我认为您是过拟合的 ，因为数据的维数为1，而对于这样的低维数据集，具有25个单位的LSTM似乎相当复杂。这是我会尝试的事情列表：
- 减小LSTM尺寸。
- 添加某种形式的正则化以对抗过度拟合。例如，辍学可能是一个不错的选择。
- 训练更多的时代或改变学习率。该模型可能需要更多的时期或更大的更新才能找到适当的参数。
更新。 让我总结一下我们在评论部分中讨论的内容。
只是为了澄清起见，第一个图未显示验证集的预测序列，而是训练集。因此，我的第一个 过拟合
解释可能是不准确的。我认为应该问一个适当的问题：实际上有可能从这样一个低维数据集中预测未来价格的变化吗？机器学习算法并不是神奇的：只有存在的情况下，它们才会在数据中找到模式。
如果仅 过去的 价格变化确实不能充分说明 未来的 价格变化，则：
- 您的模型将学习预测价格变化的平均值（可能约为0），因为在没有信息功能的情况下，该值会产生最低的损失。
- 由于时间步t + 1的价格变化与时间步t的价格变化略相关，所以预测可能看起来有些“偏移”（但是，最接近0的预测是最安全的选择）。作为专家，我确实可以观察到唯一的模式（即，时间步t + 1的值有时类似于时间步t的值）。
如果通常在时间步t和t + 1处的值恰好具有更高的相关性，那么我认为该模型将对此相关性更有信心，并且预测幅度将更大。
