基于TensorFlow的LSTM股票时间序列预测报错及层配置求助

一、报错修复 #

错误原因 #

你遇到的ValueError是因为尝试给形状为(200,)的变量custom_state1赋值形状为()的张量。更关键的是每次训练步骤重置可训练权重为0的逻辑完全不合理，这会直接导致模型无法学习到任何有效特征。

修复步骤 #

1. 移除破坏训练流程的权重重置代码：

# 删除以下这段错误逻辑
with tf.control_dependencies([lstm_cell.custom_state1.assign(tf.zeros([200])), lstm_cell.custom_state2.assign(tf.zeros([200]))]):
    train_op = tf.no_op()

2. 若确实需要在特定场景（如每个epoch开始前）重置状态，改用tf.zeros_like保证形状严格匹配：

# 仅在必要时执行，比如epoch启动前
sess.run([lstm_cell.custom_state1.assign(tf.zeros_like(lstm_cell.custom_state1)), 
          lstm_cell.custom_state2.assign(tf.zeros_like(lstm_cell.custom_state2))])

3. 修正原代码中的缩进问题，避免变量作用域错误。

二、股票时间序列预测的模型配置指导 #

输入层配置 #

• 特征选择：除中间价、EMA外，建议补充开盘价、收盘价、最高价、最低价、成交量等特征，构建多变量输入以提升预测能力。
• 时间步长设置：选择20-60个交易日的历史数据作为一个输入序列，比如用过去30天的特征预测下一天的价格。
• 数据预处理：
  • 用MinMaxScaler将所有特征缩放到[0,1]区间，消除量纲差异。
  • 将数据集reshape为LSTM要求的输入形状：[batch_size, time_steps, feature_size]，其中feature_size为特征总数。
• 数据集划分：保持80/20的训练/测试集比例，注意时间序列不能随机打乱，必须按时间顺序划分。

LSTM层配置 #

• 单元数量：可选64、128、200（你当前使用的200是合理值），可根据验证集损失调整，单元数过多易引发过拟合。
• 堆叠层数：可堆叠2-3层LSTM，前几层设置return_sequences=True以传递序列信息，最后一层设置return_sequences=False输出最终特征。
• 正则化：在LSTM层后加入Dropout(rate=0.2-0.3)，或在LSTM层中设置recurrent_dropout=0.1，抑制过拟合。
• 状态管理：默认使用零初始化状态即可，若需跨batch保持状态，可使用tf.nn.dynamic_rnn的initial_state参数。

输出层配置 #

• 单步预测：输出层使用Dense(1)，激活函数设为线性（activation=None），适配股票价格的连续值回归任务。
• 损失函数：选用均方误差（MSE）作为损失函数，符合回归任务的优化目标。
• 优化器：使用Adam优化器，初始学习率设为0.001，可加入学习率衰减（如每10个epoch衰减为原率的0.9）。

三、修正后的示例代码片段 #

import tensorflow as tf
import numpy as np

# 假设已完成数据预处理，得到形状为[样本数, 时间步长, 特征数]的训练数据
train_data = np.random.rand(1000, 30, 5)  # 示例：1000个样本、30步长、5个特征
train_labels = np.random.rand(1000, 1)

# 输入占位符
tf_inputs = tf.placeholder(tf.float32, shape=[None, 30, 5])
tf_labels = tf.placeholder(tf.float32, shape=[None, 1])
tf_learning_rate = tf.placeholder(tf.float32)

# 构建LSTM模型
lstm_cell1 = tf.nn.rnn_cell.LSTMCell(units=200, dropout_keep_prob=0.8)
lstm_cell2 = tf.nn.rnn_cell.LSTMCell(units=100)
multi_lstm = tf.nn.rnn_cell.MultiRNNCell([lstm_cell1, lstm_cell2])
outputs, states = tf.nn.dynamic_rnn(multi_lstm, tf_inputs, dtype=tf.float32)
final_output = outputs[:, -1, :]  # 取最后一个时间步的输出
predictions = tf.layers.dense(final_output, units=1)

# 损失与优化
loss = tf.reduce_mean(tf.square(predictions - tf_labels))
optimizer = tf.train.AdamOptimizer(tf_learning_rate).minimize(loss)

# 训练流程
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(50):
        batch_loss = []
        for i in range(0, len(train_data), 32):
            batch_x = train_data[i:i+32]
            batch_y = train_labels[i:i+32]
            _, l = sess.run([optimizer, loss], feed_dict={
                tf_inputs: batch_x,
                tf_labels: batch_y,
                tf_learning_rate: 0.001 * (0.9 ** (epoch // 10))
            })
            batch_loss.append(l)
        print(f"Epoch {epoch}, Avg Loss: {np.mean(batch_loss):.4f}")

内容的提问来源于stack exchange，提问作者Switzerland2020