論文要約：時系列相関とコルモゴロフ複雑性：ハウスドルフ次元の視点

タイトル: Time Series Correlations and Kolmogorov Complexity: A Hausdorff Dimension Perspective
著者: Boumediene Hamzi, Marianne Clausel, Kamal Dingle, Marcus Hutter, Mohammed Terry-Jack
日付: 2026 年 3 月 31 日

1. 問題提起

時系列データ分析において、根本的に無関係な系列間で高いピアソン相関（$|\rho|$）が観測される「偽の相関（Spurious Correlations）」は長年の課題です。

• 現状の課題: 単純な低複雑性パターン（単調増加トレンド、周期的振る舞いなど）は自然界のデータに豊富に存在します。これらは、因果関係がないにもかかわらず、高い相関を示す傾向があります（例：ネプチューンと太陽の距離と窃盗率、名前「Theodore」の人気と HDFC 銀行の株価）。
• 根本原因: 単純なパターンは、アルゴリズム情報理論（AIT）の観点から「コルモゴロフ複雑性（$K(x)$）」が低く、ユニバーサル分布（ソロモノフ・プライヤー）において出現確率が指数関数的に高いため、偶然の一致（アラインメント）が頻発します。

2. 理論的枠組みと手法

この論文は、アルゴリズム情報理論と有効ハウスドルフ次元（Effective Hausdorff Dimension）の理論を統合し、偽の相関を検出・防止するための新しい診断基準を提案しています。

2.1 理論的基盤

1. コルモゴロフ複雑性とソロモノフ・プライヤー:
   • 低複雑性の系列は、高複雑性の系列に比べて、独立して生成されたとしても偶然に一致する確率が極めて高いことを証明（Proposition 1: Spurious Alignment Bound）。
   • 相関閾値 $\tau$ に対して、独立な 2 系列の偶然の一致確率は、そのコルモゴロフ複雑性の和に対して指数関数的に減少します。
2. ハウスドルフ次元との橋渡し:
   • 有効ハウスドルフ次元 $\dim(x)$ は、正規化されたコルモゴロフ複雑性の極限として定義されます。
   • 時系列のグラフのハウスドルフ次元が高い（粗い、カオス的）ほど、系列は大きな領域を「放浪」するため、偶然の一致は幾何学的に起こりにくくなります。
3. ノイズの影響（Posobin-Shen 定理）:
   • 観測ノイズはコルモゴロフ複雑性を増大させます。したがって、実データにおける複雑性の閾値設定には、ノイズによる「複雑性の底（Noise Floor）」を考慮する必要があります。

2.2 提案手法：複雑性指標

既存の相関分析に以下の指標を組み合わせて使用することを提案します。

• 複雑性推定:
  • LZ 複雑性 ($\tilde{e}_{CLZ}$): 時系列をバイト列に変換し、LZ77 圧縮（zlib）を行った圧縮率を正規化して使用。
  • スペクトルエントロピー ($\tilde{e}_H$): フーリエ変換後のパワースペクトルのシャノンエントロピー。
• 新規指標：JLZ (Joint Complexity Indicator):
  • 単なる複雑性の類似度（$SLZ = -|\tilde{e}_{CLZ}(x) - \tilde{e}_{CLZ}(y)|$）ではなく、両系列がともに高複雑性であることを重視する指標。
  • 定義: $JLZ(x, y) = \sqrt{\tilde{e}_{CLZ}(x) \cdot \tilde{e}_{CLZ}(y)}$
  • 意義: 一方でも単純な系列が含まれる場合、JLZ は 0 に近づき、その相関は信頼できないと判定されます。

3. 実験結果

実験 1: 結合ロジスティック写像 (Coupled Logistic Maps)

• 設定: 結合強度 $\epsilon$ を変えながら、周期軌道（$r=3.4$、低複雑性）とカオス軌道（$r=3.9$、高複雑性）の 2 つのレジームで実験。
• 結果:
  • 偽陽性率: 低複雑性（周期）系列では、独立な系列間でも $|\rho| > 0.3$ の偽相関が 100% 発生。一方、高複雑性（カオス）系列では 0%。
  • JLZ の有効性: 同期遷移（Synchronization transition）の直前において、個々の系列の複雑性が一時的に崩壊し、JLZ が急激に低下する現象を検出。これは単純な類似度指標（SLZ）では検出できない動的現象です。
  • 結論: 高相関が観測された場合、JLZ が低い（低複雑性）場合は偽相関の可能性が高く、JLZ が高い（高複雑性）場合は真の関係を強く示唆します。

実験 2: 多変数分数ブラウン運動 (mfBm)

• 設定: ハースト指数 $H$ を変化させ、ハウスドルフ次元（$2-H$）と複雑性の関係を解析。
• 結果:
  • H と偽陽性率: $H$ が小さい（粗い、高次元）系列では偽陽性率が 5% 未満ですが、$H$ が大きい（滑らか、低次元）系列では 25-40% に達します。
  • 非定常性の問題: 分数ブラウン運動そのもの（非定常）は、ハースト指数に関わらず偽相関を示す（Yule のナンセンス相関）。しかし、その差分（分数ガウスノイズ、定常）を解析すれば、複雑性指標は理論通り機能します。
  • JLZ の閾値: 実験より、$JLZ > 0.3$を「信頼できる相関」の閾値として設定することが推奨されます（ノイズフロア$\approx 0.15$と 5$\approx 0.4$ の中間）。

4. 主要な貢献と知見

1. 理論的証明: アルゴリズム確率論とハウスドルフ次元の理論に基づき、高複雑性系列間での偶然の相関が指数関数的に希薄であることを数学的に証明しました。
2. 実用的な診断ツール (JLZ): ピアソン相関 $\rho$ だけでなく、JLZ を併記することで、相関の「質」を評価する実用的なフレームワークを構築しました。
   • 高 JLZ + 高 $\rho$: 真の関係の強力な証拠。
   • 低 JLZ + 高 $\rho$: 偽の相関（単純なトレンドによる一致）である可能性が高い。
3. ノイズフロアの定量化: 実測データにおけるノイズが複雑性をどのように増大させるかを定式化し、閾値設定の根拠を提供しました。
4. 事前警告機能: カオス系における同期遷移の直前に、JLZ が個々の複雑性の崩壊を検知し、同期の到来を予知できることを発見しました。

5. 意義と推奨事項

この研究は、時系列分析における「相関の解釈」にパラダイムシフトをもたらす可能性があります。

• 推奨されるワークフロー:
  1. 定常性の確認: 非定常系列（トレンドあり）は差分を取るなどして定常化させる（Yule 現象の回避）。
  2. 複雑性の評価: 各系列の LZ 複雑性（$\tilde{e}_{CLZ}$）を算出。
  3. JLZ の計算: 対となる系列の JLZ を計算し、閾値（例：0.3）と比較する。
  4. 解釈: JLZ が低い場合、高い相関 $\rho$ は強い懐疑を持って扱うべき。JLZ が高い場合のみ、相関を真の関係の候補として扱う。
• 既存手法との関係:
  • 置換検定（Surrogate testing）や MDL ベースの因果推論とは矛盾せず、補完的に機能します。置換検定が「線形ノイズモデルからの逸脱」を検出するのに対し、JLZ は「構造の豊かさ（複雑性）」が相関の信頼性を支えているかを確認します。

結論:
単純なトレンドや周期的なパターンに起因する「ナンセンスな相関」を排除し、真に複雑な動的システム間の関係を特定するために、コルモゴロフ複雑性（およびその代理指標である LZ 圧縮率）を相関分析の必須コンポーネントとして組み込むことが強く推奨されます。