matlab lstm时间序列预测,解读：一种金融时间序列预测方法：基于栈式自编码器、小波变换以及LSTM的深度学习框架...

2

模型介绍

文章提出的one-step-ahead预测模型主要由三部分组成，分别是用于数据预处理的小波变换，用于提取抽象特征的栈式自编码器以及用于预测的LSTM，整个模型的框架如下图所示：

小波变换

由于小波变换具有处理非平稳金融时间序列数据的能力，因此本文采用小波变换进行数据去噪。与傅里叶变换相比，小波变换的关键特性是可以同时分析特定时间序列的频率分量。因此，小波在处理高度不规则的金融时间序列时很有用。

在这篇文章中，哈尔基函数(Haar basis function)被用来作为小波变换的基函数，因为它不仅能将金融时间序列分解为时域和频域，而且能显著地减少处理时间。

连续小波变换(Continuous Wavelet Transform, CWT)的系数中包含了大量的冗余信息，因此，可以通过采样的方式来减少冗余信息。将时间序列分解为一组正交分量可以得到离散小波变换(Discrete Wavelet Transform, DWT)。Mallat提出了用一对高通和低通滤波器对时间序列进行滤波，作为离散小波变换的实现。其中的两种小波被称作父小波和母小波，它们的积分分别为1和0，即：