Neural network LSTM RNN的有趣结果：训练和验证数据的滞后结果

作为对RNN/LSTM（无状态）的介绍，我正在训练一个模型，该模型包含200天以前的数据序列（X），包括每日价格变化、每日数量变化等，对于标签/Y，我有4个月内从当前价格到当前价格的%价格变化。基本上我想估计市场方向，而不是100%准确。但我得到了一些奇怪的结果

然后，当我用训练数据测试我的模型时，我注意到模型的输出与实际数据相比是一个完美的拟合，它正好滞后4个月：

当我将数据移动4个月时，你可以看到它是一个完美的匹配

很明显，我能理解为什么训练数据会非常接近，因为它在训练期间就已经看到了——但是为什么4个月的时间会滞后呢

它对验证数据做了同样的事情（注意我用红色框突出显示的区域，以供将来参考）：

时移：

它不像你期望的那样像训练数据那样接近，但仍然太接近我的喜好-我只是不认为它可以如此精确（以红色矩形中的小光点为例）。我认为这个模型只是一个幼稚的预测，我只是不知道它是怎么做的

---

为了从验证数据生成这个输出，我输入了一个200个时间步的序列，但是数据序列中没有说明4个月内价格变化的百分比-它是完全断开的，那么它如何如此准确呢？4个月的延迟显然是另一个指标，表明这里有些不对劲，我不知道如何解释，但我怀疑这两者有联系。

好吧，我意识到我的错误；我使用模型生成预测线的方式很幼稚。对于上面图表中的每个日期，我都从模型中得到一个输出，然后将预测的百分比变化应用到该日期的实际价格，这将给出4个月后的预测价格

考虑到市场在4个月内通常只在0-3%（正负）的幅度内波动，这意味着我的预测总是与当前价格密切相关，只是有4个月的滞后

因此，在每一个日期，预测的产量都在重新计算，因此模型线永远不会偏离实际值太远；这是一样的，但是在0-3%的范围内（正负）

---

事实上，图表并不重要，而且它也不能反映我使用输出的方式，因此我将放弃尝试获得视觉表示，集中精力寻找不同的指标来降低验证损失。

我试图根据一些基本概念解释观察结果：

如果您不提供时间滞后的X输入数据集（滞后的t-k，其中k是时间步长），那么基本上您将在培训阶段向LSTM输入类似今天的收盘价，以预测相同的今天收盘价。模型将（过度拟合）并与已知答案完全一致（数据泄漏）

如果Y是预测的百分比变化（即X*（1+Y%）=4个月的未来价格），那么预测的现值Y实际上就是按Y%贴现的未来值 因此，预测值将有4个月的变化

---

1.它是滞后的训练数据；其中X是t-k（作为多变量时间步），Y标签表示价格从当前价格到未来40天价格的变化。2.我不这么认为；该模型从不知道当前价格是多少。我在下面的回答中给出了这种行为的原因。假设我的模型训练精度在+/-3%的误差范围内。比如说在2000年1月1日，我输入了前30天的数据，结果显示+2.1%，现在的价格是100，4个月后的价格是102.1，所以我在5月1日绘制了这个图。1月2日我重复了一遍，上面写着+2%，现在的价格是101，所以5月2日我画了103.2。重复一遍又一遍，我基本上只输出当前价格+/-[0-3]%的回声。没有什么神秘感，只是我用它来想象的方式不是很好。