EMD经验模态分解实战教学
用MQL5将非平稳行情拆成多周期分量
为什么交易者需要信号分解
我们在实盘中面对的每一根K线，本质都是大量宏观与微观过程叠加的结果：央行预期、流动性脉冲、算法单流、噪声扰动。直接分析原始价格序列，就像看一张被多重透明图层遮住的图，规律互相遮挡、扭曲。把复合过程分解为单个分量再逐一研究，是提升认知与预测可靠性的根本思路。市场分析里很多方法，无论明说与否，都属于从过程里挑出某些分量的分解法。
传统做法中，即便最基础的技术分析也暗含分解：把市场变动归因于若干事件。但若除了一条价格序列外没有任何额外信息，就只能依靠数学或经验分解。最简单的例子是在图表上画一条移动平均线（MA），用原价减MA得到残差；再对残差用更长周期MA，就拆出两层MA加残差。这类做法随意，但要点在于结果属性是否满足分析需要。
傅里叶与小波变换的局限
最著名的分解法是傅里叶变换，它属于使用固定谐波基的正交变换，把过程表示为恒定频率与幅度的谐函数。其有两个关键约束：第一，变换基固定且预先设定，不依赖序列本身；第二，分量频率幅度全局不变，因此若序列在区间内性质变化（非平稳），结果只反映平均状态，无法体现时变特征。
小波变换将傅里叶的固定基改为预设小波，并为每个分量引入随时间的尺度与水平参数，从而能处理非平稳性。两者数学完备、算法高效、通用性强，但基函数仍由人预先选定，不是从数据自适应产生。实践上，我们更希望一种基函数能依数据自适应、且天然处理非平稳与非线性的变换，经验模态分解（EMD）正是此类方法的代表。
- 傅里叶：固定谐波基，全局恒定频率/幅度，不适非平稳
- 小波：预设小波基，带时间参数，仍非数据自适应
- EMD：基由序列本身产生，自适应、可处理非线性非平稳
经验模态分解（EMD）核心概念
EMD是希尔伯特-黄变换（HHT）的第一阶段，由黄锷提出。它将数据拆为本质模态函数（IMF），这些IMF在分析上未被设定，完全由所分析序列单独确定。IMF需满足两条：极值数（最大+最小）与零穿越数相等或差1；任意点由局部极大包络均值与局部极小包络均值之和为零。分解产出一列频率分阶的IMF，后者频率低于前者，但幅度和频率可沿时间轴变化，故用“频率”形容只是近似。
与傅里叶、小波不同，EMD不预设基，而是让数据自己“长”出分量。它特别适合行情这类非线性和非平稳序列。但EMD本身不计算瞬时频率谱（那是HHT第二阶段），本文聚焦EMD算法与MQL5实现。
EMD算法步骤详解
黄锷算法以局部极值包络为基础：先识别所有局部极大与极小，用三次样条连接生成上下包络线；计算两包络均值，从原序列减去该均值，得到首轮IMF逼近。此过程称为筛选（sifting），反复重识别极值并重复，直到满足停止标准，即得一个IMF。然后从原信号减掉该IMF，对剩余重复，直到残数仅含不超过两个极值。
筛选停止标准直接影响分解结果。常用做法是计算相邻筛选间差异比值，若几乎无变化则停止；默认容差可能引致200~300次迭代，文献多警示过大迭代。也可强制固定迭代次数（如10次）换取速度但略失真。整体算法基于经验而非严格数学，简单却有几个弱点：末端效应、极值平坦区处理、隐藏分量提取不足。
- 识别局部极值（改进算法把等值区段中央视为极值）
- 三次样条绘上下包络
- 包络均值从原序列扣除
- 循环筛选至停止标准
- 原序列减IMF后递归直至残数极简
MQL5中CEMDecomp类接口
本文附带的CEMDecomp类实现了上述EMD。公共变量：N为序列长，调用Decomp后等于输入长；Mean为输入均值；nIMF为分量计数，等于提取IMF数加2（索引0为去均值原序列，索引nIMF为残数）；MaxIMF默认16，到数即停；MaxIter默认2000；FixedIter默认0表示精度停止，设1则每个IMF固定10次迭代。方法Decomp(double &y[])执行分解；GetIMF(double &x[],int nn)读取第nn个分量至数组。
class CEMDecomp:public CObject
{
public:
int N;
double Mean;
int nIMF;
int MaxIMF;
int MaxIter;
int FixedIter;
double IMFResult[];
