기고글 토론 "경험적 모드 분해법의 기초" - 페이지 4

 

정말 유용하고 좋은 글 중 하나입니다. 정말 감사해요, 저는 너무 눈이 멀어서 직접 데이터 스트림으로 분석하는 방법밖에 없었습니다. 이것은 휴리스틱 분석과 함께 저에게 정말 유용 할 수있는 것입니다. 앞으로는 직접 구현해서 내장된 MT5 차트 기능을 사용하려고 합니다.

하지만 제공된 그래픽 도구로 스크립트를 실행하면 컴파일 및 표시되지만 데이터는 구형파 패턴으로만 표시됩니다. 이것이 정상적인 동작인가요?
다른 날짜 간격으로 다른 기간에 다른 기호를 사용해 보았고 'n'값을 더 작게 설정했다가 더 크게 설정하려고했지만 동일한 결과를 얻었습니다.

EMD 사각파 데이터

 
사실 이것은 좋은 기사가 아닙니다. EMD는 인과관계 기법이 아닙니다. 즉, 과거 값이 실시간으로 변하기 때문에 트레이딩에 전혀 쓸모가 없습니다. 이는 특이 스펙트럼 분석, 호드릭-프레스콧 필터 및 모든 유형의 스플라인과 같은 범주에 속합니다. 정적 차트에서는 좋아 보이지만 실시간에서는 LWMA보다 나을 것이 없습니다. EMD 라인의 결과에 SMA(1)을 놓으면 얼마나 울퉁불퉁해지는지 알 수 있습니다... 연구/과학적 관점에서는 좋지만 트레이딩에서는 쓸모가 없습니다.
 
MisterH:
사실 이것은 좋은 기사가 아닙니다. EMD는 인과관계 기법이 아닙니다. 즉, 과거 값이 실시간으로 변하기 때문에 트레이딩에 전혀 쓸모가 없습니다. 이는 특이 스펙트럼 분석, 호드릭-프레스콧 필터 및 모든 유형의 스플라인과 같은 범주에 속합니다. 정적 차트에서는 좋아 보이지만 실시간에서는 LWMA보다 나을 것이 없습니다. EMD 라인의 결과에 SMA(1)을 놓으면 얼마나 울퉁불퉁해지는지 알 수 있습니다... 연구/과학적 관점에서는 좋지만 트레이딩에서는 쓸모가 없습니다.
피드백 주셔서 감사합니다, 기사 자체보다 더 유용했던 것 같습니다. 나는 당신이 말한 것을 연구 해 왔고이 기사가 다른 유형의 분석에 눈을 뜨게했지만, 내가 그것을 구현하면 아마도 당신이 말한대로 될 것입니다: BUMPY. 다른 일에 시간을 할애하고 거래가 아닌 연구 목적으로 사용할 수 있습니다.
 

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

2. 경험적 모드 분해의 구글 사진.

3. 이것은 아마도 많은 사람들의 멍청한 댓글 중 하나 일 것입니다 :). 여기에는 약간의 아이러니가 있습니다. EMD를 계산하기 전에 가장 먼저 해야 할 일은 최대값과 최소값을 구하는 것입니다(아래 참조). 만약 우리가 이미 그것을 할 수 있다면, 우리는 이미 돈을 벌고 있는 것입니다. 최대값/최소값을 찾는 것이 우리가 여기서 하는 일입니다.

위키피디아는 또한 ( 제한적으로)" Datig와 Schlurmann [2004]은 불규칙한 파도에 대한 특정 적용을 통해 HHT의 성능과 한계에 대한 가장 포괄적인 연구를 수행했습니다 . ... 저자들은 더 나은 엔벨로프를 결정하기 위해 전방 및 후방 모두에서 추가 포인트를 사용하는 것에 대해 논의했습니다.".

4. 노이즈 필터링 - 이것이 바로 이 모든 것의 핵심입니다.

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...
 



