LSTM预测汇率输出水平线问题排查求助

1. 输入特征完全搞错了：你用日期的数值化结果当LSTM的输入，这完全不符合时间序列预测的逻辑。汇率波动和日期的数字大小没关系，模型学不到任何有效规律，只能输出所有样本的均值，结果就是一条水平线。
2. 时间序列数据集构造错误：LSTM做汇率预测，应该用前N天的汇率数据来预测当天的汇率，而不是拿日期当特征。你现在相当于让模型“看日期猜汇率”，这根本不合理。
3. 模型和训练逻辑有问题：
   • 第一层LSTM只给1个单元，模型容量太小，根本抓不住汇率的波动规律
   • 连续用return_sequences=True，导致输出维度和标签不匹配（你的输入是单时间步，return_sequences=True会让模型输出序列而非单个值）
   • 循环10000次每次训1个epoch，效率极低还容易训崩

1. 重新构造时间序列数据集 #

核心是用历史汇率数据当输入，比如用前60天的收盘价预测第61天的收盘价：

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, LSTM
from sklearn.preprocessing import MinMaxScaler

# 下载数据
data = yf.download(
    tickers='EURUSD=X',
    start='2021-01-01',
    end='2023-01-01',
    interval='1d'
)

# 只保留收盘价作为预测特征
df = data[['Adj Close']].copy()

# 归一化（输入输出都要处理）
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(df)

# 构造时间序列样本：前60天数据 -> 第61天数据
time_steps = 60
X, y = [], []
for i in range(time_steps, len(scaled_data)):
    X.append(scaled_data[i-time_steps:i, 0])
    y.append(scaled_data[i, 0])

# 转成LSTM需要的三维形状：(样本数, 时间步长, 特征数)
X = np.array(X)
X = np.reshape(X, (X.shape[0], X.shape[1], 1))
y = np.array(y)

2. 调整LSTM模型结构 #

给模型加够容量，修正输出维度问题：

model = Sequential()
# 第一层LSTM，增加单元数，中间层return_sequences=True，最后一层设为False
model.add(LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)))
model.add(LSTM(50, return_sequences=False))
# 加全连接层提升拟合能力
model.add(Dense(25))
model.add(Dense(1))
# 编译模型，可自定义学习率
model.compile(optimizer='adam', loss='mean_squared_error')

3. 优化训练方式 #

别再循环单epoch训练了，直接批量训：

# 批量训练，batch_size和epochs按需调整
history = model.fit(X, y, batch_size=32, epochs=50)

# 预测后反归一化，还原真实汇率值
predictions = model.predict(X)
predictions = scaler.inverse_transform(predictions)
actual = scaler.inverse_transform(y.reshape(-1,1))

# 可视化对比
plt.figure(figsize=(16,10))
plt.plot(df.index[time_steps:], actual, label='实际汇率')
plt.plot(df.index[time_steps:], predictions, label='预测汇率', color='red')
plt.xlabel('日期')
plt.ylabel('EUR/USD汇率')
plt.title('汇率预测与实际值对比')
plt.legend()
plt.grid(linestyle='--')
plt.show()

• 时间步长可以调整（比如30、60、90天），试试不同长度找最优效果
• 一定要划分训练集和测试集（比如前80%训，后20%测），不然容易过拟合
• 可以加Dropout层防过拟合：from keras.layers import Dropout，在LSTM层后加model.add(Dropout(0.2))
• 学习率可以微调，比如用Adam(learning_rate=0.001)控制训练速度

内容的提问来源于stack exchange，提问作者DuQer