解决此问题的最佳方法是更改​​ X 的值。例如，如果您使用 -%2 和 %2 作为分类限制，例如 sell(<-%2)、buy(>%2) 和 no否则采取行动；您可以将其减少到 %1，这反过来会减少属于此类的样本数量，同时增加买卖类中的样本数量。

如果你想保持这个值，那么要走的路就是欠采样：在训练时，你从每个类中抽取相同数量的样本，这意味着你忽略了没有动作类的部分数据。所以你的训练和验证集将是平衡的，你可以使用准确性作为一个适当的指标。

如果这对您来说也不是一个好的选择，另一种方法是尝试更改每个输出的分类阈值，以便它们的可能结果大致相等。但这可能有点复杂，因为您有 3 个类（对于 2 个类，这可以通过将分类阈值从 0.5 更改为相对简单的方式来完成）。

如果这些都不适合您，您可以在此处找到解决不平衡问题的更通用方法。如果您希望使用不同的指标，可以在此处列出并详细讨论最流行的指标。您可能不需要定义自定义指标，因为几乎每个选择都有一个。

我建议你玩样品重量。我的建议是尝试更多地考虑采取行动，这样你就可以配置更多的惩罚，而不是预测买入或损失。请记住，这也可能导致误报（您被告知在不应该采取行动时采取行动），因此请对此权衡进行一些测试。

也许另一个想法是简单地尝试使用二进制分类（无论是否采取行动），然后根据您的领域专业知识应用一些基于规则的行动。人们多年来一直使用算法交易，这种方法/步骤很可能会奏效，甚至是必需的。确实这不是一件容易的事，但在现实生活/机器学习模型的部署中，您可能必须链接程序以更好地自动化流程。你不能太贪心，把所有的负载都放在一个模型上，尤其是当任务变得更加复杂时。

另一个注意事项，说你的模型旨在最大化准确性并不完全正确（因为你的模型是基于损失学习的，而准确性只是一个评估指标，碰巧最小化损失最终会提高准确性）。

作为 84% 的数据，任何模型都会尝试收敛到无动作类。我会同意 SuperCodeBrah 对您的数据集使用欠采样的意见。我遇到了类似的情况，但是对低级数据进行过采样不起作用，所以我选择了欠采样并使用了双向 LSTM。它确实收敛到一个平衡的模型。是的，CNN 对数字很有效，但我建议你应用双向 LSTM。

您可以结合 LSTM 和 Dropout 层应用不同的度量，以降低过度拟合的风险，因为它在不平衡的数据情况下很常见。

希望这个小实验能奏效