关于使用python预测股票价格的LSTM的问题

我成功地复制了教程中的代码，并实现了一个基本的LSTM网络来预测股票价格。教程如下：

在添加额外的功能列时，我并没有改进模型，所以我尝试了一些非常基本的方法来更好地理解正在发生的事情。

假设要素列为[“日期”、“价格”、“数量”] 然后，我添加了一个附加的特性列“nextDayPrice”，其中包含来自“下一行”的数据。

显然，这些数据在“股价预测模型”中是不可用的，但我想测试一下，看看模型的准确度是否接近100%（正如我所预期的那样）

考虑到其中一个输入是第二天的准确价格（不实际），模型的准确度不是应该接近100%吗？

---

这一模式似乎没有改善。我在这里遗漏了什么吗？

您需要向模型中添加另一个输入。仅仅将特征添加到数据集中是不够的

---

如果您的标签与输入相同，则准确率应为100%。

感谢您的反馈。我相信我确实在输入中添加了该特性，但将进一步测试。为了测试这个问题，我又添加了模拟数据，使价格每天增加1美元。所以第一天=1美元，第300天=300美元，等等。。。有趣的是，该模型有时接近100%的准确度，但却没有达到。50个时代之后，模型实际上开始变得更糟，然后又回到100%，但仍然无法100%准确地预测第二天的“价格”。这是LTSM的一项功能，其设计目的是避免过盈吗？显然，大多数模型并不试图预测基本的线性函数。LSTM的设计并不是为了防止过度拟合。为什么你认为大多数模型都不试图预测线性函数？如果你不添加非线性激活-所有的模型都是线性的-按照我构建它的方式，有一个退出层，退出率为0.4。这似乎可以解释在我的示例中，模型无法收敛到100%的准确度，其中列_y（目标）作为输入。这听起来对吗？是的，辍学可以在一定程度上防止过度装配！对于阅读本文的其他人，我在这里阅读了关于正则化和使用输入层和隐藏层的dropout的内容：