💰 quantitative finance

Relaxation Times for Nonextensive Systems Using Gradient Flow for the Maximization of Tsallis Entropy: An Application to Financial Market Dynamics

Dit artikel stelt een Euclidische gradiëntstroom-framework voor om de relaxatietijden van niet-extensieve systemen, zoals financiële markten, te schatten door de Tsallis-entropie te maximaliseren onder q-Gaussische beperkingen, hetgeen onthult dat deze systemen langere relaxatietijden vertonen dan voorspeld door Shannon-entropie, waardoor meer uitgebreide voorspellingshorizonten mogelijk worden.

Oorspronkelijke auteurs: Sandhya Devi

Gepubliceerd 2026-06-24✓ Author reviewed ⓘ

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sandhya Devi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Hoe snel koelt de markt "af"?

Stel je de aandelenmarkt voor als een enorme, chaotische pot soep. Wanneer je de soep voor het eerst roert, wervelen de ingrediënten (prijzen, nieuws, emoties van beleggers) wild rond. Uiteindelijk komt de soep tot rust, stoppen de bellen en bereikt het een kalme, uniforme temperatuur. In de natuurkunde en economie wordt dit bezinkingsproces relaxatie genoemd.

Het artikel stelt een simpele vraag: Hoe lang duurt het voordat de "soep" van de aandelenmarkt stopt met wervelen en een kalme staat bereikt?

De auteur, Sandhya Devi, betoogt dat de manier waarop we deze "relaxatietijd" meten volledig afhangt van de wiskundige tool die we gebruiken om naar de soep te kijken.

De Oude Manier: De "Perfect Gladde" Soep (Shannon Entropie)

Decennialang hebben economen een standaardinstrument gebruikt genaamd Shannon Entropie (gebaseerd op de Efficiënte Markthypothese). Dit instrument gaat ervan uit dat de markt als een perfect gladde, goed gedragende vloeistof is.

De Analogie: Stel je voor dat je een enkele druppel inkt in een glas stilstaand water laat vallen. Volgens de oude theorie verspreidt de inkt zich onmiddellijk en gelijkmatig. Het systeem bereikt "evenwicht" (maximale wanorde) bijna direct.
Het Resultaat: Als je deze oude wiskunde gebruikt, komt de markt in een oogwenk tot rust. Dit impliceert dat de markt zo efficiënt is dat je niets meer dan een paar seconden in de toekomst kunt voorspellen, omdat de "ruis" te snel verdwijnt.

De Nieuwe Manier: De "Klonterige, Plakkerige" Soep (Tsallis Entropie)

De auteur suggereert dat echte markten geen glad water zijn; ze lijken meer op een dikke, klonterige soep met plakkerige ingrediënten (zoals kuddegedrag, paniekverkopen en speculatie). Hiervoor gebruikt zij een nieuwere tool genaamd Tsallis Entropie.

De Analogie: Stel je voor dat je diezelfde druppel inkt in een pot dikke havermout of een plakkerige gel laat vallen. De inkt verspreidt zich niet onmiddellijk. Het blijft plakken, wervelt rond in zakjes en doet er lang over om zich gelijkmatig te mengen.
Het Resultaat: Wanneer de auteur deze "plakkerige soep"-wiskunde toepast op financiële gegevens, is de relaxatietijd (de tijd om evenwicht te bereiken) veel langer.

De "Gradient Flow" Motor

Om precies te berekenen hoe lang dit duurt, gebruikt de auteur een methode genaamd Euclidische Gradient Flow.

De Analogie: Denk aan de marktparameters (zoals de "temperatuur" van de markt en een "plakkerigheidsfactor") als een wandelaar die probeert de top van een berg te bereiken (de staat van maximale entropie).
- De Gradient Flow is het pad van de wandelaar.
- De Shannon-methode is een wandelaar op een steile, gladde helling die heel snel naar de top glijdt.
- De Tsallis-methode is een wandelaar in diepe modder. Ze bewegen nog steeds richting de top, maar ze zetten grote, langzame, doelbewuste stappen.

