常见痛点有三个：一是原始价格量级大、分布漂移严重，模型训练容易发散；二是价格回归看似收敛，实际只是复制前一天价格的朴素预测；三是收益方向极难回归，模型输出退化成常数。本文沿”价格回归→归一化改进→收益率建模→涨跌分类→信号回测”的路径逐层推进，完整呈现了模型从发散、退化到可用的全过程。文中所有代码均以 Python 编写，配套 TensorFlow 、scikit-learn 与 TA-Lib。

技术方案总览

本文的技术路线是一条递进式流水线：先用 LSTM 做价格回归定位问题，再切换预测目标与模型结构，最后落地成可回测的择时策略。全文脉络如下：

        数据准备           |           v      价格回归建模           |+-----+-----+     |           |     v           v  未归一化     MinMax归一化  （发散）     （滞后陷阱）     |           |+-----+-----+           |           v     对数收益率回归           |           v     CNN涨跌二分类+-----+-----+     |           |     v           v  仅收盘价    TA-Lib技术指标     |           |+-----+-----+           |           v      策略回测落地

数据来源与预处理

数据名称：玉米期货行情数据（Corn Futures Daily Quotes Dataset）

数据量：约 2400 余条日频记录，其中 2022 年约 242 个交易日作为样本外区间

字段：日期、开盘价、最高价、最低价、收盘价、成交量

数据来源：由拓端团队整理核对，全部内容真实有效

时间跨度：2013—2022 年

区域跨度：国内商品期货市场

数据格式：Excel 时间序列，以交易日为索引

数据简介：数据覆盖玉米期货主力合约连续行情，恰逢 2016 年收储政策改革引发的价格重估与 2020 年后的上行周期，兼具深度回撤与趋势行情，适合检验深度学习模型在不同市场状态下的稳健性。

本数据可支撑的主题实证研究：

• 一是深度学习时序预测建模对比；
• 二是技术指标在期货涨跌分类中的有效性检验；
• 三是基于机器学习信号的量化择时策略回测。

数据指标：

数据展示：

十年间价格从 2400 附近高位震荡，到 2016 年跌破 1500，再到 2022 年上冲 3000，非平稳特征显著，是检验预测模型的试金石。

---

---

核心模型设计：LSTM价格回归的两次迭代

本章核心结论：价格回归路线的价值不在于预测结果，而在于暴露两个经典陷阱——量纲发散与滞后复制。

提示词：数据准备与走势检查

背景：我手上有一份玉米期货十年日频行情 Excel，以交易日为索引，想用深度学习做预测。目标：先完成环境配置，读取数据并画出十年收盘价走势做直观检查。约束：请用 Python、pandas 和 matplotlib，可视化用 seaborn 样式，注意中文字体与负号显示，图片按 300dpi 保存。

从走势看，价格先后经历高位震荡、2016 年前后的断崖下跌与 2020 年后的加速上行（见上文数据展示图），三个阶段的分布差异极大——这为后文模型的两次翻车埋下伏笔。这里先讲一段背景：2016 年前后国内取消了实施多年的临时收储政策，玉米定价由政策托底转向市场供需，价格中枢随之重估（行业术语：结构性断点）。对模型而言，这种断点意味着”历史规律”可能失效。

提示词：直接建模预测下一日收盘价

背景：数据已就绪，我想先做最直接的尝试——用过去 30 个交易日的收盘价预测下一日收盘价。目标：构建训练集（2013—2021）与测试集（2022 全年），搭建一个单层 LSTM 回归模型。约束：请用 TensorFlow 的 Sequential 接口，LSTM 50 个单元，损失用均方误差，配早停策略防止过拟合，时间步长设为 30。

LSTM 的记忆能力来自三个门控单元，用简单符号表示：遗忘门 f = σ(W·[h, x] + b) 决定丢弃多少旧记忆，输入门 i = σ(W·[h, x] + b) 决定写入多少新信息，输出门 o = σ(W·[h, x] + b) 决定输出多少；其中 σ 是把数值压到 0 到 1 之间的 sigmoid 函数。损失采用均方误差 mse，即对各样本误差的平方取平均。

LSTM玉米期货价格预测：2013-2022年收盘价历史走势

损失量级高达百万级别，且第 10 轮之后验证损失从接近 0 反弹到约 5.1e6，训练彻底发散。原因在于收盘价是 1500 到 3000 的原始量级，均方误差对这种量级极其敏感，而测试集价格整体高于训练集，模型无法同时适配两段分布。