모든 분해와 관련된 몇 가지 사항(EMD뿐만 아니라)을 알려주세요:

  1. 그림 6에서 제가 알기로는 스무딩은 주어진 간격에 EMD를 한 번 적용하여 수행됩니다. 고정된 크기의 창을 이동하고 각각에 EMD를 적용하여 스무딩을 표시하는 것이 더 정확합니다. 오른쪽 끝에서 스무딩 값 얻기.
  2. 이런 의미에서 오른쪽 끝과 왼쪽 끝 값으로 스무딩한 결과를 비교하는 것은 매우 흥미롭습니다(모든 스무딩 함수에 대해 동일하게 수행).
  3. IMF 함수의 예측은 단순 MA의 예측만큼이나 성공적인 것으로 보입니다. 예측의 기초는 동일하기 때문에 외삽기 선택입니다. 조금만 공유해 주시겠어요?
    эмпирической модовой декомпозиции 을 기반으로 구축된 예측 방법에 대한 자세한 분석은 이 글의 범위를 벗어나는 주제이므로 여기서는 다루지 않습니다.
  4. 디트렌딩에 대한 아이디어가 매우 마음에 듭니다.
  5. 가격 BP에 EMD를 적용하려면 BP 자체에 약간의 변화가 필요합니다. 이에 따라 극값을 찾는 알고리즘에도 동일하게 적용됩니다.

EMD에 대해:

  1. EMD 결과는 사용된 스플라인 함수의 유형에 따라 크게 달라지나요?
  2. EMD에서 이러한 구성 기준을 선택한 이유에 대해 설명해 주세요:
    경험적 모드의 어느 지점에서든 국부 최대값과 국부 최소값으로 정의된 봉투의 평균은 0이어야 합니다.


추신 스무딩 함수를 비교하기 위해서는 물론 스무딩 효율성의 기준을 한 번에 개발하는 것이 좋습니다. 이를 통해 EMD를 포함한 모든 알려진 함수를 비교할 수 있습니다.

 
hrenfx:

기사 읽어 주셔서 감사합니다.

기사에 관심을 가져주셔서 감사합니다.

죄송하지만 EMD 에 대한 자세한 내용은 다루지 못하겠습니다. 이 방법의 소프트웨어 구현을 만들고 싶었습니다. 이러한 구현이 완료되어이 기사를 작성하는 데 기초가되었습니다. 진지한 연구는 수행되지 않았습니다.

EMD에 대해:

EMD 결과는 사용된 스플라인 함수의 유형에 따라 크게 달라지나요?

예를 들어 4도 등 다른 스플라인을 사용해 본 적이 없어서 이에 대한 제 의견은 없습니다. 이 주제에 대한 출판물을 어딘가에서 본 것 같지만 안타깝게도 정확히 어디인지 기억이 나지 않습니다.

EMD가 이러한 구성 기준을 선택한 이유에 대해 설명해 주세요:

경험적 모드의 어느 지점에서든 로컬 최대값과 로컬 최소값으로 정의된 봉투의 평균은 0이어야 합니다.

여기서는 언급할 수 없고 황의 논문에서 찾아봐야 합니다. 이것이 그의 조건입니다.

 

모든 분해 방법에 대한 연구는 소프트웨어 구현이 필요하므로 그 근거는 논문에 거의 완전히 공개되어 있습니다.

추신 어디에서도 (인터넷에서) 다른 기능을 비교하기위한 기준을 본 적이 없다는 것이 이상합니다. 이것이 자전거에 대해 생각해야하는 이유입니다.

 

이것은 대안적이고 더 나은 방법이라고 합니다: 힐버트 진동 분해 http://hitech.technion.ac.il/feldman/hvd.html 저자 또는 전자 공학 배경을 가진 사람이 새 글을 작성할 수도 있습니다.

 

우선 기사를 작성해 주신 저자에게 정말 감사드립니다! 흥미롭고 명확하며 간결합니다. 이 자료는 필요한지 여부를 이해하고이 주제를 계속 공부할지 여부를 결정하기에 충분합니다 (일종의 입문 강의). 또한 저자는 초기 테스트를위한 기반을 제공했습니다. 이에 대해 대단히 감사합니다.

이제 손가락 하나 움직일 필요가 없도록 모든 것을 한꺼번에 동시에 필요로하는 사람들에게 말씀 드리겠습니다. 사람들-두뇌를 켜고 게으름과 싸우십시오. 일부 게시물은 단순히 읽기가 불쾌합니다. 저자는 열심히 노력했지만 당신은 감사하지 않습니다.

 
MetaQuotes Software Corp.:

새 문서 경험적 모달 분해 소개가 게시되었습니다:

작성자: Victor Likes