Decomposition Analysis In Stata Forex

MetaTrader 5 - Estatística e Análise Introdução ao Método de Decomposição do Modo Empírico Introdução Todos os processos reais com os quais temos de lidar na prática são complexos, em regra, constituídos por um grande número de componentes. Por exemplo, tempo. Ao analisarmos os gráficos de precipitação, devemos ter em mente que eles representam a interação entre vários processos tais como mudanças sazonais, processos de aquecimento / resfriamento global, mudanças de corrente oceânica, dinâmica de ciclones e anticiclones, quantidade de dióxido de carbono emitido na atmosfera , Ciclos de atividade solar, etc. A lista poderia continuar para sempre. Um gráfico desse tipo é, portanto, bastante difícil de ser analisado como seus componentes, ao interagir uns com os outros, mascarar e distorcer as regularidades que gostaríamos de identificar. Isto dá origem a um desejo legítimo de quebrar o processo em consideração em componentes individuais e analisar cada um dos componentes separadamente. A análise dos componentes individuais ea consideração da contribuição que eles fazem para o processo em questão nos ajudam a entender melhor o processo em andamento, bem como, Aumentar a confiabilidade das previsões. E não há exceção quando se trata de várias informações sobre negociação, incluindo as cotações de moeda que também são formadas com base em um grande número de fatores diferentes. É por isso que é bastante natural esperar que uma avaria em componentes individuais pode facilitar grandemente a sua análise mais aprofundada. O termo decomposição significa formalmente a decomposição de um processo composto ou de um material compósito em componentes constituintes separados. Mas em muitas áreas relacionadas com a análise de diferentes processos, análise de sinal, análise de vários tipos de seqüências, etc este termo tem sido usado em um sentido mais amplo muitas vezes sugerindo não uma repartição em componentes iniciais reais, mas sim uma divisão em certas funções Que não estavam realmente presentes quando os dados iniciais estavam sendo formados. Estas funções são espécie de artificialmente formado no processo de decomposição de dados, mas apesar de sua origem artificial que permitem uma análise mais profunda de dados ajudando a identificar padrões ocultos. A grande maioria dos métodos utilizados na análise de mercado pode ser explicitamente ou implicitamente atribuída a métodos que distinguem certos componentes do processo analisado, isto é, métodos de decomposição. Vamos rever brevemente alguns deles. 1. Decomposição Existe uma grande quantidade de vários métodos de decomposição que podem ser aplicados na prática a uma determinada sequência em consideração. Estes métodos podem ter diferentes abordagens matemáticas ou empíricas subjacentes, diferentes graus de complexidade e diferentes áreas de aplicação. Por exemplo, mesmo uma análise de mercado fundamental pode - em certo trecho - ser considerada um dos métodos de decomposição. Esta análise trata do efeito produzido por um conjunto de eventos iniciais que influenciam diretamente as condições do mercado. Em outras palavras, um processo de mercado analisado é implicitamente decomposto em uma série de eventos que o compõem. As questões relacionadas à análise fundamental não serão abordadas mais tarde. Vamos supor que qualquer informação adicional sobre o processo em consideração não está disponível o que temos é apenas uma seqüência representando o comportamento de um dado processo O exemplo mais simples de decomposição pode ser ilustrado por uma decomposição de uma seqüência em vários componentes usando o bem - Métodos conhecidos. Por exemplo, traçamos um MA em um gráfico para qualquer par de moedas. Então subtraia a curva resultante da seqüência inicial. Como resultado, obteremos dois componentes da seqüência inicial, a curva MA e o resíduo. O mesmo procedimento, usando apenas um MA mais longo, quando aplicado ao resíduo obtido, resultará em três componentes - duas curvas MA e o resíduo da transformação. Como você pode ver, o processo de decomposição pode ser