变分模态分解 VMD：把价格拆成一组「窄带模态」，最低频那块就是趋势 • halo 的技术博客

你拿到一段价格序列，想抽出「长期趋势」做择时中轴、把周期成分单独拿出来做轮动、或者把高频噪声剥掉看结构。前面我们聊过 EMD（经验模态分解）——它不预设基函数，靠局部极值反复筛出 IMF。但 EMD 有个老毛病：模态混叠（一个 IMF 里混进多个频率、或者一个频率被拆到两个 IMF），而且停止准则相当主观。

结论先放这：变分模态分解 VMD（Dragomiretskiy & Zosso 2014）在 EMD 之后，换了一套更「讲道理」的数学框架。 它不再靠筛，而是把分解写成一个约束变分问题：找到 K 个模态，每个模态各自「窄带」、围绕一个自估计的中心频率，并且 K 个模态加起来精确还原信号。求解用 ADMM（交替方向乘子法），频率域里有闭式更新。

在我们合成的价格（慢饱和趋势 + 周期 120 + 周期 37 + 噪声）上，VMD 趋势相对真实趋势的 RMSE≈3.19，与 HP 滤波的 2.34 同量级、远优于 MA(80) 的 12.99；它同时把隐藏的周期 37.5 与 120 直接估了出来（注入值正是 37 与 120）。诚实地说：VMD 不是无脑更优——模态数 K 和带宽参数 alpha 要拍、端点仍有轻微效应、频域太密时周期会混叠，后文五类陷阱要一一拆穿，但它确实是「把频谱当成可估计的量」那一类分解里最干净的一个。

VMD 把价格拆成 K 个窄带模态，最低频那块就是趋势

1. EMD 的痛点：为什么需要 VMD#

EMD 的核心循环是「筛」（sifting）：反复减上下包络均值，直到一个分量满足 IMF 两条。问题在于：

模态混叠：如果信号里有两个频率靠得近，或者存在中断（jump），筛的过程会把它们搅到一起，一个 IMF 里同时出现两种尺度。
停止准则主观：什么时候算「筛够了」？靠一个阈值或固定迭代次数，不同选择给出不同分解。
端点效应：包络靠插值，头尾没数据，容易甩起来。

VMD 的思路是先把「什么是好的分解」写成一个数学目标，再让优化器去找。它假设每个模态都是一个调幅-调频信号，围绕某个中心频率 ωₖ 窄带振动。于是问题变成：

找 K 个模态 uₖ(t) 和它们的中心频率 ωₖ，使得：

各模态加起来等于原信号 f(t)；

每个模态的带宽尽可能小（即它真的很「窄带」）。

2. 目标函数：把「窄带」量化成一个数#

VMD 的优化目标是这个（这是我们整篇文章的数学核心，务必读一遍）：

\min_{\{u_k\},\{\omega_k\}} \left\{ \sum_{k=1}^{K} \left\| \partial_t \Big[ \big( \delta(t) + \frac{j}{\pi t} \big) * u_k(t) \Big] e^{-j\omega_k t} \right\|_2^2 \right\} \quad \text{s.t.} \quad \sum_{k=1}^{K} u_k(t) = f(t)

别被符号吓到，逐块拆：

$u_k(t)$ 是第 k 个模态（时域）， $\omega_k$ 是它的中心频率（角频率）。
$\delta(t) + \frac{j}{\pi t}$ 是解析信号（Hilbert 变换）的核——它把实信号变成「只有正频率」的复信号，这样「围绕 ωₖ 振动」才有定义。
乘上 $e^{-j\omega_k t}$ 再做 Hilbert，相当于把模态平移到基带（中心频率搬到 0）。
外面那个 $\partial_t$ （对时间求导）再取 L2 范数，度量的是「基带信号的带宽」——带宽越小，说明这个模态越集中在 ωₖ 附近，越「窄带」。

所以整句话翻译过来就是：让每个模态搬到自己基带后都尽量「平」（带宽小），同时 K 个模态拼起来等于原信号。 约束 $\sum u_k = f$ 保证信息不丢。

3. ADMM 求解：频率域里的闭式更新#

直接解这个带约束的变分问题很难，VMD 引入二次惩罚项 + 拉格朗日乘子（就是 ADMM 的标准套路），把约束松成目标的一部分：

\mathcal{L} = \text{带宽项} + \alpha \left\| f(t) - \sum u_k(t) \right\|_2^2 + \langle \lambda(t),\, f(t) - \sum u_k(t) \rangle

