Список проголосовавших за комментарий "Хотя формально это сеть, но на мой взгляд, тут много моментов как не надо делать:<br/> <br/> Сети хороши на сыром сигнале — в нашем случае котировках. В реальных задачах не работают неглубокие сети, а так же сети из полносвязный слоев. Тут мы видим сеть из пары полносвязный слоев и придуманными в ручную признаками — в такой ситуации лучше использовать другие методы: градиентный бустинг, случайный лес, а в таком простом случае может и логистическую регрессию. <br/> <br/> Данных слишком мало — нужно на порядок минимум больше по моему опыту.<br/> <br/> Признаки слишком разного типа и масштаба — на таких данных сети не учат. Количественные признаки нужно нормировать к одному масштабу, а порядковый (номер в периоде) превращать в эмбеддинг. Правда порядковый признак сам по себе очень странный, но я в теме торговли на пятиминутках не сильно смыслю, возможно он имеет смысл. <br/> <br/> Никто в реальной жизни не учит сети с помощью Nelder-Mead Optimization — лучше использовать AdamW, да и сам подход к оптимизации на мой взгляд страшно странный — насколько я понял у вас вообще один большой обучающий пример получается. Не удивительно, что такая переподгонка. Нужно бить данные на множество маленьких эпизодов и подсовывать их сети в качестве отдельных обучающих примеров.<br/> <br/> Подход к разметке данных для обучения хорошо описан тут <br/> <a href="/r.php?u=https%3A%2F%2Fwww.amazon.com%2FAdvances-Financial-Machine-Learning-Marcos%2Fdp%2F1119482089%2F&s=549088123">www.amazon.com/Advances-Financial-Machine-Learning-Marcos/dp/1119482089/</a><br/> <br/> Книга про ML, но в разметка для DL делается аналогично"