Keras中实现方向准确率自定义损失函数技术求助

以下是符合你需求的张量操作实现，核心是比较真实收盘价与预测收盘价的相邻涨跌方向是否一致，最终以1 - 方向准确率作为损失：

import tensorflow.keras.backend as K

def directional_loss(y_true, y_pred):
    # 计算真实收盘价的相邻差值（当前K线 - 前一根K线）
    diff_true = y_true[:, 1:] - y_true[:, :-1]
    # 获取真实涨跌方向：涨=1，平=0，跌=-1
    sign_true = K.sign(diff_true)
    
    # 计算预测收盘价的相邻差值
    diff_pred = y_pred[:, 1:] - y_pred[:, :-1]
    # 获取预测涨跌方向
    sign_pred = K.sign(diff_pred)
    
    # 判断涨跌方向是否一致，转换为浮点型便于计算
    direction_match = K.cast(K.equal(sign_true, sign_pred), K.floatx())
    
    # 计算方向准确率（正确匹配数 / 总样本数）
    directional_acc = K.mean(direction_match)
    
    # 损失为1减去准确率，损失越小表示方向预测越准确
    return 1 - directional_acc

关键细节说明 #

• 张量维度处理：假设输入的y_true和y_pred形状为(batch_size, sequence_length)，即每个批次包含多条K线的收盘价序列。如果你的输入是一维张量（如(batch_size,)），需先通过K.expand_dims(y_true, axis=1)扩展为二维序列格式。
• 平盘情况处理：默认逻辑中，真实平盘且预测平盘会被判定为正确；若需要排除平盘样本（仅统计有涨跌的情况），可添加过滤逻辑：

  # 过滤掉真实平盘的样本
  mask = K.not_equal(sign_true, 0)
  sign_true_filtered = K.boolean_mask(sign_true, mask)
  sign_pred_filtered = K.boolean_mask(sign_pred, mask)
  
  # 计算匹配度，避免空张量报错
  if K.shape(sign_true_filtered)[0] > 0:
      direction_match = K.cast(K.equal(sign_true_filtered, sign_pred_filtered), K.floatx())
      directional_acc = K.mean(direction_match)
  else:
      directional_acc = K.constant(0.0)
  

• 损失逻辑：用1 - 准确率作为损失，模型训练时会通过最小化损失来最大化方向预测的正确性，符合Keras损失函数的优化逻辑。

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