machine-learning - 股票预测 : GRU model predicting same given values instead of future stock price

Question

我刚刚从 Kaggle 测试这个模型 post 此模型假设从给定的一组最后股票提前 1 天进行预测。在调整了一些参数后，我得到了令人惊讶的好结果，正如你所看到的。 均方误差为 5.193。所以总的来说，它看起来很适合预测 future 股票，对吗？好吧，当我仔细观察结果时，发现结果很糟糕。

正如您所看到的，该模型正在预测给定股票的最后值(value)，即我们当前的最后一只股票。
所以我确实将预测调整了一步.. 所以现在您可以清楚地看到该模型正在预测向后一步或最后的股票奖励，而不是 future 的股票预测。

这是我的训练数据

# So for each element of training set, we have 30 previous training set elements 
X_train = []
y_train = []

previous = 30

for i in range(previous,len(training_set_scaled)):
    X_train.append(training_set_scaled[i-previous:i,0])
    y_train.append(training_set_scaled[i,0])
X_train, y_train = np.array(X_train), np.array(y_train)


print(X_train[-1],y_train[-1])

这是我的模型

# The GRU architecture
regressorGRU = Sequential()
# First GRU layer with Dropout regularisation
regressorGRU.add(GRU(units=50, return_sequences=True, input_shape=(X_train.shape[1],1)))
regressorGRU.add(Dropout(0.2))
# Second GRU layer
regressorGRU.add(GRU(units=50, return_sequences=True))
regressorGRU.add(Dropout(0.2))
# Third GRU layer
regressorGRU.add(GRU(units=50, return_sequences=True))
regressorGRU.add(Dropout(0.2))
# Fourth GRU layer
regressorGRU.add(GRU(units=50))
regressorGRU.add(Dropout(0.2))
# The output layer
regressorGRU.add(Dense(units=1))

# Compiling the RNN
regressorGRU.compile(optimizer='adam',loss='mean_squared_error')
# Fitting to the training set
regressorGRU.fit(X_train,y_train,epochs=50,batch_size=32)

和 here是我的完整代码，您也可以在 google colab 上运行此代码。

所以我的问题是这背后的原因是什么？我做错了什么有什么建议吗？

Answer 1

这实际上是一个众所周知的回归问题。由于回归器的任务是最小化误差，因此它通过从输入到回归器的特征中选择最接近的值来确保其任务。尤其是在时间序列问题中尤其如此。

1)永远不要给出您希望模型预测的未处理的结束值，尤其是在时间序列回归问题中。更一般地说，永远不要提供一个可以为回归器提供有关标签可能是什么的直接数字直觉的特征。

2)如果您不确定模型是否像您的情况一样复制，请务必将原始测试集和您的预测绘制在一起，以直观地分析情况。此外，如果可以的话，在实时数据上对您的模型进行模拟，以观察您的模型是否具有相同的预测性能。

3)我建议您应用二元分类而不是回归。

我近一年来一直致力于金融信号预测，欢迎询问更多信息。

玩得开心。