LSTM期货价格预测：未归一化模型的训练与验证损失发散曲线

预测值恒定在 1150 附近，与 2800 左右的真实价格完全脱节。这一课的结论很直接：未经归一化的 LSTM 基本不可用，网络内部激活值在大数值下饱和，模型只学到了”输出一个训练集中出现过的低价水平”。

提示词：引入 MinMax 归一化约束

背景：上一版模型发散了，问题出在价格量纲上。目标：把收盘价缩放到 0 到 1 区间后重新训练，并在预测完成后还原回真实价格。约束：请用 sklearn 的 MinMaxScaler，网络结构与超参数保持不变，注意预测值要做反归一化。

归一化公式很简单：x’ = (x − x_min) / (x_max − x_min)，即把原值按最小最大值线性映射到 0 到 1。有一点需要提醒：这里的缩放器是在全样本上拟合的，严格做法应当只用训练集拟合再套用到测试集，否则存在轻微的数据泄露，实盘建模时要格外小心。

LSTM期货价格预测：未归一化模型预测值与真实值脱节对比

损失量级降到 0.05 以内，训练与验证曲线平滑收敛、贴合度高，再无发散迹象。

LSTM玉米期货价格预测：归一化后训练与验证损失平滑收敛

预测曲线与真实曲线形态吻合，但如果答辩席上被问到”这算预测成功了吗”，标准答案藏在细节里：预测线是真实线右移一天的影子。对高度随机游走的金融序列而言，”用昨天的价格预测今天”就是均方误差损失下的近似最优解，模型学会的正是这一点。每个拐点都跟不上，对交易而言没有增量信息——这正是导师们常追问的”基准对比”问题：任何预测模型都必须先跑赢朴素预测才有意义。

方法细节：转向对数收益率建模

本章核心结论：对数收益率更平稳，但收益方向在均方误差损失下不可回归，模型会退化为输出均值。

提示词：改用对数收益率作为预测目标

背景：价格水平预测陷入滞后陷阱，我想改预测对数收益率，它更平稳且有可加性。目标：计算日度对数收益率并可视化检查，再用同样的 LSTM 框架回归收益率。约束：对数收益用相邻两日收盘价之比取自然对数，缺失首行要剔除，模型超参数沿用上一版。

对数收益的定义：r = ln(P / P_prev)，P 为当日收盘价，P_prev 为前一日收盘价。

LSTM期货价格预测：归一化后预测曲线滞后一天的朴素预测形态

收益率围绕 0 波动，2015 到 2016 年出现幅度超过 ±0.15 的剧烈波动簇，之后明显收窄——金融收益率序列的波动聚集特征一览无余。这就像天气里的台风季：大波动往往扎堆出现，平静期则持续平静（行业术语：波动聚集效应）。

玉米期货对数收益率序列：2015-2016年波动聚集特征

LSTM对数收益率回归：训练与验证损失收敛曲线

损失收敛得很漂亮，但预测值几乎是一条贴着 0 的水平线，而真实收益在 ±1% 以上剧烈跳动。模型在均方误差损失下选择了最保险的答案——输出无条件均值。这印证了金融计量的经典结论：收益率接近随机游走，条件均值极难预测，能预测的往往是波动率而不是收益方向。

模型训练设置：CNN涨跌分类与TA-Lib技术指标

本章核心结论：把回归改造成二分类后，模型输出才具备交易价值；技术指标特征与合理的标签设计是关键。

提示词：把回归问题改成涨跌分类

背景：回归路线两次碰壁，我想不问”明天涨多少”，只问”明天涨不涨”。目标：以上涨为 1、下跌为 0 构造标签，检查标签分布，再用一维卷积网络做二分类。约束：卷积层 64 个卷积核、核长 3，接池化与全连接，输出层用 sigmoid，损失用二元交叉熵，时间序列切分严禁打乱，最后 242 条（2022 全年）留作测试集。

LSTM对数收益率回归：预测值退化为贴零水平线与真实收益对比

标签 1 占 53.2%、标签 0 占 46.8%，两类基本均衡，可以直接用准确率评估。顺便回答一个高频疑问：类别接近均衡，准确率才不会骗人；若遇到 7 比 3 的失衡行情，就要改用查准率、查全率或 F1 分数。