facilmente organizado usando qualquer meio disponível. Todo o ponto reside nas propriedades dos resultados de tal processo. Entre os métodos de decomposição e análise espectral bem conhecidos, a transformada de Fourier é definitivamente digna de se mencionar aqui. A transformada de Fourier pertence à classe de transformações ortogonais que utiliza funções de base harmônicas fixas. O resultado da transformada de Fourier pode ser mostrado como uma decomposição do processo inicial em funções harmônicas com freqüências e amplitudes fixas. Note dois pontos de particular importância para nós. Primeiro, a transformação é sempre executada em uma base fixa, previamente estabelecida de funções ortogonais. Isto é, uma base de transformação não depende da natureza de uma sequência transformada. Em segundo lugar, os valores de amplitude e frequência das componentes harmónicas resultantes são constantes. Isto é, os seus valores são constantes ao longo de toda a sequência inicial. Isto significa que se a natureza de uma dada sequência inicial estava a mudar ao longo de um intervalo considerado, tais alterações não serão reflectidas nos resultados da transformação. Os resultados obtidos neste caso apenas irão reflectir um certo estado médio do processo, uma vez que esta transformação se baseia no pressuposto de estacionaridade dos dados iniciais. Para evitar restrições associadas à não estacionariedade da sequência inicial, podemos alternar da transformada de Fourier para uma transformada wavelet. Uma transformada wavelet, como a transformada de Fourier, realiza decomposição em uma base fixa de funções. Ao contrário da transformada de Fourier, esta base deve ser predefinida, isto é, uma wavelet usada na transformada deve ser selecionada. Além disso, em contraste com a transformada de Fourier, cada componente resultante de uma transformada wavelet tem parâmetros que determinam sua escala e nível ao longo do tempo o que resolve o problema associado a uma possível não estacionaridade de um processo analisado. A transformada de Fourier e a transformada em wavelet têm recebido grande reconhecimento devido a técnicas matemáticas bem estabelecidas utilizadas e algoritmos de implementação eficazes disponíveis. Além disso, ambas as transformações parecem ser bastante versáteis e podem ser aplicadas com sucesso em diferentes áreas. Mas para fins práticos, seria bom ter uma transformação que não só permitisse lidar com processos não-estacionários, mas também usaria uma base de transformação adaptativa determinada por dados iniciais. Este tipo de transformação existe e será brevemente considerado abaixo, portanto, abordando o assunto principal deste artigo. 2. Decomposição do Modo Empírico A Decomposição do Modo Empírico (EMD) foi proposta como a parte fundamental da transformação de HilbertHuang (HHT). A transformada de Hilbert Huang é realizada, por assim dizer, em 2 estágios. Primeiro, usando o algoritmo EMD, obtemos funções de modo intrínseco (IMF). Então, na segunda fase, o espectro de frequência instantâneo da sequência inicial é obtido aplicando a transformada de Hilbert aos resultados do passo acima. O HHT permite obter o espectro de freqüência instantâneo de sequências não-lineares e não-estacionárias. Estas sequências podem consequentemente também ser tratadas utilizando a decomposição do modo empírico. No entanto, este artigo não vai cobrir a plotagem do espectro de freqüência instantânea usando a transformada de Hilbert. Vamos nos concentrar apenas no algoritmo EMD. Em contraste com a transformada de Fourier e a transformada de wavelet anteriormente mencionadas, o EMD decompõe quaisquer dados dados em funções de modo intrínseco (FMI) que não são definidos analiticamente e são, em vez disso, determinados por uma sequência analisada sozinhos. As funções de base são neste caso derivadas adaptativamente diretamente de dados de entrada. Um FMI resultante do DME deve satisfazer apenas os seguintes requisitos: O número de extremos do FMI (a soma dos máximos e mínimos) eo número de travessias de zero devem ser iguais ou diferir no máximo por um Em qualquer ponto de um