如何计算用于股票价格预测的LSTM神经网络准确率

你当前做的是连续值回归类的时序预测任务，通常说的“预测准确率”对应回归模型的预测效果评估维度，除RMSE外，还有以下适用的计算方式：

• 平均绝对误差（MAE, Mean Absolute Error）
  计算公式为MAE = (1/n) * Σ|y_true - y_pred|，统计预测值与真实值差值的绝对值的平均值，对异常值的敏感度远低于RMSE，结果鲁棒性更强，在股票场景下可以直观反映预测价格与实际价格的平均绝对差值，可读性高。
• 决定系数（R² Score）
  计算公式为R² = 1 - (Σ(y_true - y_pred)² / Σ(y_true - y_mean)²)，取值区间通常为[0,1]，越接近1说明模型对数据波动的解释能力越强。可以直接用来对比你的模型和「直接用历史平均收盘价预测」的基准模型效果，若R²为负则说明当前模型效果还不如简单的均值预测。
• 平均绝对百分比误差（MAPE, Mean Absolute Percentage Error）
  计算公式为MAPE = (100%/n) * Σ|(y_true - y_pred)/y_true|，输出为误差的百分比比例，比如MAPE=1.5%就说明平均预测误差是实际收盘价的1.5%，很适合跨不同价格区间的股票做效果对比，股票收盘价不会为0，刚好规避了该指标的原生缺陷。
• 对称平均绝对百分比误差（SMAPE）
  计算公式为SMAPE = (100%/n) * Σ(|y_pred - y_true| / ((|y_true| + |y_pred|)/2))，是MAPE的改进版本，解决了真实值偏低时MAPE被异常放大的问题，误差计算更对称公平。
• 方向准确率（Directional Accuracy）
  是股票预测场景特有的高实用价值指标，统计预测周期内涨跌方向和实际涨跌方向一致的样本占比，计算公式为方向准确率 = 涨跌方向预测正确的样本数 / 总测试样本数 * 100%。相比单纯的价格误差值，这个指标更贴合交易实际需求，直接反映模型对价格趋势的判断正确率。

补充注意：股票属于非平稳时序数据，计算所有指标前请确保训练集、验证集、测试集严格按照时间先后顺序划分，不要随机拆分，否则得到的指标结果会虚高，没有实际参考意义。

内容的提问来源于stack exchange，提问作者user15407748