LSTM训练数据特征工程与优化实践

最近在做灵析项目的LSTM估值预测模型时，遇到了一个典型问题：模型训练完成后，准确率始终徘徊在43%左右。这个数字意味着模型的预测效果接近随机猜测，远远达不到可用的标准。

本文将记录完整的排查过程和优化路径，希望能为遇到类似问题的读者提供参考

一、问题现象

LSTM模型训练完成后，测试集准确率稳定在43%-45%之间，RMSE为21.14。无论调整LSTM层数、神经元数量，还是修改Dropout比例，效果都没有明显改善。

模型陷入了一个典型状态：参数调优无法突破性能瓶颈，说明问题不在模型结构本身。

二、排查过程

2.1 数据层面的检查

第一步是检查输入数据的质量。训练数据来自Tushare日线行情，包含收盘价、涨跌幅、成交量三个字段。这些字段本身是准确的，但问题在于它们全部是价格维度的数据。

模型只看到了“价格在涨跌”，却没有看到“估值在什么位置”。同样是10%的涨幅，PE=15和PE=45的含义完全不同，但模型无法区分这两种场景。

2.2 特征分析

为什么PE分位和PB分位是关键特征？因为估值分位回答了一个核心问题：当前价格在历史中处于什么位置。

在金融投资中，绝对的PE值参考意义有限，真正有价值的是“当前估值比过去70%的时间都贵”这种相对判断。模型缺少这个维度的信息，就无法理解估值周期的概念。

三、解决方案

3.1 特征扩展

将输入特征从1维扩展到5维：

 

特征类型	特征名称	说明
价格特征	收盘价	基础价格序列
量价特征	涨跌幅	价格变动幅度
量价特征	成交量	交易活跃度
估值特征	PE分位	当前PE在历史中的位置
估值特征	PB分位	当前PB在历史中的位置

核心改动是新增PE分位和PB分位两个估值特征：

python

# 计算单日估值分位
def calculate_pe_percentile(pe_value, pe_history):
    return sum(1 for pe in pe_history if pe < pe_value) / len(pe_history)

3.2 重新训练

使用五维特征重新训练LSTM模型：

python

# 滑窗构造训练样本
def create_sequences(data, window=30, horizon=5):
    X, y = [], []
    for i in range(len(data) - window - horizon + 1):
        X.append(data[i:i+window])
        y.append(data[i+window:i+window+horizon])
    return np.array(X), np.array(y)

训练完成后，评估指标出现明显变化：

text

RMSE: 21.14 → 14.56（下降31%）
MAE: 6.37 → 5.48（下降14%）

四、总结

这次优化验证了一个判断：模型准确率上不去的根本原因往往不在模型结构，而在特征工程。

LSTM的结构没有变，参数没有变，变化的是输入特征。模型需要正确的信息才能做出正确的判断，而PE/PB分位就是这个场景下缺失的关键信息。

在尝试调参之前，值得先检查一个问题：模型是否拿到了所有必要的信息。有时候答案就在数据里，只是还没被喂给模型。

后续会加入其他特征继续把准确率提高