FMI O valor médio do envelope definido pelos máximos locais eo envelope definido pelos mínimos locais deve ser zero. A decomposição resulta em uma família de componentes FMI ordenados por freqüência. Cada FMI sucessivo contém oscilações de frequência mais baixa do que a precedente. E embora o termo freqüência não seja muito correto quando usado em relação aos FMIs, é provavelmente mais adequado para definir sua natureza. A coisa é que mesmo que um FMI é de natureza oscilatória, ele pode ter amplitude variável e freqüência ao longo do eixo do tempo. É bastante difícil visualizar os resultados do desempenho do algoritmo EMD com base na descrição por si só, então vamos prosseguir para a sua implementação de software que nos dará a oportunidade de conhecer as peculiaridades do algoritmo. 3. Algoritmo EMD O algoritmo proposto por Huang baseia-se na produção de envelopes lisos definidos por máximos e mínimos locais de uma sequência e subsequente subtracção da média destes envelopes a partir da sequência inicial. Isso requer a identificação de todos os extremos locais que são ainda conectados por linhas de spline cúbicas para produzir os envelopes superior e inferior. O procedimento de traçar os envelopes é mostrado na Figura 1. A Fig. 1. Plotando os envelopes e sua média A Figura 1 dá a seqüência analisada na fina linha azul. Os máximos e mínimos da seqüência são mostrados em vermelho e azul, respectivamente. Os envelopes são apresentados em verde. A média é calculada com base nos dois envelopes e é mostrada na Figura 1 como a linha tracejada. O valor médio assim calculado é subtraído da sequência inicial. Os passos anteriores resultam na extracção da função empírica necessária na primeira aproximação. Para obter o FMI final, novos máximos e mínimos devem ser novamente identificados e todas as etapas acima repetidas. Este processo repetido é chamado peneiramento. O processo de peneiração é repetido até que um certo critério de paragem seja atingido. A selecção dos critérios de paragem de peneiração é um dos pontos-chave que afecta o resultado da decomposição como um todo. Voltaremos à discussão desta questão um pouco mais tarde. Se o processo de triagem for concluído com êxito, obteremos o primeiro FMI. O FMI seguinte pode ser obtido subtraindo o FMI previamente extraído do sinal original e repetindo o procedimento acima descrito mais uma vez. Isso continua até que todos os FMIs sejam extraídos. O processo de peneiração geralmente pára quando o resíduo, por exemplo, não contém mais de dois extremos. Como pode ser visto, o procedimento de decomposição de modo empírico descrito não se baseia em cálculos matemáticos estritos, mas é bastante verdadeiramente empírico, justificando assim plenamente o seu nome. Apesar da simplicidade e clareza do algoritmo acima proposto por Huang, há alguns pontos que podem ser considerados como suas desvantagens. Várias publicações sobre este assunto fornecem revisões detalhadas de seus pontos fracos, assim como maneiras de modernizar o algoritmo de Huangs. Este artigo não vai se concentrar em possíveis modernizações deste método, mas vai simplesmente demonstrar uma tentativa de criar a sua implementação de software. As peculiaridades de implementação serão resumidas abaixo. 4. Classe CEMDecomp A classe CEMDecomp que implementa o algoritmo EMD foi criada com base nas publicações da Internet dedicadas à transformação de Hilbert-Huang e à decomposição do modo empírico. O algoritmo implementado é substancialmente muito semelhante ao algoritmo proposto inicialmente por Huang e não contém quaisquer modificações importantes. Abaixo está um trecho do código-fonte que pode ser encontrado no arquivo CEMDecomp. mqh no final do artigo. Vamos dar uma olhada em variáveis ​​públicas e métodos declarados na classe CEMDecomp. N é o número de elementos na seqüência. O valor da variável N é gerado após chamar o método Decomp () e é igual ao comprimento da seqüência de entrada. Os FMI extraídos terão o mesmo tamanho. A média é o valor médio da sequência de entrada. O valor é gerado após chamar o método Decomp (). NIMF é o contador do