其中 $\alpha$ 是保真度权重（也可以理解成「允许模态有多宽」的逆：α 越大，每个模态被压得越窄）。

关键的工程红利是：在频率域里，每一步都有闭式解。对第 k 个模态：

\hat{u}_k(\omega) = \frac{\hat{f}(\omega) - \sum_{i\neq k} \hat{u}_i(\omega) + \frac{\hat{\lambda}(\omega)}{2}}{1 + 2\alpha(\omega - \omega_k)^2}

看分母： $1 + 2\alpha(\omega-\omega_k)^2$ ——这就是一个以 ωₖ 为中心的带通滤波器形状。ω 离 ωₖ 越远，分母越大，这一项被压得越狠。于是每个模态自动「只捡自己频率附近的那块能量」。

而中心频率的更新更简单、也更直观：

\omega_k = \frac{\int_0^\infty \omega\, |\hat{u}_k(\omega)|^2\, d\omega}{\int_0^\infty |\hat{u}_k(\omega)|^2\, d\omega}

这就是模态功率谱的重心（一阶矩）——物理量上就是「这个模态的频谱质心」。

import numpy as np
import vmdpy  # 权威 VMD 实现（基于 Zosso 的 MATLAB 代码移植）

def vmd_decompose(price, alpha=2000.0, K=5, DC=1):
    """用 vmdpy 做 VMD。返回 (modes[K, N], 直流分量已还原到价格单位)。"""
    f = np.asarray(price, float)
    f_mean = f.mean()
    f0 = f - f_mean
    sstd = f0.std()
    if sstd < 1e-9:
        sstd = 1.0
    f_n = f0 / sstd                       # vmdpy 期望输入近似单位方差
    # 返回 (modes, 频谱, 中心频率轨迹)；DC=1 让第 0 个模态固定为直流(趋势)
    modes, _, omega_traj = vmdpy.VMD(f_n, alpha=alpha, tau=0.0, K=K,
                                     DC=DC, init=1, tol=1e-7)
    modes = modes * sstd                  # 缩放回价格单位
    return modes, f_mean

def vmd_trend(price, alpha=2000.0, K=5):
    modes, f_mean = vmd_decompose(price, alpha=alpha, K=K)
    # DC=1 时第 0 个模态就是趋势(直流)，加回均值
    return modes[0] + f_mean

python

实现注记：自己从零写 VMD 的 ADMM 很容易在频率网格归一化上踩坑（α 的量纲依赖 ω 的定义域），数值上也不稳。这里直接用权威 vmdpy 包保证模态精确相加回原信号（重建误差 < 0.3）。代码里对输入做单位方差归一化，是因为 VMD 的 α 是对「单位方差信号」调出来的经验值。

4. 看分解结果：模态分层长什么样#

我们把合成价格（慢饱和趋势 + 周期 120 + 周期 37 + 噪声）做 K=5 的 VMD。

同一价格的 VMD 模态分层：趋势在最底、周期在中、高频噪声在最顶

从下往上看（按主导频率从低到高）：

Mode 1（最底，趋势）：平滑的慢饱和 S 形，就是我们要的趋势。
Mode 2（周期 ≈37）：干净的正弦，主导周期约 37 步，对应我们注入的短周期。
Mode 3（周期 ≈120）：主导周期约 120 步，对应长周期。
Mode 4 / 5（最顶，高频）：振幅很小（std≈0.08），基本是噪声和残差。

注意一个和 EMD 的关键区别：VMD 的模态是「按中心频率排序、各自窄带」的，不存在模态混叠——一个周期不会同时出现在两个模态里。

怎么知道每个模态的主导周期？直接对每个模态做 FFT 取峰值，干净利落：

def dom_period(mode, n):
    """用 FFT 峰值求模态主导周期（排除直流）。"""
    sp = np.abs(np.fft.fft(mode))
    freqs = np.fft.fftfreq(n)
    sp[0] = 0                              # 丢掉直流
    dom = freqs[np.argmax(sp)]
    return np.inf if abs(dom) < 1e-9 else abs(1.0 / dom)

