我正在尝试从论文A deep learning framework for financial time series using stacked autoencoders and long-short term memory 实现WSAE-LSTM模型。第一步，将小波变换应用于时间序列，尽管本文没有概述确切的实现方法。
本文暗示了将小波变换应用于整个数据集。我想知道这是否会将数据从测试泄漏到培训？ This article也可以识别此问题。
摘自文章-
我确信您已经听到很多次了，每当您对ML模型的时间序列进行归一化以使其归一化器适合火车时，再将其应用于测试集。原因很简单，我们的ML模型的行为就像均值回复器，因此，如果我们一口气对整个数据集进行规范化，则基本上是为我们的模型提供了所需的均值。如果我们知道某个时间序列的未来均值，我们不需要机器学习来告诉我们要做什么，那我会给您一点提示。）
基本上与一次性完成训练和测试集的标准化完全一样。您正在将未来的信息泄漏到每个步骤中，甚至不会泄漏出去。实际上，您可以自己进行一些实验；您应用的水平小波变换越高，奇迹般地，ML模型的输出就越“准确”。
有人可以告诉我，小波变换是否“标准化”了数据集，这会在预测时导致数据泄漏？应该将其应用于整个数据集还是仅应用于训练数据集？
您是正确的。将转换应用于整个数据集会引入“联系”（将来的泄漏），并使分析基本上毫无价值。