如何去除时间序列中不断增大的波动率以适配RL算法训练需求

处理目标 #

对该时间序列做变换，使得整段序列的最大、最小振幅大体一致。

背景说明 #

该数据用于训练RL算法，不断增大的振幅会额外提升问题复杂度，而算法仅需要用到序列的趋势和归一化后的振幅，序列本身的振幅增长趋势没有实际作用。

可落地的实现方法 #

• 滑动窗口归一化
  该方法适配RL实时推理的场景，不需要提前获取全量数据，只需要设定和序列波动周期匹配的滑动窗口长度，每次仅对窗口内的数据做归一化处理，即可保留局部趋势，同时把所有窗口的振幅统一到相同范围。
  示例代码：

import pandas as pd
# window参数根据你的序列波动周期调整
window_size = 30
df['norm_series'] = df['origin_series'].rolling(window=window_size, min_periods=1).apply(
    lambda x: (x - x.min()) / (x.max() - x.min()) if x.max() != x.min() else 0.5
)

• 趋势分离归一化
  先通过HP滤波或者n次多项式拟合，把序列拆分为趋势项和波动项两部分，仅对波动项做全局的min-max归一化，之后再把趋势项加回归一化后的波动项，即可在完全保留原始序列趋势的前提下，把所有时间段的振幅拉平到同一区间。
• 对数变换+标准化
  如果序列振幅是指数级递增的，可以先对序列取自然对数压缩增长幅度，再做全局Z-score标准化，操作最简单，适合振幅增长均匀的场景。

内容的提问来源于stack exchange，提问作者twilker