FMI. Depois de chamar Decomp (), ele contém o número de FMI extraídos mais dois. Assim, esse valor indica quantos componentes podem ser lidos usando o método GetIMF (). Dito isto, um componente com 0 índice conterá sempre a sequência inicial a partir da qual o seu valor médio é subtraído, enquanto um componente com índice nIMF conterá o resíduo de decomposição. MaxIMF é o número máximo permitido de FMIs. A decomposição da seqüência de entrada em FMIs separados irá parar, quando o número de FMI atingir o valor MaxIMF. O valor desta variável pode ser definido antes de chamar o método Decomp (). O valor padrão é 16. MaxIter é o número máximo de iterações permitidas no processo de peneiramento. Se o número de iterações no processo de peneiramento atinge este valor, a peneiração irá parar, independentemente de a precisão necessária ter sido alcançada ou não. O valor desta variável pode ser definido antes de chamar o método Decomp (). O valor padrão é 2000. FixedIter é o sinalizador que define um critério de paralisação na peneiração. Se o valor FixedIter for zero, o processo de peneiramento para cada FMI será interrompido quando a precisão dada for alcançada. O número de iterações necessárias para obter a exactidão dada para a extracção de diferentes FMI pode variar. Se o FixedIter for definido como um, um FMI será sempre extraído em 10 iterações. O valor desta variável pode ser definido antes de chamar o método Decomp (). O valor padrão é 0. Decomp (amp. Dupla) é o método da classe principal que realiza a decomposição. Ele recebe uma referência a uma matriz contendo dados de entrada, como um parâmetro de entrada. Após a conclusão bem-sucedida, a variável N será igual ao comprimento da matriz de entrada. Os FMI extraídos terão o mesmo tamanho. A variável Mean será igual ao valor médio da seqüência de entrada, enquanto a variável nIMF será igual ao número de componentes que podem ser lidos usando o método GetIMF (). GetIMF (double ampx, int nn) serve para garantir o acesso aos resultados obtidos usando o método Decomp (). O endereço da matriz onde o componente com o número definido por nn será copiado é passado como um parâmetro de entrada. Dito isto, um componente com 0 índice conterá sempre a sequência inicial a partir da qual o seu valor médio é subtraído, enquanto um componente com índice nIMF conterá o resíduo de decomposição. Se o comprimento do array passado como um parâmetro acaba por ser menor do que o comprimento dos componentes resultantes, o array será preenchido tanto quanto seu comprimento permite. O uso da classe CEMDecomp pode ser demonstrado pelo exemplo a seguir: Um exemplo completo de decomposição exibindo FMI extraídos através da interface da Web pode ser encontrado no arquivo CEMDecomposition. zip no final do artigo. Para executar este exemplo, você deve desempacotar o arquivo especificado e colocar todo o diretório CEMDecomposição juntamente com seu conteúdo no diretório Indicadores ou Scripts do terminal. Em seguida, você pode compilar e executar o script EMDecompTest. mq5. Tenha em mente que o uso de bibliotecas externas no terminal deve, ao fazê-lo, ser permitido. A Figura 2 mostra outro exemplo com a decomposição de cotações diárias USDJPY com o comprimento de seqüência de 100 elementos. Pode ver-se que a decomposição desta sequência resultou na extracção de quatro FMIs e do resíduo. FIG. 2. Decomposição da seqüência de USDJPY Cotações diárias, onde N100 Todos os gráficos na Figura 2 são exibidos na mesma escala permitindo avaliar a contribuição feita por cada um dos FMIs extraídos. No entanto, esta forma de traçar não pode dar uma imagem suficientemente clara para ver as peculiaridades de cada um dos FMIs. A Figura 3 demonstra os mesmos resultados, usando apenas o modo de escala automática para cada um dos gráficos. FIG. 3. Decomposição da seqüência de cotações diárias USDJPY, onde N100. Modo de escala automática E embora a Figura 3 não exiba a correlação real de amplitudes dos componentes individuais, o uso do modo de escala automática permite uma visualização mais detalhada de cada um deles. 