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。
-
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) -
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. -
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。 -
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