我在用PyTorch的 LSTM模型来预测谷歌股票价格。
然而在训练我的模型并绘制预测结果与真实值的对比后，我发现出现周期性且明显的向下尖刺。
这是我在Kaggle上写的笔记本： Notebook in kaggle

下面是我在训练中所做步骤的摘要：

1. 我打算只预测谷歌股价中的一个特征，即开盘价（Open）。
2. 我将数据分成训练集和测试集，训练集占80%，测试集占20%。
3. 我使用sklearn的 MinMaxScaler()，仅基于训练数据来拟合缩放器，然后对训练数据和测试数据进行变换（缩放）。
4. 我将序列长度设为10。
5. 对于LSTM模型，我设定input_size = 1、hidden_size = 64、num_layers = 2。
   self.lstm = nn.LSTM(1, hidden_size, num_layers) self.fc = nn.Linear(hidden_size, 1)
6. 我将batch_size设置为64，并且不打乱数据（因为在训练时序数据时，我了解到不应打乱）。
7. 我将学习率learning_rate设置为0.001，训练轮次设为3，使用torch.optim.Adam进行优化，损失函数采用nn.MSELoss()。
8. 训练完成后，当我将测试数据的真实值（蓝色）与预测值（紫色）对比绘制时，我看到出现周期性且明显的向下尖刺。

我不知道为什么会这样，我把batch_size设为1，也尝试用不同于10的序列长度（不同的窗口大小）进行训练，但仍然看到周期性且明显的向下尖刺。

我是深度学习新手，最近才刚学习过LSTM，我不确定这是为什么以及该如何修复。

解决方案

我终于弄清楚了问题所在。

我将训练轮次增加到了100。

结果要好得多。

我完全不知道应该设置多少个训练轮次。

将训练轮次增加到100的结果如下。