5. Notas para a proposta de implementação do algoritmo EMD A primeira coisa que gostaria de chamar a sua atenção é o método para a identificação de máximos e mínimos da seqüência inicial. Neste caso, existem duas opções disponíveis. A Figura 4 mostra os resultados de desempenho do algoritmo para identificação de extremos. FIG. 4. Identificação dos extremos. A primeira opção Quando se trata de identificação de máximos ou mínimos de uma função, o algoritmo que é mais comumente usado é o seguinte: O valor do elemento atual da seqüência é comparado com os valores anteriores e subseqüentes Se o valor atual for maior Que o valor anterior eo subseqüente, é identificado como a função máxima Se o valor atual for menor que o precedente eo subseqüente, é identificado como a função mínima Para seqüências com extremos claramente definidos, a identificação de máximos e mínimos Não envolver qualquer dificuldade. O algoritmo fornecido funciona muito bem. Este caso é demonstrado na primeira metade do gráfico mostrado na Figura 4. No entanto, este algoritmo não responderá a tops planos onde os valores mais próximos da sequência são iguais. Se o algoritmo fornecido tivesse sido utilizado, o último máximo e os dois últimos mínimos mostrados na Figura 4 nunca teriam sido identificados. Por um lado, esse resultado teria sido esperado e correto. Mas, por outro lado, traçando a analogia aos processos oscilatórios, se ocorressem travessias de zero, esses extremos teriam sido negligenciados. Não é muito claro se as partes planas de uma seqüência retangular ou seções de valores de seqüência iguais podem ser consideradas extremas. No entanto, o algoritmo utilizado para a identificação de extrema ao implementar a classe EMDecomp é uma versão melhorada do algoritmo fornecido acima. Seus resultados de desempenho podem ser observados na Figura 4. Este algoritmo identifica intervalos com valores de seqüência iguais como extrema e coloca pontos de extremum no meio desses intervalos. O algoritmo para identificação de máximos e mínimos cujos resultados de desempenho são mostrados na Figura 4 é usado na classe CEMDecomp para cálculo do número de extremos quando se determina o ponto onde o ciclo de decomposição deve parar. Por exemplo, se um FMI extraído não tem qualquer extremum, a decomposição pára e FMI é expulso. Deve este algoritmo de identificação ser usado quando plotando envelopes, então, nos casos em que a seqüência de entrada, por exemplo, toma a forma como mostrado na Fig. 4, os envelopes resultantes serão representados por duas linhas rectas paralelas. O processo de peneiração irá ainda deixar de transformar a sequência de entrada e esta sequência de entrada, por sua vez, não será adequada para a decomposição em componentes. Uma maneira de sair desta situação pode ser encontrada no uso de um algoritmo um pouco diferente para a identificação de extrema para traçar os envelopes. A Figura 5 demonstra os resultados obtidos usando este algoritmo alternativo para identificação de extremos. FIG. 5. Identificação dos extremos. A segunda opção Vamos ter um olhar mais atento à Figura 5. Ao contrário da Figura 4, ele mostra pontos verdes sendo máximos e mínimos ao mesmo tempo. Se os envelopes forem plotados com base nestes extremos, eles deixarão de ser linhas paralelas retas e componentes ocultos da sequência retangular estarão disponíveis para extração adicional no processo de peneiramento. Uma boa ilustração do acima pode ser um caso de teste localizado no arquivo CEMDecomposition. zip no final do artigo. Infelizmente, essa abordagem não resolve todos os problemas relacionados à extração de componentes ocultos. Por exemplo, os componentes ocultos não podem ser extraídos dessa maneira para uma seqüência triangular. Este fato pode ser uma das desvantagens desta implementação do algoritmo EMD. Esta situação difícil pode provavelmente ser abordada através da mudança para o algoritmo de decomposição do CEEMD (The Complementary Ensemble Empirical Mode Decomposition Method) cuja revisão não é abordada neste artigo. Além das peculiaridades associadas à implementação de algoritmos para identificação de extremos, deve-se