1. 与百分比变化相比，对数回报是对称的。log(a/b) = - log(b/a)从理论上讲，这（偏度较小）可以为大多数模型（线性回归、神经网络）带来更好的结果。
2. 如果值接近零，像 lstm 这样的神经网络会更好地工作，但归一化的差异通常不会那么大。
3. 任何回报（对数或百分比）都优于原始值，因为价格会根据之前的价格而变化。与之前的价格相比，它们的绝对（原始）值的影响几乎可以忽略不计。

我建议首先转换为对数返回，然后进行规范化。如果是每日价格，那么我会将日志收益除以 0.05。价格变化在分布中具有非常重的尾部，所以我不建议使用 minmax，因为那样你除以 0.5（可能处于大萧条时期）并且所有值都太接近于零。除以标准偏差也应该是好的。

但现实与理论不同，因此最好进行基准测试。也许百分比变化会更好，因为这是人们看到并做出反应的数字。市场在很大程度上与心理学有关。

并准备好看到非常高的错误和糟糕的模型。金融市场在实践和理论上都很难预测。根据经济理论，如果它们是可预测的并且人们是理性的并且拥有无限的信用额度，那么与整个市场相比，任何赚取额外资金的可能性都将在几毫秒内关闭。只有当您找到某种方法来分析当前没有人使用的数据时，您才能赚钱。神经网络在 1990 年代被讨论以预测金融市场。所以 LSTM 在 2018 年并不是真正的新事物。