为何用于EURUSD预测的神经网络输出错误/无意义结果？

首先，模型每次训练后都将所有测试数据归为同一类别，这通常是数据预处理、标签格式、训练参数或模型初始化方面的问题导致的，结合你的外汇预测任务和代码，咱们逐一分析并给出解决办法：

1. 优先解决：输入数据未做标准化/平稳化处理 #

金融时间序列（比如EURUSD的价格）是具有趋势性的非平稳数据，且数值范围较大，直接输入模型会导致梯度消失或爆炸，让模型无法学习到有效特征。你当前的代码里没有任何数据预处理步骤，这很可能是核心问题：

解决方法： #

• 转换为收益率数据：用价格的收益率代替原始价格，比如每个时刻的收益率 = (当前价格 / 上一时刻价格) - 1，这样数据会更平稳，模型更容易捕捉波动规律。
• 归一化/标准化：对每个样本的960个输入值进行标准化（减去均值，除以标准差）或归一化到[0,1]区间，确保输入数据的量级一致。

示例代码（在加载数据后添加）：

import numpy as np

# 转换原始价格为收益率序列
def convert_to_returns(data):
    returns = []
    for sample in data:
        # 计算单样本内的收益率，首个位置补0
        ret = [sample[i]/sample[i-1] - 1 for i in range(1, len(sample))]
        ret.insert(0, 0)
        returns.append(ret)
    return returns

input_data_x = convert_to_returns(input_data_x)

# 对数据做标准化处理
x_np = np.array(input_data_x)
mean = np.mean(x_np, axis=0)
std = np.std(x_np, axis=0)
# 避免除以0的情况
std[std == 0] = 1e-8
input_data_x = (x_np - mean) / std

2. 检查标签格式是否匹配损失函数 #

你使用的tf.nn.softmax_cross_entropy_with_logits要求标签是one-hot编码格式（比如类别0对应[1,0,0]，类别1对应[0,1,0]，类别2对应[0,0,1]）。如果你的input_data_y是整数形式的标签（比如0、1、2），这个损失函数就无法正确计算，会导致模型学习异常。

解决方法： #

• 若标签是整数格式，改用tf.nn.sparse_softmax_cross_entropy_with_logits，修改损失函数代码：

# 假设input_data_y是整数标签（直接传入Y即可）
loss_op = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(
    logits=logits, labels=Y))

• 若标签不是one-hot编码，也可以提前将整数标签转换为one-hot格式。

3. 调整训练参数，优化训练稳定性 #

你的训练参数可能导致模型收敛不稳定，每次落到不同的局部最优（全预测某一类）：

• 学习率过高：Adam优化器的默认学习率是0.001，你设置的0.005可能太大，导致梯度更新幅度过大，模型无法稳定学习。建议先降到0.001，甚至0.0001试试。
• 训练轮次不足：10个epoch可能太少，模型还没来得及学习到区分三类的特征，建议增加到50或100个epoch，观察loss是否持续下降。
• batch_size过小：batch_size=10会导致梯度噪声很大，模型更新不稳定，可以尝试增大到32或64。

4. 改进权重初始化方式 #

你使用tf.random_normal初始化权重，默认标准差为1，对于输入维度960的隐藏层来说，初始权重值可能过大，导致ReLU激活后大量神经元输出为0（饱和），模型无法有效传递梯度。

解决方法： #

改用更适合ReLU的He初始化，偏置初始化为0更稳妥：

weights = {
    'h1': tf.Variable(tf.keras.initializers.HeNormal()([n_input, n_hidden_1])),
    'out': tf.Variable(tf.keras.initializers.HeNormal()([n_hidden_1, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.zeros([n_hidden_1])),
    'out': tf.Variable(tf.zeros([n_classes]))
}

5. 添加正则化，防止过拟合（可选） #

虽然你的训练集类别均衡，但模型可能出现过拟合或者过度自信的情况，可以添加Dropout层或L2正则化：

# 修改模型定义，加入Dropout
def multilayer_perceptron(x, keep_prob):
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    layer_1 = tf.nn.dropout(layer_1, keep_prob=keep_prob)  # 添加Dropout层
    out_layer = tf.matmul(layer_1, weights['out']) + biases['out']
    return out_layer

# 定义占位符
keep_prob = tf.placeholder(tf.float32)
logits = multilayer_perceptron(X, keep_prob)

# 训练时传入keep_prob=0.5，测试时传入1.0
_, c = sess.run([train_op, loss_op], feed_dict={X: batch_x, Y: batch_y, keep_prob: 0.5})
accuracy.eval({X: input_data_x[total_batch*batch_size :], Y: input_data_y[total_batch*batch_size :], keep_prob: 1.0})

最后建议的调试步骤 #

1. 先处理数据标准化/收益率转换，这是最可能解决问题的一步；
2. 检查标签格式是否匹配损失函数；
3. 调整学习率和训练轮次，观察训练过程中loss的变化，如果loss一直居高不下或波动剧烈，说明参数设置有问题；
4. 改进权重初始化，再测试模型输出。

内容的提问来源于stack exchange，提问作者Rocco