CNN 的卷积核在时间轴上滑动提取局部形态，像一台”技术形态识别器”，计算效率也高于 LSTM。输出层用 sigmoid 把预测压到 0 到 1，表示次日上涨的概率；训练目标是二元交叉熵：L = −平均[y·log(p) + (1−y)·log(1−p)]，p 为模型给出的上涨概率。

提示词：加入 TA-Lib 技术指标特征

背景：只用收盘价特征太单薄，实盘交易员都会看指标。目标：计算 RSI、KDJ、动量、MACD 与 5 日成交量均线共 7 个技术特征，标签改为按次日收盘涨跌打标，重新训练分类模型。约束：请用 TA-Lib 计算指标，指标窗口产生的前置缺失要剔除，回看窗口加长到 30，卷积核加宽到 7，早停耐心降到 3。

指标补齐后特征矩阵是 30 日回看窗口乘 7 个技术指标，卷积核也从 3 加宽到 7，覆盖约一周半的指标形态，池化层去掉以保留更完整的时间结构。

测试结果与对比：玉米期货量化择时策略回测

本章核心结论：以预测标签驱动的择时策略在 2022 年样本外取得了远小于被动持有的回撤，风险调整后表现更优。

提示词：把预测标签落成可回测的择时策略

背景：分类模型已输出 2022 年每日的涨跌预测标签。目标：构造”看涨持仓、看空空仓”的择时策略，与被动持有对比全年累计收益。约束：仓位必须用前一日的预测标签对齐当日收益，杜绝未来函数；累计收益用逐日连乘计算。

玉米期货涨跌二分类：标签分布上涨53.2%与下跌46.8%

2022 年玉米期货先涨后崩再修复：被动持有 5 月最高冲到约 +12.6%，7 月初最深跌至约 −5.2%，年末收于约 +4.3%；策略曲线明显更平滑，最高约 +8.9%，7 月低点约 −1%，年末收于约 +2.8%。策略的绝对收益略低于被动持有，但最大回撤大幅收窄，以”每承受一单位回撤换取的收益”衡量，风险调整后表现更优。分类模型给出的不是精确价格，而是可执行的仓位信号——这才是它真正的价值。

建模路径对比：

做成一个可交互 Agent

1. 为什么要做成 Agent？

左侧”Jupyter Notebook 手动流程” vs 右侧”Streamlit Agent 交互流程”的对比示意，用两张卡片呈现差异：手动改代码/重跑 vs 上传文件/拖滑块/点按钮

玉米期货量化择时策略回测：2022年策略与被动持有累计收益对比

---

2. 拆解

原文的流水线其实是一条清晰的链路，先把每一步拆成”输入 → 处理 → 输出”的契约，后面才能封装成函数：

1. 读取数据：玉米十年行情数据.xlsx（2428 行，2013-01-04 ~ 2022-12-30，列：日期/开盘价/最高价/最低价/收盘价/成交量）→ 日期索引 DataFrame。
2. 特征工程：用 talib 算 RSI、随机指标 STOCH、动量 MOM、MACD、成交量均线。Windows 上 TA-Lib 没现成 wheel，我们用 pandas 等价实现（下文标注「此处根据原文逻辑补充」）。
3. 构造监督样本：滑窗——用过去 n_steps 天的数据，预测下一天。回归任务预测价格/对数收益；分类任务预测”涨(1)/跌(0)”。
4. 建模训练：实验二/三用 LSTM 回归（预测收盘价/对数收益）；实验四/五用 CNN 分类（预测涨跌，实验四看收盘价序列、实验五看 7 个技术指标）。
5. 评估与回测：回归看 RMSE/MAE/MAPE；分类看准确率、混淆矩阵；实验五末尾做”预测涨则次日持仓”的策略回测，对比被动持有。

• 总记录 2428 个交易日；训练区间 2013 ~ 2021，测试区间 2022 全年 242 个交易日。
• 涨跌标签：log_return >= 0 记为 1（涨），占比约 53.2%；0（跌）约 46.8%（基本均衡，可直接用准确率评估）。
• 五个任务对应的原文实验：

• lstm_close：LSTM 回归·收盘价（实验二，MinMax 归一化）
• lstm_logret：LSTM 回归·对数收益（实验三）
• cnn_close：CNN 分类·收盘价序列（实验四，lookback=20）
• cnn_tech：CNN 分类·技术指标（实验五，lookback=30 / 7 特征）

