Keras二分类准确率卡在50%：BTC、ETH次日涨跌预测问题求解

• 时间序列拆分逻辑错误：你使用train_test_split随机打乱拆分数据集，完全破坏了金融数据的时序依赖关系，存在严重的数据泄露——训练过程会引入未来时段的数据，导致模型根本无法学习到真实的时序规律，最终效果和随机猜测一致。时间序列任务必须按时间先后顺序拆分，前80%时间的数据作为训练集，后20%作为测试集，绝对不能打乱顺序。
• LSTM输入逻辑错误：LSTM的作用是处理多时间步的序列特征，但你当前的输入仅包含单日的15个特征，每个特征的时间步长度为1，相当于没有给LSTM提供任何历史时序信息，完全无法发挥序列建模的优势。正确做法是设置时间窗口（比如过去3/7/14天），将窗口内的所有特征作为单样本输入，输入形状应为(样本数, 时间窗口长度, 特征数)。
• 归一化存在数据泄露：你直接对全量数据集做MinMaxScaler拟合，相当于将测试集的统计信息提前泄露给了训练过程，会导致模型泛化能力下降。正确做法是仅在训练集的特征上拟合归一化器，再分别对训练、验证、测试集的特征做变换，且标签列不需要参与归一化。
• 特征预测性不足：原始OHLCV、市值等基础特征本身对价格涨跌的预测性极低，金融价格走势接近随机游走，你需要额外构建衍生特征，比如不同周期的收益率、移动平均线、RSI、MACD等常用技术指标，提升特征的信息密度。

• 该情况完全正常：你输出层使用的sigmoid激活函数，返回的是样本属于正类（次日上涨，标签为1）的概率值，范围固定在0-1之间，不会直接输出0/1的分类结果。
• 需要手动做阈值转换：默认情况下Keras的二分类准确率指标会以0.5为阈值做判断，你自己使用预测结果时，可以根据需求设定阈值，通用做法是大于等于0.5判定为1（上涨），小于0.5判定为0（下跌）；如果你对误判的容忍度有倾向，也可以调整阈值，比如希望降低误判上涨的概率，就将阈值调高到0.6或更高。

内容的提问来源于stack exchange，提问作者M. Safari