기고글 토론 "경험적 모드 분해법의 기초" - 페이지 5

 
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 울퉁불퉁한지 알 수 있습니다... 연구/과학적 관점에서는 좋지만 트레이딩에서는 쓸모가 없습니다.
과거 가격 데이터를 기반으로 한 일종의 간단한 예측 가격 필터로 EMD(또는 다른 분석 기법)를 사용하려는 경우라면 꽤 쓸모가 없다는 데 동의하지만 완전히 무시하는 것은 그렇게 빠르지 않을 것입니다. 고정되지 않은 데이터를 구성 요소 파형으로 분해하면 유용하고 유익한 정보를 얻을 수 있는 다른 여러 가지 방법이 있습니다. 제 경험상 EMD는 다음과 같은 작업을 꽤 잘 수행합니다.
 

안녕하세요 여러분,

EMD 기법을 SVM 회귀와 함께 구현하는 논리적 경로를 형성하는 데 어려움을 겪고 있습니다. 내가 읽은 대부분의 논문 (예 : "EMD 및 SVM을 기반으로 한 주가지수의 단기 예측")은 SVM 학습 경로를 구현하기 전에 먼저 전체 시계열을 분해합니다.

하지만 시계열에 하나의 데이터 세트 (t + 1)를 추가하면 EMD 알고리즘이 이전보다 거의 모든 단일 IMF 값을 변경합니다 (과거 동일한 날짜에 대해 IMF 수조차도 변경 될 수 있음).

따라서 데이터 세트를 학습 기간(예: 2002-2010)으로 분할하고 표본 외 예측(예: 2011년)을 하고자 하는 경우 2011년을 예측하려면 EMD로 분해된 IMF에 2002-2010년의 데이터만 포함되어야 하는 것이 아닌지 걱정됩니다. EMD 데이터 세트(2002-2011년)로 계산된 IMF 시계열로 2011년을 예측하면 '미래'의 정보가 포함되므로 백테스트 결과가 유효하지 않겠죠?

따라서 한 단계 앞으로 예측할 때마다 추가 데이터 포인트로 EMD를 계산해야 합니다... 그러면 이러한 모델을 백테스트하기 위해 SVM 회귀를 수행할 수 있겠죠? 이 재귀적 방법은 위에서 언급 한 MisterH처럼 "BUMPY"가되어 백 테스트 / 거래 전략에 쓸모 없게 될 수 있습니까?

 

두 번째로 동봉 된 "약간 다른 EMD 구현"에 대해 한마디 할 수 있습니까? 장점 단점 단점 차이점

큰 + 기사