Python lstm神经网络异常输出相同的值

我目前正在研究并尝试改进python脚本，其目的是预测股市走势（一个非常简单的脚本）

问题是：我得到的是相同的输出值，但我真的不明白为什么，因为它应该更像这个图表（红线是我应该得到的预测，蓝线是真实的数据）：

代码如下：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from pandas import datetime
import math, time
import itertools
from sklearn import preprocessing
import datetime
from operator import itemgetter
from sklearn.metrics import mean_squared_error
from math import sqrt
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.layers.recurrent import LSTM

def get_stock_data(stock_name, normalized=0):
    url = 'http://chart.finance.yahoo.com/table.csv?s=%s&a=11&b=15&c=2011&d=29&e=10&f=2016&g=d&ignore=.csv' % stock_name

    col_names = ['Date','Open','High','Low','Close','Volume','Adj Close']
    stocks = pd.read_csv(url, header=0, names=col_names) 
    df = pd.DataFrame(stocks)
    date_split = df['Date'].str.split('-').str
    df['Year'], df['Month'], df['Day'] = date_split
    df["Volume"] = df["Volume"] / 10000
    df.drop(df.columns[[0,3,5,6, 7,8,9]], axis=1, inplace=True) 
    return df

stock_name = 'GOOGL'
df = get_stock_data(stock_name,0)
df.head()

today = datetime.date.today()
file_name = stock_name+'_stock_%s.csv' % today
df.to_csv(file_name)

df['High'] = df['High'] / 100
df['Open'] = df['Open'] / 100
df['Close'] = df['Close'] / 100
df.head(5)

def load_data(stock, seq_len):
    amount_of_features = len(stock.columns)
    data = stock.as_matrix() #pd.DataFrame(stock)
    sequence_length = seq_len + 1
    result = []
    for index in range(len(data) - sequence_length):
        result.append(data[index: index + sequence_length])

    result = np.array(result)
    row = round(0.9 * result.shape[0])
    train = result[:int(row), :]
    x_train = train[:, :-1]
    y_train = train[:, -1][:,-1]
    x_test = result[int(row):, :-1]
    y_test = result[int(row):, -1][:,-1]

    x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], amount_of_features))
    x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], amount_of_features))  

    return [x_train, y_train, x_test, y_test]

def build_model2(layers):
        d = 0.2
        model = Sequential()
        model.add(LSTM(128, input_shape=(layers[1], layers[0]), return_sequences=True))
        model.add(Dropout(d))
        model.add(LSTM(64, input_shape=(layers[1], layers[0]), return_sequences=False))
        model.add(Dropout(d))
        model.add(Dense(16,init='uniform',activation='relu'))        
        model.add(Dense(1,init='uniform',activation='linear'))
        model.compile(loss='mse',optimizer='adam',metrics=['accuracy'])
        return model

window = 22
X_train, y_train, X_test, y_test = load_data(df[::-1], window)
print("X_train", X_train.shape)
print("y_train", y_train.shape)
print("X_test", X_test.shape)
print("y_test", y_test.shape)

model = build_model2([3,window,1])

model.fit(
    X_train,
    y_train,
    batch_size=512,
    nb_epoch=500,
    validation_split=0.1,
    verbose=1)

trainScore = model.evaluate(X_train, y_train, verbose=0)
print('Train Score: %.2f MSE (%.2f RMSE)' % (trainScore[0], math.sqrt(trainScore[0])))

testScore = model.evaluate(X_test, y_test, verbose=0)
print('Test Score: %.2f MSE (%.2f RMSE)' % (testScore[0],math.sqrt(testScore[0])))

# print(X_test[-1])
diff=[]
ratio=[]
p = model.predict(X_test)
for u in range(len(y_test)):
    pr = p[u][0]
    ratio.append((y_test[u]/pr)-1)
    diff.append(abs(y_test[u]- pr))
    #print(u, y_test[u], pr, (y_test[u]/pr)-1, abs(y_test[u]- pr))

import matplotlib.pyplot as plt2

plt2.plot(p,color='red', label='prediction')
plt2.plot(y_test,color='blue', label='y_test')
plt2.legend(loc='upper left')
plt2.show()

我得到的输出：

（我已经尝试更改批次大小和纪元数）

我目前正在使用（在macosx sierra上）：

Python 3.6.0（默认值，2017年1月2日，18:14:29） [GCC 4.2.1达尔文兼容苹果LLVM 8.0.0（clang-800.0.42.1）] 有关详细信息，请键入“copyright”、“credits”或“license（）”。 警告：正在使用的Tcl/Tk（8.5.9）版本可能不稳定

前一代码中使用的每个模块都是最新的（2017年4月24日）

我可能忘了一些信息，请尽管问我

---

感谢您将

nb_epoch=500

更改为

nb_epoch=2

---

您将看到LSTM工作正常。

将

nb_epoch=500

更改为

nb_epoch=2

---

你会发现LSTM会很好地工作。

是什么让你相信它应该输出链接的原始图像？因为它只输出了一次，至少我希望脚本输出不同于简单直线的东西（例如，遵循平均值的东西，或者类似的东西）。让我觉得有问题的是，现在，无论我输入什么样的数据集（苹果股票、谷歌等等），输出总是一条直线。我是神经网络新手，所以说实话，我真的不知道预期的输出应该是什么。如果这是一个正常的行为，我如何才能找到触发正确行为的因素。你是否尝试过将数据缩放到mean=0？是什么让你相信它应该输出链接的原始图像？因为它只输出了一次，而且至少我希望脚本输出与简单直线不同的内容（例如，遵循平均值的东西，或者类似的东西）。让我觉得有问题的是，现在，无论我输入什么样的数据集（苹果股票，谷歌，…），输出总是一条红色的直线。我是神经网络新手，所以说实话，我真的不知道预期的输出应该是什么。如果这是一种正常的行为，我如何找到触发正确行为的因素。您是否尝试过将数据缩放为mean=0？