Применение вейвлет-преобразования Хаара к данным временных рядов
Я пытаюсь применить вейвлет-преобразование Хаара к данным фондового рынка для снижения уровня шума перед передачей данных в RNN (LSTM). Поскольку эти данные 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 одноуровневый DWT, мой временной ряд уже 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 оригинальными сериями?
- Когда нам нужно сделать многоуровневую декомпозицию? Кроме того, по мере увеличения уровня выходные массивы становятся меньше, и поэтому, опять же, я не могу сопоставить эти "зашумленные" данные с исходным временным рядом.
- Между cA и cD, какой из них следует использовать в качестве выхода этого преобразования для подачи в RNN?
Я прочитал так много высокоуровневых статей о значении вейвлет-преобразований, но практически ни один не проходит через настоящий код. Таким образом, любой пример кода будет наиболее ценным.
С уважением,
Adeel