我试图通过使我的因变量（股票价格）非平稳来改进我的 RNN 模型。我的目标是通过对数变换消除趋势，然后执行移动平均差分来消除噪声，从而使序列保持平稳。

我有一个最初记录系列的函数，以惩罚较大的值，然后对这些值执行滚动均值差分。

def moving_avg_differencing(col, n_roll=30, drop=False):
    log_values = np.log(col)
    moving_avg = log_values.rolling(n_roll).mean()
    ma_diff = log_values - moving_avg

我的难题是，如果我在我的 train-val-test 拆分之前执行此差分，我将通知我的验证和测试集的平均值在它们各自的值之前。

如果我在我的 train-val-test 拆分后执行差分，并单独处理转换，我将NaN在我的验证和测试集之前有 30 个值。这看起来很乱。

有没有更好的差异化方法？