Tensorflow 基於 LSTM 的 RNN - 不正確和恆定的預測

Question

我希望有人能指出我的 RNN 哪里出了問題。 我的問題的長短在於，無論 my.network 的結構如何，預測始終遵循以下原則：

我已經嘗試了 1、2、3 和 4 層 LSTM，每層都具有不同的神經元計數和 relu 或 tanh 激活函數。 對於上圖，.network 設置為：

model = Sequential()
model.add(LSTM(128, activation='relu', return_sequences=True, input_shape=(length, scaled_train_data.shape[1]))) 
model.add(LSTM(256, activation='relu', return_sequences=True))
model.add(LSTM(256, activation='relu', return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(128, activation='relu'))
model.add(Dense(scaled_train_data.shape[1]))
model.compile(optimizer='adam', loss="mse")

model 的實際訓練通過 ok，沒有事件：

我的數據是財務數據。 大約有 70k 行，我有大約。 70/30 訓練/測試拆分。

我哪里錯了？ 謝謝！

Answer 1

因此，通過詢問和閱讀，RNN 似乎不是金融/隨機游走數據的最佳解決方案——至少在我使用的設置中是這樣。 我想知道使用平均值是否會產生更好的結果？

無論如何，繼續強化學習。