我们先从“我知道机器学习无法比猴子更好地预测股市”这句话开始吧。但我还是想继续探讨这个问题。

我的问题是一个理论性的问题。假设我有日期、开盘价、最高价、最低价、收盘价这些列。因此，我猜我有四个特征：开盘价、最高价、最低价、收盘价。

‘my_close’将作为我的标签（答案），我将使用当前行之后7天的‘close’值。基本上，我将‘close’列向上移动7行，并创建一个名为‘my_close’的新列。

LSTM适用于序列数据。假设我设置的序列是20天，因此我的数据形状将是（1000天的数据，20天作为一个序列，3个特征）。

困扰我的问题是，这20天或这20行数据，是否应该有完全相同的标签？还是可以有各自的标签？或者我是否完全误解了这个理论？

谢谢大家。

回答：

在你的情况下，你想使用前7天的股票数据来预测当前日的股票价格。你构建输入和输出的方式在输入模型之前需要进行一些修改。

你在理解时间步（序列）方面犯了错误。简单来说，时间步（序列）是我们在预测输出时考虑的总输入数量。在你的情况下，它应该是7（而不是20），因为我们将使用前7天的数据来预测当前日的输出。

你的输入应该是前7天的信息

[F11,F12,F13],[F21,F22,F23],……..,[F71,F72,F73]

在这里，F代表特征，i代表时间步，j代表特征编号。

输出将是第8天的股票价格。在这里，你的模型将分析前7天的输入并预测输出。所以，回答你的问题，前7天的输入将有一个共同的标签。

我强烈建议你进一步学习LSTM的知识。