标签： #信号处理

Transformer 直接搬到时序常被简单线性吊打，病根是「逐点建模」——单个价格点没有语义。TimesNet(Wu et al. 2023)的破局点很巧：既然时间序列里最稳定的结构是「周期」，那就把一维序列按周期 P 折叠成二维「时间块」，让二维卷积去抓「同一相位跨周期」的相关性。本文用纯 numpy 从零实现 FFT 周期检测、1D→2D 折叠、2D 池化回 1D，在「三周期+趋势+脉冲噪声」合成序列上实测：2D 折叠把多周期结构的解释方差从 0% 抬到 31.7%，残差以噪声为主；并诚实拆穿「数据处理的不等式（线性头打不过线性基线）」、周期检测偏 bin、折叠引入伪相关、相位对齐泄漏、端点缺口五类真实陷阱（中阶）。

移动平均会滞后、HP 滤波端点漂移、小波要选基——经验模态分解（EMD, Huang et al. 1998）换个思路：不预设基函数，直接按数据自身的局部极值反复「筛」出一组本征模态函数（IMF），高频在前、低频在后，最后一块是趋势残差。本文用 numpy 从零实现 sifting，在「慢饱和趋势+双周期+噪声」合成价格上把趋势 RMSE 压到约 4（接近 HP 滤波的 2.3），并诚实对比 MA / HP，拆穿端点漂移、模态混叠、噪声敏感、停止准则、计算成本五类真实陷阱（中阶）。

傅里叶要整段周期、小波要选基、VMD 要拍 K 和 α——奇异谱分析（SSA, Vautard & Ghil 1989）走另一条路：把序列「延迟嵌入」成轨迹矩阵，做 SVD 把方差拆成本征分量，再按分量分组把趋势 / 周期 / 噪声拼回去。本文用 numpy+scipy 从零实现嵌入、对角平均还原与分量配对，在「慢饱和趋势+双周期+噪声」合成价格上把趋势 RMSE 压到 2.05（HP 2.34），前 6 个本征分量吃掉 100% 方差，并把隐藏的周期 37 用配对分量还原出 0.934 相关，诚实拆穿窗口 L 主观、分量配对模糊、噪声淹没弱周期、端点缺失、计算成本五类真实陷阱（中阶）。

移动平均滞后、HP 滤波端点漂、EMD 模态混叠——变分模态分解（VMD, Dragomiretskiy & Zosso 2014）换个数学框架：把信号拆成 K 个「各自窄带、中心频率自估计」的模态，用变分+ADMM 求解。本文用 vmdpy 从零讲清目标函数、频率域闭式更新与 Python 实现，在「慢饱和趋势+双周期+噪声」合成价格上把趋势 RMSE 压到 3.19（HP 2.34、MA80 12.99），并把隐藏的周期 37 / 120 直接估出来，诚实对比并拆穿模态数 K 敏感、alpha 带宽、端点效应、频域混叠、计算成本五类真实陷阱（中阶）。