Должен ли LSTM обучаться изменению процента?

Question

Я новичок в машинном обучении, и я использую Keras для создания LSTM, который может предсказывать финансовые данные временных рядов.

У меня было три вопроса:

1) При рассмотрении изменения цены, лучше ли LSTM тренироваться, если переданные данные представляют собой процентное изменение от предыдущего временного шага, а не фактическую цену?

2) Я масштабировал тренировочные данные, используя MinMaxScalar, но я не уверен, что целевые данные (цена в будущем) также должны быть масштабированы.

3) Если я подгоняю MinMaxScalar, используя обучающие данные, использую ли я тот же скаляр для масштабирования данных, которые я буду прогнозировать, или масштабировать эти новые данные с помощью собственного скаляра?

Answer 1

Во-первых, все данные, которые вы вводите в алгоритм машинного обучения, должны масштабироваться. Я считаю, что это применимо и к данным, для которых вы хотите делать прогнозы, когда вы подаете их в сеть.

Что касается процентного изменения по сравнению с фактическим значением, это хорошая идея. Попробуйте оба и посмотрите, какой из них работает лучше всего. Я знаю, это звучит как отговорка, но на самом деле это не так: машинное обучение - это процесс проб и ошибок.

Что вы подразумеваете под целевыми данными и ценой в будущем?