标签： #emd

去趋势传统上靠固定窗 MA，但窗口选错就要么留周期要么滞后趋势——EMD 走完全不同的路：让数据自己把每个尺度拆出来做 IMF。本文 numpy 从零实现 sifting 算法，在含 21d/63d 双周期 + S 形非平稳趋势的 1024 天合成数据上得到 6 个 IMF，残差对真实趋势相关 0.958；MA 窗口扫描 MSE 呈典型 U 形（最优 MA63 mse 0.00004，EMD mse 0.004），EMD 不必选窗即落在合理区间。最后用 Hilbert 变换把每个 IMF 转成瞬时频率，得到 60-100 日区间能量随时变化的 Hilbert-Huang 谱。附完整 Python 与四张真实计算图。

直接对收益拟 GARCH(1,1)，慢变的结构性波动漂移会污染估计——把长记忆假象塞进 β，持续性虚高到 0.99。混合思路借 Engle-Rangel Spline-GARCH 的乘性分解 σ²_t=g_t·h_t：先用 EMD（经验模态分解）从对数平方收益里剥出慢变方差水平 g_t，对标准化残差再拟合短期 GARCH 因子 h_t。纯 numpy 从零实现 EMD sifting（cubic-spline 包络+端点 clamp）与 GARCH MLE（网格+坐标下降），在「乘性成分」合成收益（慢正弦+陡峭 regime 跳变 × 单位均值 GARCH）上实测：EMD-GARCH 把持续性从纯 GARCH 的 0.99 压回 0.95（剔除伪长记忆），但样本外一步方差预测 QLIKE=−6.57 略输纯 GARCH 的 −6.68——分解修正了参数偏误，却没换来预测精度碾压。附「剥太多 IMF 把 GARCH 聚集也当趋势吸走」与「EMD 端点样条外推不稳」两处真实翻车，拆穿分解万能/持续性越低越好/混合必胜/EMD 因果/端点无害五类陷阱（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）。