記事"経験的モード分解メソッドのイントロダクション"についてのディスカッション - ページ 4

新しいコメント
 

これは有益な記事のひとつだ。ありがとうございます。私は盲目になっていたので、直接データストリームを分析することしかできませんでした。これは、ヒューリスティック分析とともに、私にとって本当に役に立つものです。今後、自分なりの実装を行い、代わりにMT5の組み込みチャート機能を使うようにします。

しかし、提供されたグラフィカルツールでスクリプトを実行していますが、コンパイルして表示されるものの、データは矩形波パターンとしてのみ表示されます。これは正常な動作なのでしょうか。
異なる日付間隔で異なる時間帯の異なるシンボルを試してみました。また、'n'値をより小さく、より大きく設定してみましたが、同じ結果になりました。

EMD方形波データ

 
実際、これは良い記事ではない。EMDは因果関係のある手法ではない。つまり、過去の値がリアルタイムで変化するため、トレーディングにはまったくもって役に立たない。特異スペクトル分析、ホドリック・プレスコット・フィルター、あらゆる種類のスプラインと同じカテゴリーだ。静的なチャート上ではとても良く見えますが、リアルタイムではLWMAと変わりません。EMDラインの結果にSMA(1)を置くだけで、それがどれだけでこぼこになるかわかるだろう...研究/科学的な観点からは良いが、取引では役に立たない。
 
MisterH:
実際、これは良い記事ではない。EMDは因果関係のある手法ではない。つまり、過去の値がリアルタイムで変化するため、トレーディングにはまったくもって役に立たない。特異スペクトル分析、ホドリック・プレスコット・フィルター、あらゆる種類のスプラインと同じカテゴリーだ。静的なチャート上ではとても良く見えますが、リアルタイムではLWMAと変わりません。EMDラインの結果にSMA(1)を置くだけで、それがどれだけでこぼこになるかわかるだろう...研究/科学的な観点からは良いが、取引では役に立たない。
ご意見ありがとうございます。記事そのものよりも役に立ったようです。この記事を読んで、他のタイプの分析にも目を向けるようになったが、それを実行に移すと、おそらくおっしゃるとおりになるだろう：BUMPY。他のことに時間を費やし、トレードのためではなく、研究目的でこれを使うかもしれません。
 

1. https://en.wikipedia.org/wiki/Hilbert%E2%80%93Huang_transform

2.経験的最頻値分解のグーグル画像。

3.3.これはおそらく、私の間抜けなコメントのひとつだろう :)。少し皮肉がこめられている。EMDを計算する前に最初にすべきことは、極大と極小を見つけることだ（下記参照）。それがすでにできていれば、すでに儲かっていることになる。極大・極小を見つけるのは、このあたりでやることだ。

また、ウィキペディアでは、（制限の ところで）「 DatigとSchlurmann [2004]は、特に 不規則 波への 応用で、HHTの性能と限界について最も包括的な研究を行った。 ... 著者らは、より良いエンベロープを決定するために、前方および後方の両方の追加点を使用することについて議論した 。

4.4.ノイズをフィルタリングする - これがすべてである。

Hilbert–Huang transform - Wikipedia, the free encyclopedia
  • en.wikipedia.org
The Hilbert–Huang transform (HHT) is a way to decompose a signal into so-called intrinsic mode functions (IMF), and obtain instantaneous frequency data. It is designed to work well for data that is nonstationary and nonlinear. In contrast to other common transforms like the Fourier transform, the HHT is more like an algorithm (an empirical...
 



（EMDだけでなく）どのような分解にも関連するいくつかのポイント：

  1. 図6では、私が理解するところでは、平滑化は与えられた区間にEMDを1回適用することによって行われている。固定サイズのウィンドウをシフトさせ、それぞれにEMDを適用することで平滑化を行う方がより正しい。正しい端で平滑化値を得る。
  2. この意味で、右端の値と左端の値による平滑化の結果を比較することは非常に興味深い（すべての平滑化関数について同じことを行う）。
  3. IMF関数の予測は、単純なMAの予測と同様に成功しているようである。予測の基本は同じであり、エクストポレーターの選択だからです。少し教えていただけますか？
    эмпирической модовой декомпозиции に基づいて構築された予測手法の詳細な分析は、このトピックの範疇を超えているため、ここでは行いません。
  4. デトレンドのアイデアはとても気に入っています。
  5. EMDを価格BPに適用するには、BPそのものに何らかの変換が必要であることは明らかです。極値を見つけるアルゴリズムも同様です。

EMDについて：

  1. EMDの結果は使用するスプライン関数の種類に強く依存するのでしょうか？
  2. EMDでそのような構成基準を選択する理由についてコメントしてください：
    経験的モードのどの点においても、局所最大値と局所最小値によって定義される包絡線の平均はゼロでなければならない。


追伸：平滑化関数を比較するためには、もちろん、平滑化効率の基準を一度開発する価値があります。これによって、EMDを含むすべての既知の関数を比較することができる。

 
hrenfx:

記事をありがとう。

記事に興味を持ってくれてありがとう。

申し訳ありませんが、EMD 。私はこの方法のソフトウェア実装を作りたかった。そのような実装が行われ、それがこの記事を書く基礎となった。本格的な研究は行われていない。

EMDについて

EMDの結果は、使用するスプライン関数の種類に強く依存しますか？

他のスプライン、例えば4次のスプラインを使った試しがないので、それについて私自身の意見はありません。このテーマに関する出版物をどこかで見たような気がしますが、残念ながら正確には覚えていません。

EMDがそのような建設基準を選んだ理由についてコメントをお願いします：

経験モードのどの点においても、局所最大値と局所最小値で定義される包絡線の平均はゼロでなければならない。

ここではコメントできないので、Huangの論文で調べてほしい。これが彼の条件である。

 

どのような分解法を 研究するにもソフトウェアの実装が必要であるため、その基礎は論文でほぼ完全に開示されている。

P.S.異なる関数を比較する基準を（インターネット上の）どこにも見かけないのは不思議だ。これは自転車について考える理由である。

 

ヒルベルト振動分解http://hitech.technion.ac.il/feldman/hvd.html たぶん、著者か電子工学に詳しい人が新しい記事を書いてくれるだろう。

 

まず第一に、記事を書いてくれた著者に心から感謝する！この記事は興味深く、明快で簡潔だ。入門講義のようなものだ。その上、著者は最初のテストのためのベースを与えてくれた。これには心から感謝したい。

さて、私は、指一本動かす必要がないように、すべてを一度に、同時に必要とする人々に対処する。皆さん、頭のスイッチを入れて、怠け心と戦ってください。単純に読んでいて不快な記事もある。著者は一生懸命やっているのに、あなたはそれを評価しない。

 
MetaQuotes Software Corp.:

新しい記事「 経験的モード分解入門」を掲載しました：

著者：ビクター・ライクス

12345
新しいコメント