Wat de Data daadwerkelijk lieten zien

De auteur testte deze theorie met echte beursgegevens, waarbij ze specifiek keek naar de periode die leidde tot de financiële crash van 2008.

De Opzet: Ze nam de "plakkerigheid" en "temperatuur" van de markt vlak voor de crash.
De Simulatie: Ze liet de wiskunde zijn werk doen om te zien hoe lang het duurde voordat de markt tot rust kwam.
De Bevinding:
- Met de oude "gladde water"-wiskunde zou de markt bijna onmiddellijk tot rust zijn gekomen.
- Met de nieuwe "plakkerige soep"-wiskunde deed de markt er heel lang over om tot rust te komen.
- Specifiek suggereerde het model dat de markt tijdens chaotische tijden (zoals voor een crash) zijn "geheugen" en onvoorspelbaarheid behoudt voor ongeveer 360 dagen.

De Kernboodschap

Het artikel beweert dat omdat financiële markten complex en "niet-extensief" zijn (wat betekent dat het geheel chaotischer is dan alleen de som der delen), ze niet zo snel tot rust komen als traditionele theorieën suggereren.

Oude Visie: De markt vergeet alles onmiddellijk; langetermijnvoorspelling is onmogelijk.
Nieuwe Visie: De markt houdt haar chaotische energie voor een lange tijd vast (volgens het model tot wel een jaar). Dit betekent dat tijdens zeer turbulente perioden de "informatie" in de markt langer voortduurt, wat potentieel de mogelijkheid biedt om voorspellingen te doen over een veel bredere tijdshorizon dan voorheen gedacht.

Kortom: Als je de markt behandelt als een kalm meer, komt het onmiddellijk tot rust. Als je het behandelt als een stormachtige, plakkerige oceaan (wat de auteur een accuratere weergave vindt), duurt het lang voordat het kalm wordt, en die "stormachtige" staat duurt veel langer dan we dachten.

Technische Samenvatting: Relaxatietijden voor niet-extensieve systemen met behulp van Gradient Flow voor de maximalisatie van Tsallis-entropie

Probleemstelling
Het artikel behandelt de beperkingen van de Efficiënte Markthypothese (EMH) bij het modelleren van financiële marktdynamiek. De EMH gaat ervan uit dat markten snel een evenwicht bereiken, wat impliceert dat marktrendementen een Gaussische verdeling volgen en dat de "relaxatietijd"—de duur die nodig is om een toestand van maximale entropie te bereiken—verwaarloosbaar is. Empirisch bewijs suggereert echter dat financiële markten nietlineaire, complexe systemen zijn die worden gekenmerkt door dikke staarten (fat tails), scherpe pieken en verschijnselen zoals bellen en crashes, die niet goed beschreven kunnen worden door Gaussische statistieken. De auteurs stellen dat deze systemen beter gemodelleerd kunnen worden als niet-extensieve systemen met behulp van Tsallis-entropie. Het kernprobleem dat wordt onderzocht is hoe de relaxatietijd verandert wanneer Tsallis-statistiek wordt toegepast in vergelijking met traditionele Shannon-entropie, en of deze uitgebreide tijdschaal zorgt voor een langere termijn van voorspelbaarheid.

Methodologie
De auteurs ontwikkelen een raamwerk gebaseerd op Euclidean Gradient Flow (EGF) om de tijdsontwikkeling van een systeem te modelleren dat entropie maximaliseert.