# 在干净信号上：Mode2 主导周期≈37.5，Mode3 主导周期≈120.0
# 注入值正是 37 和 120 —— VMD 把隐藏的周期「算」了出来

python

5. 和基准比：VMD 趋势到底准不准#

我们用三个基准对比趋势提取质量：HP 滤波（λ=1600）、长期 MA(80)、短期 MA(20)。

VMD 趋势 vs HP / 移动平均：端点稳、低频模态干净

在我们的合成数据上，相对真实趋势的 RMSE：

方法	趋势 RMSE
VMD（K=5）	3.19
HP 滤波	2.34
长期 MA(80)	12.99
短期 MA(20)	7.52

VMD 略逊于 HP（这是合理的：HP 是「全局平滑」专门 tuned for trend，VMD 是把信号切成窄带、趋势只是其中一块），但远好于移动平均，而且：

端点不漂：VMD 的模态是全局变分求出来的，不像 HP 把末点狠狠拽向最后观测。
周期分离干净：MA 把周期和趋势搅在一起，VMD 把它们分到不同模态，你可以单独拿周期模态做轮动。
频率可估计：MA 和 HP 都不告诉你「里面有什么周期」，VMD 直接给了。

6. VMD 的隐藏能力：把周期直接估出来#

VMD 不只是趋势提取器——它是个频谱估计器。因为中心频率 ωₖ 是优化出来的，我们等于在「无 FFT 先验」的情况下把信号里的周期找了出来。

VMD 把隐藏的周期直接估出来 + 趋势对噪声的鲁棒性

左图：注入周期 120 与 37，VMD 恢复出 120.0 与 37.5——几乎精确。右图：噪声从 0.02 加到 0.20（相对趋势标准差），趋势 RMSE 只从约 1.0 温和升到 3.2，对噪声相当鲁棒（因为窄带约束天然抗噪）。

# 抗噪性：噪声越大，VMD 趋势误差仅温和上升
noise_levels = [0.02, 0.05, 0.10, 0.20]
rmses = []
for sd in noise_levels:
    price = make_signal(n=600, seed=4, noise_sd=sd)
    tr = vmd_trend(price, alpha=2000, K=5)
    rmses.append(rmse(tr, true_trend))
# 结果: [1.0, 3.20, 3.20, 3.23]

python

7. 五类真实陷阱（不拆穿就是自欺）#

陷阱 1：模态数 K 敏感，且无法「自动」选。 K 太小，多个周期被压进一个模态（混叠回潮）；K 太大，噪声被拆成假周期。没有理论给最优 K，只能靠「重构误差 + 业务解释」反复试。经验：先用 FFT 看有几个明显峰，K 取峰数 + 1（趋势）。

陷阱 2：带宽 α 是量纲相关的旋钮。 α 太小，模态变宽、互相串味；α 太大，模态被压得过窄、可能漏掉真实能量。α 的单位和「信号的频率网格 / 方差」绑定——换一份量纲不同的数据，α=2000 可能完全失效。务必对输入做单位方差归一化再调。

陷阱 3：端点效应仍在。 VMD 用周期延拓处理边界，若信号在端点有强趋势或跳变，首尾模态会轻微失真。对「最新一根 K 线」做实时趋势提取时要留缓冲，别直接用最后几步。

陷阱 4：频域太密时周期会混叠。 当真实周期接近 Nyquist（比如周期 < 4 步）或彼此频率太近（Δf 小于带宽），VMD 分不清，会合并或错配。高频交易里别指望 VMD 拆出 2-3 步的微周期。

陷阱 5：计算成本随 N·K·迭代线性涨。 每次迭代要对 K 个模态各做一次 FFT/反 FFT，N=600、K=5、上千次迭代是秒级，但日线十年的数据（~2500 点）反复跑网格搜索 K/α 会很慢。生产里建议预计算、缓存，别在信号循环里硬编码大 K。

8. 小结：什么时候用 VMD#

VMD 适合：你要的是**「把信号切成几个窄带成分、并且想知道每个成分的中心频率」**——比如趋势 + 多周期轮动 + 去噪一站式解决，且想要比 EMD 更干净、无模态混叠的分解。

不适合：你只想要一条最快的趋势线（那 HP 或 MA 更直接）；或者你要严格的非参数、不预设「窄带」假设（那 EMD/EEMD 更合适）；或者你没法容忍 K/α 的手调成本。

一句话：VMD = 把「频谱」当成可估计的量的分解方法。它用变分 + ADMM 把 EMD 的主观筛过程，换成了有目标函数、有闭式更新的优化问题——代价是要拍 K 和 α，收益是窄带干净、频率自现、端点稳。

代码与数据完全可复现：本文所有图由 gen_vmd_decomposition.py 生成，VMD 调用权威 vmdpy 包，趋势 RMSE、恢复周期、抗噪曲线均直接打印在脚本输出里。