private:
double X[];
double Imf[];
double XMax[]; double YMax[];
double XMin[]; double YMin[];
double EnvUpp[]; double EnvLow[];
double Eps;
double Tol;
public:
void CEMDecomp(void);
int Decomp(double &y[]);
void GetIMF(double &x[], int nn);
private:
int arrayprepare(void);
void extrema(double &y[],int &nmax,double &xmax[],double &ymax[], int &nmin,double &xmin[],double &ymin[]);
int SplineInterp(double &x[],double &y[],int n,double &x2[], double &y2[],int btype=0);
};
使用时要先构造实例，传引用数组给Decomp，再用GetIMF取分量。注意若目标数组短于分量长，仅填充可用部分。完整例子见文末EMDecomposition.zip，解压至Indicators或Scripts目录，编译运行EMDecomp_Test.mq5，并允许外部库。
调用示例与实操步骤
下面脚本取当前品种400根开盘价，分解后若无误且分量大于3，则读取2号IMF。实际使用中可改CopyClose、调节周期，或循环GetIMF画出各层。
#include "CEMDecomp.mqh"
void OnStart()
{
int n,ret;
double yy[],imf2[];
n=400;
ArrayResize(yy,n);
ArrayResize(imf2,n);
CopyOpen(_Symbol,PERIOD_CURRENT,0,n,yy);
CEMDecomp *emd=new CEMDecomp();
ret=emd.Decomp(yy);
if((ret==0)&&(emd.nIMF>3))
emd.GetIMF(imf2,2);
delete(emd);
}
- 准备数组并CopyOpen/CopyClose填充行情
- new CEMDecomp并设MaxIMF/MaxIter/FixedIter
- 调用Decomp分解
- 用GetIMF按索引取IMF或残数
- 绘图或进一步外推处理
极值识别的两个算法与坑
类里用了两套极值识别。第一套改进版将等值区间视为极值并置于中央，用于决定分解停止（如无极值则弃IMF）。但若用它绘包络，矩形序列会生成平行直线使筛选失效。第二套把既是最大又是最小的点标出，绘包络后可提取隐藏分量，测试案例可见效。然而三角形序列仍难提取，这是本实现的弱点，或可换CEEMD解决。
EMD在交易中的典型应用
除了HHT谱，EMD可直接平滑：丢弃最高频IMF（如首层），余下加残数即得平滑曲线；丢两层更平滑。预测上，对每个IMF与残数分别外推（如10步线性），再加总得序列预测，且可弃高频抑噪。趋势剔除：把除最后几个分量外的IMF相加，残数或低频IMF当趋势，灵活可控。图例用USDCHF、EURUSD、XAUUSD展示了分解与去趋势效果。
但必须强调，社区实测指出EMD非因果：每增加一个新数据点，历史IMF可能全变，使其在实时交易用作价格过滤器并不比LWMA好。若结合SVM等机器学习做样本外预测，必须每步重算EMD，否则泄露未来信息使回测无效。因此它更适合离线结构分析、周期分量研究，而非直接作为信号线。
- 平滑：舍高频IMF，余加残数
- 预测：分量分别外推再求和，抑高频噪
- 去趋势：舍首尾分量，余相加
- 周期研究：观察IMF振荡结构
与其他分解方案对比及总结
相较傅里叶（静态基）、小波（预设基），EMD基自适应、非平稳友好；但计算重、非因果、末端敏感。若需严格因果滤波，HP滤波器或样条可能更稳。本文目的在熟悉EMD及实现特点，所附CEMDecomp.mqh与CEMD_2.mqh（附录另一实现）可供试验，但均非完美，应进一步测试改进。