3.20阅读论文--A stock price prediction method based on meta-learning and variational mode decomposition

今日看论文的目的：想搞清MAML的训练与测试差异比较大时，怎样获得较好的输出？

论文main idea: 将整个股票价格序列分割成多窗口序列，对窗口序列进行VMD分解得到子序列。子序列通过LSTM+MAML预测，最后集成子序列的预测结果。

1. 分解方法 Decomposition-based hybrid methods
   主要思想是“分解-预测-集合”，即将原始时间序列分解为一组子序列，然后利用预测模型来预测子序列。
   已有的不同结构：
   1）每个子序列使用一个模型，分别获得子序列的预测结果，然后合并子序列的预报结果。
   2）所有子序列一起放入一个预测模型中，无需进一步合并操作即可直接从模型中获得最终结果。
   3）用变分模态分解（VMD）对原始时间序列进行分解，得到不同的模态分量和残差项，然后用集成经验模态分解（EEMD）对残差项进行分解。
   预测模型：ARIMA、GARCH、SVM、LSTM和CNN等
   分解算法：小波变换、经验模式分解（EMD）和变分模式分解（VMD）

2. 产生任务集
   数据归一化
   设窗口长度为L。
   输入：要预测Xt+1时刻的股价，则使用｛Xt-L+1，…Xt } 这段序列。对这段序列进行分解，得到一系列的子序列。这些子序列是输入，被输入到各自网络中。
   输出：对｛Xt-L+1，…，Xt，Xt+1} 这段序列分解，取其中最后一个值作为输出/标签。
   任务集：每个任务中包含6对输入输出对，其中5对是support，1对是query.

3. 参数值
   分解数K：分别计算K=2,3,…，9时的皮尔逊相关系数。
   窗口大小：分别对5,10,15,20的窗口大小进行实验，对比结果。

4. 对比试验
   1）与最新的技术对比
   2）逐步验证模型：LSTM、MAML+LSTM、VMD-LSTM、DWT-MAML-LSTM、EMD-MAML-LSTM、EEMD-MAML-LSTM