原文的事实数字（全流程唯一数字来源，教程/代码/样例数据必须一致）：

重要提醒：深度学习结果受随机初始化影响，重跑不会逐位相同。原文公布的准确率只是”基准附近的一个值”，我们的 Agent 提供「随机种子」控件（默认 42），固定后结果可复现；不固定时通常在基准值附近小幅波动。这是正常现象，不是 bug。

---

3. 目标形态：Agent 长什么样

我们用 Streamlit 搭界面（Python 写前端，不用学 HTML/JS）。整体交互顺序：

1. 页面顶部标题 + 副标题。
2. 侧栏（左）：数据源选择、任务下拉、时间步长/训练轮数/早停/单元数/随机种子滑块、训练与测试区间、主按钮「开始训练并生成报告」。
3. 主区（右） 分五块顺序渲染：

• ① 数据概览：记录数、起止日期、测试区间交易日数、当前任务 4 个指标卡 + 原始表尾 + 收盘价走势图。
• ② 目标变量分布：分类任务显示涨跌标签饼图；回归任务显示收盘价/对数收益曲线。
• ③ 训练过程：Train/Validation Loss 曲线 + 实际训练轮数。
• ④ 预测值 vs 真实值：回归显示双线对比 + RMSE/MAE/MAPE；分类显示混淆矩阵 + 准确率。
• ⑤ 回测与绩效：分类显示「策略 vs 被动持有」累计收益曲线 + 绩效表；回归显示误差分布直方图。

Streamlit 初始空界面——左侧栏参数齐全、右侧主区只显示 ① 数据概览 与 ② 目标变量分布，下方提示”设好参数后点击开始训练并生成报告”

界面一上来就先画 ①②，是故意的：让用户在训练前先”看一眼数据对不对”，避免训练半小时才发现数据读错了。这是 Agent 比 Notebook 体验好的细节之一。

---

4. 环境与安装

需要的库：streamlit、pandas、numpy、scikit-learn、matplotlib、tensorflow-cpu（CPU 版够用，训练数据量小）、openpyxl（读 xlsx）。

第 0 步先检查磁盘：全家桶约 1 GB，venv 务必建在可用空间 > 5 GB 的盘（实测 C 盘只剩 540 MB 时，装到 37 分钟才报 No space left on device）。TensorFlow 目前没有 Python 3.13 的 wheel，请用 3.12。

侧栏参数区特写——数据源=内置示例数据、任务=CNN 分类·技术指标、lookback=30、epochs=50、patience=3、units=50、seed=42、训练截止 2021-12-31、测试 2022-01-01~2022-12-31

验证装好了：

python -c "import streamlit, tensorflow as tf; print(tf.__version__)"# 应输出 2.19.0

---

5. 数据准备：CSV 列规范

Agent 读取的 CSV 至少要有这些列（与原文 xlsx 一致）：

日期,开盘价,最高价,最低价,收盘价,成交量2013-01-04,2430,2445,2428,2440,123456...

• 日期列会被 pd.to_datetime 解析并设为索引。
• 原文配套的 玉米十年行情数据.xlsx 我们直接转成 CSV（data/corn_futures.csv，UTF-8-SIG 编码），不是凭空造数——这样能反算出原文的 2428 行、2022 年 242 个交易日、标签 1 占比 53.2%。
• xlsx 里有 成交额 等列也无妨，load_data 只取需要的几列。

终端执行 pip install 安装成功的末尾界面，显示 Successfully installed streamlit-x.x、tensorflow-cpu-2.19.0 等

---

6. 骨架搭建：侧栏收参 → 主区分段渲染

Streamlit 的执行模型是”脚本每次交互重跑一遍”。我们用「侧栏定义控件 → 主区先画 ①② → if not go: st.stop() → 再画 ③④⑤」的两段式，保证没点按钮前不触发训练：

① 数据概览界面——4 个指标卡显示”记录数 2428 / 起止 2013-01-04 → 2022-12-30 / 测试区间交易日 242 / 当前任务 CNN 分类·技术指标”，下方是收盘价走势红线图

为什么用 st.stop() 而不是 if go: 包住后面所有代码？因为 ③④⑤ 依赖训练结果对象，用 st.stop() 提前结束脚本更干净，也不会因为缩进套太多而出错。