dar atenção ao problema dos efeitos finais típicos deste tipo de algoritmos. Para elaborar o acima, vamos voltar para a Fig. 1. A Figura 1 mostra claramente que os máximos estão ligados por uma função de spline de interpolação cúbica como envelope superior. Dito isto, o envelope deve ser definido para as seções localizadas tanto à esquerda do primeiro máximo e à direita do último máximo. A forma como esse envelope é alongado é provável que determine a natureza dos FMI extraídos junto às suas extremidades. Sem entrar em muitos detalhes da implementação de software de correção de efeito final, este fato é simplesmente trazido aqui para a atenção dos leitores. Devemos ainda observar que a natureza eo número de FMIs extraídos podem e dependerão do método selecionado para interromper o ciclo de peneiramento. A classe CEMDecomp usa o cálculo da razão indicando a extensão da diferença no FMI atual como determinado pelo último ciclo de peneiração como o método principal que serve para parar o processo de peneiramento. Se a peneiração não tiver quase nenhum efeito em um FMI desconhecido, o processo de peneiramento pára e o FMI é considerado como sendo produzido. Um valor limite por padrão determinando a exatidão de extração do FMI é definido no construtor de classe. Depois de definir o valor limite padrão, o número de iterações de peneiramento às vezes pode chegar a 200 e até 300. Nas publicações sobre esse assunto, muitos autores alertam contra o uso de um número tão grande de iterações de peneiramento. No entanto, foi decidido usar este valor limite padrão nesta implementação do algoritmo EMD. Esta implementação do algoritmo EMD permite usar outro critério de paralisação. Para esse efeito, a variável FixedIter deve ser definida como 1 antes de chamar o método Decomp (). Neste caso, todos os FMIs serão sempre extraídos em 10 iterações de peneiramento. E é fácil ver que os resultados de decomposição obtidos usando este critério de paralisação serão um pouco diferentes em relação aos do método padrão. 6. Aplicação do algoritmo EMD Uma vez que o algoritmo EMD foi inicialmente uma parte da transformada de Hilbert-Huang, o cálculo do espectro de freqüência instantâneo de uma seqüência pode servir como um exemplo demonstrando a aplicação deste algoritmo. Isto envolve o desempenho da transformada de Hilbert nos componentes do FMI extraídos usando o EMD. No entanto, este procedimento não é considerado neste artigo. Além de calcular o espectro, o algoritmo EMD pode ser usado para suavizar seqüências. A Figura 6 mostra um exemplo de tal alisamento. FIG. 6. Suavização da seqüência de entrada Um fragmento arbitrário de USDCHF As cotações diárias consistindo de 100 valores de preço aberto foram selecionadas para suavização. No processo de decomposição, foram obtidos quatro FMI e o resíduo. Todos os FMI, com excepção do primeiro, foram adicionados adicionalmente ao resíduo. Assim, o componente de maior freqüência encontrado foi excluído da seqüência de entrada. Se desconsiderássemos os dois primeiros componentes ao somá-los, a curva resultante seria ainda mais suave. Outro exemplo do aplicativo EMD pode ser a geração de uma previsão baseada em FMIs extraídos da seqüência de entrada. Para gerar uma previsão, você pode usar qualquer extrapolador através do qual uma previsão é gerada para cada um dos FMIs eo resíduo separadamente. As previsões geradas desta maneira são então adicionadas para produzir o resultado de previsão requerido para a sequência de entrada. Considerando a natureza oscilatória de FMIs individuais, podemos supor que para gerar uma previsão, seria razoável usar extrapoladores levando em consideração o comportamento periódico das seqüências de previsão. No nosso caso, analisaremos um exemplo de operação de um extrapolador mais simples onde uma previsão para cada um dos FMIs será gerada usando a extrapolação linear de 10 passos à frente. O resultado desta previsão é mostrado na Figura 7. A Fig. 7. Gerando uma previsão para as cotações USDCHF, H4 Deve-se notar que ao gerar uma previsão, um ou mais componentes de alta freqüência podem ser