Я пытаюсь применить вейвлет-преобразование Хаара к данным фондового рынка для снижения уровня шума перед передачей данных в RNN (LSTM).Поскольку эти данные находятся в 1D, я использую одноуровневый DWT следующим образом:
import pywt
x = [3, 7, 1, 1, -2, 5, 4, 6, 1,11,34,44,66,888,33,455,10000,33]
cA, cD = pywt.dwt(x, 'haar')
У меня есть следующие вопросы:
- Используя один уровень DWT, мой временной рядуже уменьшен до половины в cA и cD.Я понимаю, что каждый элемент cA и cD относится к 2 элементам в исходном временном ряду.Это все замечательно, но как я могу сопоставить выходные массивы с исходными сериями?
- Когда нам нужно выполнить многоуровневую декомпозицию?Кроме того, по мере повышения уровня выходные массивы становятся меньше, и поэтому я снова не могу отобразить эти «зашумленные» данные в исходный временной ряд.
- Между cA и cD, который следует использовать каквывод этого преобразования для подачи в RNN?
Я прочитал так много высокоуровневых статей о значении вейвлет-преобразований, но почти ни один не проходит через настоящий код.Так что любой пример кода будет наиболее ценным.
С наилучшими пожеланиями,
Adeel