---

7. 核心模块逐个实现

7. 1 数据读取 load_data

读 CSV/xlsx → 日期索引。支持上传文件（UploadedFile）或默认内置数据。

7. 2 技术指标 add_indicators（pandas 等价 talib）

原文用 talib，Windows 装不上，我们给出等价的 pandas 实现。

代码编辑器里，上面这段”侧栏 + st.stop() 两段式”的高亮代码

7. 3 滑窗 prepare_data / prepare_multi

把一维/二维序列切成 (样本, 窗口) 的监督学习格式。

add_indicators 函数高亮代码——RSI 用 ewm(alpha=1/14) 的 Wilder 平滑、STOCH 用 rolling(5) 的 min/max、MACD 用 ewm(12/26/9)、MA5_volume 用 rolling(5)

7. 4 模型 build_lstm / build_cnn

Keras Sequential。build_cnn 的 pool 参数区分实验四（有池化）和实验五（作者注释掉了池化）。

7. 5 评估 perf_table / run_backtest

分类任务做”预测涨→次日持仓”的策略回测，和被动持有比累计收益。

三个细节别省：① 训练/测试区间用字符串字典序切片（df.loc['2022-01-01':'2022-12-31']），因为 pandas 读进来的日期索引在某些环境是字符串；② 区间不能重叠，否则用到未来函数，Agent 在后端硬校验并 st.error 报错；③ 准确率与原文口径一致（53.2% 标签比下的准确率）。

---

8. 参数怎么调（以及调错会怎样）

③ 训练过程界面——Train/Validation Loss 双线随 Epoch 下降，下方文字”实际训练轮数 5 轮（EarlyStopping patience=3）”

④ 预测对比界面（分类）——3.6×3.0 混淆矩阵热力图，标题”混淆矩阵”，上方大号指标卡”模型准确率 49.6%”

⑤ 回测界面——”被动持有 vs. 策略”累计收益双线图，下方绩效表两行（被动持有 / CNN 策略，含累计收益/年化/夏普/最大回撤）

注意准确率约 49.6% 这一数字：玉米日涨跌本身接近随机（标签 1 才 53.2%），所以这个任务本质很难，50% 左右是合理水平，原文也在这个量级。本例在固定随机种子 = 42 下跑出 49.6%，换种子通常在 48%~55% 之间波动。Agent 的价值是让你秒级切换模型/参数对比，而不是宣称能稳赚。

---

9. 可测试页面版本

你自己有别的期货 CSV，只要列名一致，点「上传我的 CSV」即可换数据跑。

整页报告（cnn_tech 任务）从上到下的长截图——标题、①数据、②饼图、③Loss、④混淆矩阵+准确率、⑤回测曲线+绩效表，五区块完整排列

prepare_data 与 prepare_multi 两个函数的高亮代码——前者一维回归、后者多特征分类，均用 for 循环滑窗

第二组实验 lstm_close 回归界面——④ 预测值(红虚线) vs 真实值(蓝实线) 双线对比 + RMSE/MAE 指标卡，⑤ 误差分布直方图

局限性与失败分析

基于原文事实，本文方法存在以下局限，全部如实列出：

1. 数据泄露隐患：MinMaxScaler 在全样本上拟合，严格做法应只用训练集拟合，原文代码未做切分。
2. 滞后陷阱未根治：归一化后的价格回归仍是朴素预测的变体，原文未提供相对朴素预测基准的误差对比。
3. 收益回归退化：对数收益率模型输出退化为近似 0 的常数，说明该目标在该设定下不可回归，原文未继续做波动率建模。
4. 消融信息缺失：技术指标版本的分类准确率、混淆矩阵等指标原文未给出具体数值，消融对比原文未提供。
5. 样本外区间单一：回测仅覆盖 2022 年一个年度、单一品种，未计交易成本与滑点，泛化能力有待多品种、多年份验证。
6. 标签设计简化：涨跌标签未设阈值过滤微幅波动，噪声标签可能影响分类器训练。

系统实现与落地

整套流水线按”数据准备 → 切样函数 → 回归模型 → 分类模型 → 回测”组织为五个模块。

配套工具与资源

依赖说明：Python 3.x，核心依赖为 pandas、numpy、matplotlib、tensorflow（Keras 接口）、 scikit-learn 、TA-Lib。示例运行命令：python src/lstm_price.py（以代码包实际接口为准）。图表输出为 300dpi 的 jpg 文件，与文中图 14-1 至图 14-10 一一对应。

