基于价值指标的ANN股票收益预测模型训练报错求助

问题背景 #

我是Python和机器学习新手，想通过实战入门。手里有300+只股票的数据集，每只股票包含4项3年前的价值指标（比如市净率、市盈率、自由现金流增长率等），以及过去3年的股价涨幅数据。目标是用这些基本面指标构建模型，预测股票3年收益。

异常现象 #

训练阶段输出 #

Epoch 1/100
8/8 [==============================] - 1s 3ms/step - loss: nan - accuracy: 0.0000e+00
Epoch 2/100
8/8 [==============================] - 0s 3ms/step - loss: nan - accuracy: 0.0000e+00
Epoch 3/100

预测阶段输出 #

执行预测代码：

X_predict = [[1.43, 0.73, 0.37, -0.92]]
print(seann.predict(sc.transform(X_predict)))

得到输出：

1/1 [==============================] - 0s 63ms/step
[[nan]]

我怀疑的问题点 #

• 输入数据标准化环节，代码如下：

from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

• 模型初始化参数设置，代码如下：

seann = tf.keras.models.Sequential()
seann.add(tf.keras.layers.Dense(units=4, activation='relu'))
seann.add(tf.keras.layers.Dense(units=4, activation='relu'))
seann.add(tf.keras.layers.Dense(units=1, activation='linear'))
seann.compile(optimizer = 'adam' , loss = 'mean_squared_error', metrics = ['accuracy'])

问题排查与解决思路 #

1. 数据层面是核心诱因 #

首先查原始数据有没有问题：

• 检查X_train、X_test、y_train里有没有NaN或者无穷值，用df.isna().sum()或者np.isinf(X_train).any()就能验证。如果原始数据有缺失，标准化后直接会生成NaN，后续训练全崩。
• 再看目标变量y（股价涨幅）的分布，有没有极端值（比如某只股票涨幅几千%）。MSE损失计算时遇到这种极端值，会导致梯度爆炸，权重更新后直接变成NaN。

2. 标准化环节的潜在坑 #

你的标准化流程是对的，但要确认：

• X_train全是数值型数据，没有混入字符串或者分类值，不然标准化会失败产生NaN。
• 预测时X_predict的特征顺序和训练集完全一致，虽然这个不会直接导致NaN，但顺序错了预测结果肯定不对。

3. 模型设置的明显错误 #

• 用了分类任务的指标做回归：你这是回归任务（预测连续的收益数值），但metrics=['accuracy']是分类任务的指标，完全不适用，输出的0准确率毫无意义，虽然不会直接导致NaN，但别再用了，换成metrics=['mean_absolute_error']这类回归指标。
• 权重更新溢出：默认Adam的学习率是0.001，如果y的数值范围很大（比如收益是1000代表10倍涨幅），学习率太高会导致权重更新幅度过大，直接出现NaN。可以试试把学习率调低，比如optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001)。
• ReLU激活虽然可能导致部分神经元失活，但一般不会直接产生NaN，优先级低于前面的问题。

4. 快速验证步骤 #

1. 先清理数据：删掉含NaN/inf的样本，或者用均值/中位数填充缺失值。
2. 对y做异常值截断：比如去掉涨幅top1%和bottom1%的样本，避免极端值干扰损失计算。
3. 把模型编译里的metrics=['accuracy']去掉或者换成回归指标。
4. 调低学习率，重新训练试试。

内容的提问来源于stack exchange，提问作者Sean Walsh