В посте «Индикатор для трейдинга, который не запаздывает» я обращал внимание на запаздывание технических индикаторов. Трейдеры пытались решить эту проблему с помощью методов спектрального анализа. Много надежд подавал Метод эмпирической модовой декомпозиции (Empirical Mode Decomposition, EMD), который был предложен Норой Хуанг и её коллегами из NASA в 1998 году.
Детали разработки
Метод был разработан для анализа данных о колебаниях земной атмосферы и океанов. Это - классические примеры нестационарных и нелинейных процессов. Традиционные методы, (преобразование Фурье, Вейвлет) плохо справляются с такими данными, так как используют предположение о неизменности статистических характеристик сигнала во времени.
Нора Хуанг и её команда предложили адаптивный алгоритм, который позволяет разложить сложный сигнал на более простые составляющие, называемые интринсическими модовыми функциями (Intrinsic Mode Functions, IMF).
В 1999 году последовала работа, в которой был представлен метод получения мгновенной частоты сигнала с помощью преобразования Гильберта применительно к результатам EMD. Этот метод стал прорывным в области анализа данных и лёг в основу преобразования Гильберта-Хуанга (HHT).
Применение EMD для анализа финансовых рынков обещало ряд существенных преимуществ, поскольку этот метод специально разработан для работы с нестационарными и нелинейными данными, которыми и являются рыночные котировки.
Ключевые преимущества:
1. Адаптивность к рыночным данным
В отличие от преобразования Фурье или вейвлет-анализа, где используются заранее заданные базисные функции (синусоиды или вейвлеты), EMD является полностью адаптивным методом.
Он извлекает составляющие (интринсические модовые функции, IMF) непосредственно из самих данных. Это позволяет подстраиваться под уникальные характеристики конкретного финансового инструмента, будь то акции, валюты или фьючерсы.
2. Выявление скрытых рыночных циклов
Рыночные цены состоят из множества наложенных друг на друга циклов разной продолжительности: долгосрочные тренды, среднесрочные колебания и краткосрочный «шум». EMD эффективно декомпозирует ценовой ряд, отделяя эти циклы друг от друга. Трейдер может увидеть:
Долгосрочный тренд.
Среднесрочные циклы (например, сезонные или связанные с экономическими отчётами).
Краткосрочную волатильность.
Это позволяет анализировать каждый компонент по отдельности, что невозможно при взгляде на «сырой» график цены.
3. Эффективная фильтрация рыночного шума
Одна из главных проблем технического анализа - отделение полезного сигнала от случайного шума. EMF, полученные на последних этапах декомпозиции, представляют собой высокочастотный шум. Отфильтровав эти компоненты, можно получить сглаженный ценовой ряд, который более чётко показывает основное направление движения рынка и помогает избежать ложных сигналов.
4. Определение мгновенной частоты и фазового анализа
В сочетании с преобразованием Гильберта (HHT), EMD позволяет вычислить мгновенную частоту каждого цикла. Это даёт возможность:
Определять периоды перекупленности и перепроданности не по фиксированным уровням (как в RSI), а на основе реальных рыночных циклов.
Анализировать фазовые сдвиги между ценой и объёмом торгов или другими инструментами.
Выявлять точки, где один рыночный цикл затухает, а другой усиливается.
5. Улучшение прогнозных моделей
Использование IMF в качестве входных данных для нейронных сетей часто даёт лучшие результаты, чем использование исходных цен. Модели получают на вход уже структурированные данные. Тренды и циклы отделены от шума. Это упрощает задачу обучения.
6. Выявление точек смены тренда
Анализ амплитуды и фазы различных IMF-компонентов помогает заранее определить истощение текущего тренда. Например, когда амплитуда доминирующего цикла начинает снижаться, это служит опережающим сигналом о возможном развороте или переходе рынка в боковое движение (флэт).
Почему не всё так просто, я попробую объяснить в последующих публикациях. Не пропустите!