descartados. Assim, o efeito do ruído de alta frequência na previsão pode ser atenuado. O resultado da previsão que exclui o primeiro FMI é demonstrado na Figura 7. A previsibilidade deste método não foi, neste caso, avaliada. Uma análise detalhada dos métodos de previsão que são baseados na decomposição do modo empírico não é fornecida aqui, pois este assunto está além do escopo deste artigo. Nós não podemos deixar de mencionar detrending, também. Depois que os componentes de seqüência individuais são obtidos usando o EMD, um algoritmo bastante flexível pode ser desenvolvido para detrending. O resíduo de decomposição ou o resíduo adicionado a um ou mais dos últimos FMI extraídos pode ser tomado como uma tendência. O número de FMIs envolvidos na criação de uma linha de tendência juntamente com o resíduo pode variar dependendo do número de componentes de baixa frequência necessários para permanecer na sequência após detrending. Assim, para se desviar, é suficiente somar todos os FMI extraídos como resultado da decomposição, exceto o último componente ou vários últimos componentes. Este procedimento pode ser facilmente combinado com o alisamento do resultado obtido, se o componente de maior freqüência também for excluído do processo de somar os componentes. A Figura 8 mostra um exemplo de detrending usando a técnica acima. FIG. 8. Detrending combinado com suavização Uma seqüência de EURUSD, Cotações diárias foi tomado como os dados iniciais. Após a decomposição, todos os componentes extraídos foram adicionados, excluindo o resíduo de decomposição, o último e o primeiro FMI. Resultou não só em detrending mas também em um certo alisamento da curva resultante. A área de aplicação do método de decomposição do modo empírico certamente não se limita aos exemplos simples dados no artigo. Mas, uma vez que este artigo se concentra mais nas questões de implementação do método EMD como tal, em vez de sua aplicação, vamos considerar os exemplos fornecidos abaixo. A Figura 9 demonstrando o resultado de decomposição obtido usando os parâmetros definidos no CEMDecomp. mqh por padrão pode servir como uma ilustração adicional da funcionalidade oferecida por esta implementação do método EMD. Este exemplo é baseado no uso de XAUUSD H4 citações. O comprimento da seqüência é de 150 elementos. FIG. 9. Exemplo de decomposição usando XAUUSD Citações H4 A escala automática foi aplicada a cada um dos componentes da Figura 9. Conclusão Lembre-se de que o método de decomposição do modo empírico, bem como a transformação de HilbertHuang, se destinam à análise de dados de processos não-estacionários e não-lineares. Isto não significa que esta abordagem não pode ser aplicada a sequências lineares e estacionárias. Algumas abordagens usadas em algoritmos de decomposição foram brevemente abordadas no início do artigo. E foi mencionado que a maioria desses algoritmos decompõem uma seqüência em componentes que não representam de fato processos iniciais que realmente compõem a seqüência em consideração. Estes componentes são de alguma forma sintéticos, a sua extracção apenas ajuda a compreender melhor a estrutura de uma sequência de entrada e, em muitos casos, permite facilitar a sua análise. O método EMD não é exceção. Você nunca deve pensar que os componentes obtidos usando este método refletem os processos físicos reais, dos quais os dados analisados ​​inicialmente foram originalmente formados. A implementação proposta neste artigo pode provavelmente exigir mais testes e melhorias, uma vez que dificilmente pode ser considerado ideal. O principal objetivo deste artigo foi, contudo, familiarizar o leitor com o método EMD e algumas peculiaridades relacionadas à sua implementação. Resumindo as coisas. O artigo aborda muito brevemente algumas questões gerais relacionadas à decomposição Em poucas palavras, estabelece a essência do método de decomposição do modo empírico A listagem e uma breve descrição da interface da classe CEMDecomp onde o método EMD é implementado são introduzidas O exemplo de interação Com a classe CEMDecomp também demonstrando como seus métodos são chamados é dado Algumas