Scripts MF-DFA (código)

Pipeline en Python para calcular y representar $F_q(s)$, $h(q)$, $\tau(q)$, el espectro $f(\alpha)$ y surrogates a partir de retornos de índices bursátiles.
Este repositorio contiene solo el código (sin datos).

---

Requisitos

• Python 3.10+
• Instalar dependencias:

  pip install -r requirements.txt

---

Estructura de carpetas

La variable BASE de los scripts debe apuntar a la raíz del proyecto.

Proyecto/
├─ data/
│  ├─ <etq>_Historical_Data.csv
│  ├─ <etq>_Historical_Data_Semi_Clean.csv
│  └─ <etq>_Historical_Data_Clean.csv
│
├─ results/
│  ├─ csvs/
│  └─ figures/          # (opcional si activas guardados de figuras)
│
├─ scripts/
│  ├─ 1_clean_data.py
│  ├─ 2_plot_prices.py
│  ├─ 3_compute_returns.py
│  ├─ 4_compute_Fq_scaling.py
│  ├─ 5_compute_tau.py
│  ├─ 6_compute_tau_sub_periods.py
│  ├─ 7_compute_singularity.py
│  └─ 8_compute_surrogate.py
│
├─ .gitignore
├─ requirements.txt
└─ README.md

---

Formato de los datos (CSV)

• Separador: punto y coma ;
• Fechas: YYYY-MM-DD
• Precios (entrada): Date;Close
• Retornos (salida del script 3): Date;Return con $r_t=\ln C_t-\ln C_{t-1}$

---

Ejecución rápida

1. Edita BASE en los scripts para que apunte a la raíz del proyecto.
2. (Opcional) Coloca los CSV originales en data/.
3. Ejecuta desde la raíz en este orden:

   python scripts/1_clean_data.py
   python scripts/2_plot_prices.py
   python scripts/3_compute_returns.py
   python scripts/4_compute_Fq_scaling.py
   python scripts/5_compute_tau.py
   python scripts/6_compute_tau_sub_periods.py
   python scripts/7_compute_singularity.py
   python scripts/8_compute_surrogate.py

---

Qué hace cada script (resumen)

• 1_clean_data.py – Limpia *_Historical_Data.csv → *_Historical_Data_Clean.csv.
• 2_plot_prices.py – Gráfico de precios (validación visual).
• 3_compute_returns.py – Retornos logarítmicos → results/csvs/_Returns.csv.
• 4_compute_Fq_scaling.py – MF-DFA en malla de escalas, rango óptimo (Gulich & Zunino), 60 escalas y estimación de $h(q)$.
• 5_compute_tau.py – $\tau(q)=q\cdot h(q)-1$ (Original y Shuffled, con barras de error) usando esas escalas.
• 6_compute_tau_sub_periods.py – $\tau(q)$ por subperiodos con rangos óptimos propios.
• 7_compute_singularity.py – Espectro $f(\alpha)$ (Original vs Shuffled), concavidad y métricas.
• 8_compute_surrogate.py – $\Delta\alpha$ vs $M$ (surrogates truncadas y truncadas+barajadas).

---

Ficheros generados (nombres típicos)

• results/csvs/_Returns.csv
• results/csvs/_Optimal_S_Distribution_YYYYMMDD.csv
• results/csvs/_Optimal_hq_YYYYMMDD.csv
• results/csvs/_Tau(q)_YYYYMMDD.csv
• results/csvs/_Tau(q)_Shuffled_YYYYMMDD.csv
• (opcionales en 7 y 8) Spectrum.csv, Spectrum_Metrics.csv, DeltaAlpha_vs_M.csv

---

Parámetros frecuentes

• BASE (ruta raíz del proyecto).
• Flags de guardado de CSV/figuras dentro de cada script.
• Subperiodos, semillas y listas de $q$ o $M$ definidos al inicio de los scripts.

---

Notas y problemas comunes

• No encuentra archivos → BASE incorrecta o estructura distinta.
• Espectro/colas extrañas → asegúrate de que $h(q)$, escalas y $\tau(q)$ provienen del mismo rango/periodo.
• Separador: los CSV deben usar ;