Raamwerk: De dynamica wordt uitgedrukt als een steilste daling in de parameterruimte, waarbij een vrije-energiefunctionaal (entropie) wordt geoptimaliseerd onder een strafterm die de afstand tussen parameterwaarden op opeenvolgende tijdstappen vertegenwoordigt.
Restricties: Het systeem is beperkt om gedurende de hele tijd in een $q$ -Gaussische verdeling te blijven. De dynamica wordt gedreven door de tijdsvariaties van twee parameters: de entropische index $q$ (of $\alpha = 1/(q-1)$ ) en de inverse temperatuur $\beta_q$ .
Vergelijkbare Modellen:
1. Shannon-entropie ( $S_{sh}$ ): Veronderstelt een standaard Gaussische verdeling. De EGF-vergelijkingen leveren een relaxatietijd $T_g$ op waarbij de standaarddeviatie oneindig wordt, wat overeenkomt met de toestand van maximale entropie.
2. Tsallis-entropie ( $S_q$ ): Veronderstelt een $q$ -Gaussische verdeling. De auteurs leiden gekoppelde nietlineaire differentiaalvergelijkingen af voor de evolutie van $\alpha$ en $\beta_q$ .
Numerieke Aanpak: Vanwege de nietlineariteit van de EGF-vergelijkingen voor het algemene geval, gebruiken de auteurs een forward Euler-schema om het systeem numeriek op te lossen. Ze analyseren twee specifieke begincondities afgeleid van de S&P 500 één-daagse log-rendementen: een periode vlak voor de crash van 2008 (hoge niet-extensiviteit, $q_0 \approx 1,587$ ) en een relatief rustige periode ( $q_0 \approx 1,195$ ).

Belangrijkste Bijdragen en Resultaten

Afleiding van Relaxatietijden: Het artikel leidt expliciete uitdrukkingen voor relaxatietijden af. Voor Shannon-entropie wordt de relaxatietijd $T_g$ bepaald door de initiële inverse temperatuur en de mobiliteitsparameter. Voor Tsallis-entropie hangt de relaxatietijd $T_q$ af van de initiële parameters en de entropische index $q$ .
Vergelijking van Tijdschalen: Een theoretische vergelijking toont aan dat voor typische niet-extensieve parameters ( $q \approx 1,5$ ) de relaxatietijd $T_q$ ongeveer 33 keer langer is dan $T_g$ .
Numerieke Simulaties:
- Simulaties van de gekoppelde $\alpha$ - en $\beta_q$ -dynamica laten zien dat systemen met een hogere initiële $q$ (sterkere niet-extensiviteit) aanzienlijk langere relaxatietijden vertonen.
- De studie benadrukt een duidelijke dynamiek: terwijl $\beta_q$ nul kan bereiken, bereikt het systeem niet onmiddellijk evenwicht omdat de entropie doorgaat met evolueren door veranderingen in $\alpha$ (of $q$ ). Evenwicht wordt pas bereikt na enkele extra cycli.
Empirische Toepassing: Het model werd aangepast aan S&P 500-data rond de crash van 2008. Door de initiële parameters van het model te matchen met de data, schatten de auteurs ongeveer 40 cycli per dag. Het model suggereert een relaxatietijd van ongeveer 26.000 cycli, wat overeenkomt met een voorspellingshorizon van ongeveer 360 dagen. Het model slaagde erin de algemene dalende trend van $\beta_q$ en de evolutie van $q$ over de eerste 360 dagen te vangen, hoewel het een initiële toename in $\beta$ die in de data werd waargenomen, niet vastlegde.

Betekenis en Claims
Het artikel claimt dat het toepassen van Tsallis-entropie via Euclidean Gradient Flow een realistischerere beschrijving biedt van de financiële marktdynamiek dan standaard Gaussische modellen. De primaire betekenis ligt in de bevinding dat niet-extensieve systemen veel langere relaxatietijden hebben dan extensieve (op Shannon gebaseerde) systemen. Dit impliceert dat informatie (gedefinieerd als de inverse van entropie) gedurende langere perioden standhoudt in financiële markten, wat de EMH-aanname van snelle evenwichtsvorming uitdaagt. Bijgevolg suggereren de auteurs dat marktgedrag over langere horizonten voorspelbaar kan zijn (tot ~360 dagen in hun specifieke casestudy) tijdens zeer niet-extensieve perioden, zoals de perioden voorafgaand aan grote marktcrashes. De methode biedt een potentieel instrument om te schatten hoe lang het duurt voordat markten tot rust komen na chaotische gebeurtenissen zoals bellen of crashes.