结论与展望

本文完成了一次完整的玉米期货深度学习建模路径对比：技术上，”价格回归→收益率回归→方向分类”的演进说明金融时序建模必须先识破量纲发散与滞后复制两类陷阱，再把问题改造成模型真正能回答的形式；业务上，CNN 涨跌分类驱动的择时策略在 2022 年样本外把最大回撤从约 −5.2% 收窄到约 −1%，适合作为量化择时的辅助模块嵌入现有风控流程。后续可引入成交量、持仓量、基差等多源特征，尝试 LSTM、Transformer 等序列模型做分类，调优概率阈值，并计入交易成本做更真实的回测。玉米期货价格预测的价值不在算准价格，而在生成可执行、可控回撤的仓位信号。

常见问题 FAQ

1. 为什么未归一化的价格序列会让 LSTM 训练发散？ 收盘价处于 1500 到 3000 的原始量级，均方误差损失对量级极其敏感，网络内部激活值饱和后无法收敛，验证损失在第 10 轮后反弹至约 5.1e6（见文中损失曲线）。
2. 归一化后 LSTM 预测收盘价为什么滞后一天？ 对接近随机游走的金融序列，均方误差损失下的近似最优解就是”复制昨天的价格”，预测线因此成为真实线右移一天的影子；判断模型有效必须先跑赢朴素预测基准。
3. 玉米期货的对数收益率可以直接回归预测吗？ 不能。模型在均方误差损失下输出退化为贴零水平线，即无条件均值；收益率接近随机游走，条件均值极难预测，能预测的往往是波动率。
4. 为什么改用 CNN 做涨跌分类？ 卷积核在时间轴上滑动提取局部形态，类似”技术形态识别器”，计算效率高于 LSTM；输出层 sigmoid 给出上涨概率，按阈值即可生成仓位信号。
5. 入模的技术指标有哪些？ TA-Lib 计算的 RSI、KDJ（%K、%D）、动量 MOM、MACD 及信号线、5 日成交量均线，共 7 个特征，构成 30 日回看窗口的特征矩阵。
6. 时间序列数据为什么不能随机打乱后划分训练集测试集？ 随机打乱会让未来信息泄露进训练集，评估失真；本文按时间线切分，最后 242 条（2022 全年）留作样本外。
7. MinMax 归一化有什么容易踩的坑？ 本文缩放器在全样本上拟合，存在轻微数据泄露；严格做法是只用训练集拟合，再套用到测试集。
8. 回测如何避免未来函数？ 仓位用前一日的预测标签对齐当日收益（position.shift(1)），即收盘时点决策、次日才产生收益，杜绝”用当天预测做当天决策”。
9. 策略回测的实际效果如何？ 2022 年样本外：策略年末累计收益约 +2.8%、7 月最大回撤约 −1%；被动持有年末约 +4.3%、最大回撤约 −5.2%。策略绝对收益略低，但风险调整后更优。
10. 涨跌标签的类别分布是否均衡？ 上涨标签占 53.2%、下跌占 46.8%，基本均衡，可直接用准确率评估；若失衡应改用查准率、查全率或 F1 分数。
11. 本文数据从哪里来？ 由拓端团队整理核对的玉米期货十年日频行情（2013—2022，含开高低收与成交量），全部内容真实有效。
12. 能否把这套方法迁移到其他品种？ 流水线可直接迁移，但需注意单品种单年度验证的局限，应做多品种、多年份滚动验证并计入交易成本后再评估实盘价值。

参考文献与延伸阅读

原文未附参考文献列表。延伸阅读可参见文中”相关文章”模块：《Python、LSTM神经网络模型与沪深300、中证500股指预测》。

附录：方法细节补充

• 滑动窗口切样函数 make_samples 以时间步长 30 构造监督学习样本，是全部模型的公共组件。
• 早停策略监控验证集损失，LSTM 回归版耐心值为 5，技术指标分类版降为 3。
• 技术指标版本卷积核从 3 加宽到 7 并去掉池化层，以保留更完整的时间结构。

作者声明

作者系深度学习与量化研究领域分析师，拥有多年金融数据挖掘与策略回测经验。本文完整代码、数据与配套AI Agent、skill请阅读原文链接获取。