर दिया जाता है।
- $q < 0$ के लिए, छोटे उतार-चढ़ाव वाले खंडों पर जोर दिया जाता है।
- $q = 0$ के लिए, सभी खंडों को समान रूप से भारित किया जाता है।

अंतिम गुणांक को इस प्रकार परिभाषित किया गया है:
$\rho_{SMFDCCA}(n, q) = \frac{\sum_{v=1}^{N_n} w_v(q, n) r_v(n)}{\sum_{v=1}^{N_n} w_v(q, n)}$
जहाँ $w_v(q, n) = A_v(n)^{q/2}$ है। यह सूत्रीकरण गारंटी देता है कि परिणामी गुणांक सभी वास्तविक $q$ मानों के लिए $[-1, 1]$ के भीतर रहेगा, जिससे बिना किसी पोस्ट-प्रोसेसिंग सुधार के स्थानीय अंतःक्रियाओं के चिह्न (sign) को सुरक्षित रखा जा सके।

प्रमुख योगदान

गणितीय सुदृढ़ता: प्रस्तावित गुणांक ऋणात्मक $q$ क्रमों से जुड़ी संख्यात्मक अस्थिरता को समाप्त करता है, जिससे मूल $\rho_q(n)$ सूत्रीकरण के लिए आवश्यक सुधारात्मक इनवर्जन प्रक्रियाओं की आवश्यकता समाप्त हो जाती है।
कठोर बाध्यता (Strict Boundedness): यह धनात्मक और ऋणात्मक दोनों उतार-चढ़ाव क्रमों के लिए एक सख्ती से बाध्यित माप ( $[-1, 1]$ ) प्रदान करता है, जिससे यह सुनिश्चित होता है कि मीट्रिक एक सहसंबंध गुणांक के रूप में अपनी व्याख्या बनाए रखता है।
चिह्न संरक्षण (Sign Preservation): यह विधि स्थानीय सहसंबंधों के चिह्न को सुरक्षित रखती है, जिससे विभिन्न उतार-चढ़ाव व्यवस्थाओं में स्थानीय अंतःक्रियाओं की शक्ति और दिशा का एक साथ परिमाणीकरण संभव होता है।
एकीकृत ढांचा: यह धनात्मक और ऋणात्मक मोमेंट्स (moments) के लिए एक एकीकृत उपचार प्रदान करता है, जिससे गणितीय सिंगुलैरिटी के बिना उतार-चढ़ाव के पूर्ण स्पेक्ट्रम में क्रॉस-कोरिलेशन का लक्षण वर्णन करना संभव होता है।

परिणाम और सत्यापन
लेखक सिंथेटिक और अनुभवजन्य अनुप्रयोगों के माध्यम से विधि को मान्य करते हैं:

सिंथेटिक डेटा (नल मॉडल): स्वतंत्र फ्रैक्शनल गॉसियन नॉइज़ ( $H=0.5$ ) का उपयोग करते हुए, गुणांक सभी स्केल्स और उतार-चढ़ाव क्रमों ( $q \in [-10, 10]$ ) में शून्य के आसपास उतार-चढ़ाव करता है। अधिकतम पूर्ण विचलन $5 \times 10^{-3}$ से नीचे रहता है, जो स्प्यूरियस (spurious) क्रॉस-कोरिलेशन की अनुपस्थिति की पुष्टि करता है और ऋणात्मक $q$ व्यवस्था में भी संख्यात्मक स्थिरता प्रदर्शित करता है।
वित्तीय बाजार (US इक्विटी): डॉው जोन्स इंडस्ट्रियल एवरेज और नैस्डैक कंपोजिट (1992–2026) के दैनिक लॉगरिदमिक रिटर्न पर लागू करने पर, विधि निरंतर धनात्मक क्रॉस-कोरिलेशन प्रकट करती है। एक स्पष्ट विषमता देखी गई है: बड़े-आयाम के उतार-चढ़ाव ( $q > 0$ ) छोटे-आयाम के उतार-चढ़ाव ( $q < 0$ , लगभग 0.49) की तुलना में काफी मजबूत सिंक्रोनाइज़ेशन (0.93 तक) प्रदर्शित करते हैं। यह एक हेट्रोजेनियस कपलिंग तंत्र को उजागर करता है जहाँ बड़े बाजार के उतार-चढ़ाव मामूली उतार-चढ़ाव की तुलना में अधिक मजबूती से सिंक्रोनाइज़ होते हैं।
मौसम संबंधी डेटा: साओ पाउलो के तापमान और आर्द्रता रिकॉर्ड के विश्लेषण से जटिल, स्केल-डिपेंडेंट संरचनाएं प्रकट होती हैं। उदाहरण के लिए, औसत तापमान और आर्द्रता लघु स्केल्स पर मजबूत नकारात्मक सहसंबंध दिखाते हैं जो मध्यवर्ती स्केल्स पर धनात्मक मानों की ओर विकसित होते हैं। इसके विपरीत, अधिकतम और न्यूनतम तापमान मजबूत धनात्मक कपलिंग दिखाते हैं जो स्केल और उतार-चढ़ाव के परिमाण के साथ तीव्र होती है।

महत्ता और दावे
लेखक दावा करते हैं कि $\rho_{SMFDCCA}(n, q)$ ऋणात्मक उतार-चढ़ाव क्रमों के लिए एक संख्यात्मक रूप से स्थिर, बाध्यित अवलोकन प्रदान करके मल्टीफ्रैक्टल विश्लेषण की एक दीर्घकालिक सीमा को हल करता है। इस विधि का उद्देश्य सामान्यीकृत हर्स्ट एक्सपोनेंट्स या मल्टीफ्रैक्टल स्पेक्ट्रा का अनुमान लगाना नहीं है, बल्कि यह मात्रा निर्धारित करने पर केंद्रित है कि उतार-चढ़ाव के आयाम और टेम्पोरल स्केल के साथ क्रॉस-कोरिलेशन की शक्ति और दिशा कैसे बदलती है।

यह पत्र तर्क देता है कि यह आयाम-सशर्त दृष्टिकोण हेट्रोजेनियस कपलिंग तंत्रों—जैसे वित्तीय बाजारों में बड़े उतार-चढ़ाव का मजबूत सिंक्रोनाइज़ेशन और मौसम के पैटर्न में जटिल गतिशील बदलाव—को उजागर करता है, जो पारंपरिक सहसंबंध अनुमानकों से छिपे रहते हैं। उतार-चढ़ाव के आयाम को एक स्पष्ट कंडीशनिंग वेरिएबल के रूप में पेश करके, यह विधि मल्टीस्केल अंतःक्रियाओं का एक पूरक विवरण प्रदान करती है, जो विशेष रूप से उन प्रणालियों में प्रभावी है जो कमजोर उतार-चढ़ाव, इंटरमिटेंसी (intermittency), या लगभग स्थिर स्थानीय खंडों द्वारा चिह्नित होती हैं। विधि की संख्यात्मक स्थिरता नियमितीकरण पैरामीटर $\epsilon$ के चौदह आदेशों (fourteen orders of magnitude) के ऊपर इसकी असंवेदनशीलता द्वारा और अधिक पुष्ट होती है।