peculiaridades da implementação proposta do método EMD são descritos Alguns exemplos simples demonstrando a aplicação do método EMD na análise de dados são fornecidos No final do artigo, você pode Localize o arquivo CEMDecomp. mqh implementando o método EMD, bem como o arquivo EMDecomposition. zip contendo o caso de teste completo que caracteriza o uso da classe CEMDecomp. Referências Anexo O artigo original foi publicado em 28 de junho de 2012. Este anexo foi oferecido em 5 de julho de 2012. Uma alternativa método EMD implementação é oferecido como uma adição ao artigo. A técnica de decomposição contrafactual popularizada por Blinder (1973) e Oaxaca (1973) é amplamente utilizada para estudar as diferenças de resultado médio entre Grupos. Por exemplo, a técnica é freqüentemente usada para analisar as diferenças salariais por sexo ou raça. O presente artigo resume a técnica e aborda uma série de complicações, como a identificação de efeitos de preditores categóricos na decomposição detalhada ou na estimação de erros-padrão. Um novo comando Stata chamado - oaxaca - é introduzido e exemplos que ilustram o seu uso são dadas. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Seja paciente, pois os arquivos podem ser grandes. Outras versões deste item: C49 - Métodos Matemáticos e Quantitativos - - Métodos Econométricos e Estatísticos: Temas Especiais - - - Outros C87 - Métodos Matemáticos e Quantitativos - - Econometric Software J31 - Trabalho e Economia Demográfica - - Salários, Compensação e Custos de Trabalho - - - Salário e Estrutura Salário Diferenciais J71 - Trabalho e Economia Demográfica - - Discriminação Trabalhista - - - Contratação e demissão Referências listadas em IDEAS Por favor, Ou erros de referência para. ou. Se você é o autor registrado do trabalho citado, faça login no seu perfil do Serviço de Autor RePEc. Clique em citações e faça os ajustes apropriados. O módulo Stata para realizar a decomposição de Gini por fonte de rendimento Este comando decompõe o coeficiente de Gini por rendimento (por exemplo, Gini) Usando a abordagem descrita em Lerman e Yitzhaki (1985) e em Stark, Taylor e Yitzhaki (1986). Esta abordagem permite calcular o impacto que uma mudança marginal em uma determinada fonte de renda terá sobre a desigualdade. Bootstrapped erros padrão dos impactos estimados sobre a desigualdade podem ser facilmente obtidos usando este comando. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Please be patient as the files may be large. Software component provided by Boston College Department of Economics in its series Statistical Software Components with number S456001. When requesting a correction, please mention this items handle: RePEc:boc:bocode:s456001. See general information about how to correct material in RePEc. For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: (Christopher F Baum) If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about. If references are entirely missing, you can add them using this form. If the full references list an item that is present in RePEc, but the system did not link to it, you can help with this form. If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the citations tab in your profile, as there may be some citations waiting for confirmation. Please note that corrections may take a couple of weeks to filter through the various RePEc services. More services MyIDEAS Follow series, journals, authors amp more New papers by email Subscribe to new additions to RePEc Author registration Public profiles for Economics researchers Rankings Various rankings of research in Economics amp related fields Genealogy Who was a student of whom, using RePEc RePEc Biblio Curated articles amp papers various economics topics MPRA Upload your paper to be listed on RePEc and IDEAS EconAcademics Blog aggregator for economics research Plagiarism Cases of plagiarism in Economics Job Market Papers RePEc working paper series dedicated to the job market Fantasy League Pretend you are at the helm of an economics department Services from the StL Fed Data, research, apps amp more from the St. Louis Fed