Сверточная нейронная сеть для прогнозирования фондового рынка, регрессия

Я работаю над проектом прогнозирования фондового рынка с использованием анализа настроений. Я пытаюсь создать модель CNN, в которой я передаю данные о запасах за 4000 дней с размером пакета 100. В конце плотного слоя я хочу добавить регрессионный слой, чтобы получить цену акций.

def Model(train_data):
input_layer = tf.reshape(tf.cast(train_data, tf.float32), [-1, 1, 100, 2])
conv1 = tf.layers.conv2d(inputs=input_layer,filters=32,kernel_size=[1, 5],padding = "same",
                     activation=tf.nn.relu,strides=1,kernel_initializer=tf.contrib.layers.variance_scaling_initializer())
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[1, 2], strides=[1,2])
conv2 = tf.layers.conv2d(inputs=pool1,filters=8,kernel_size=[1, 5],padding = "same",activation=tf.nn.relu,
                    strides=1,kernel_initializer=tf.contrib.layers.variance_scaling_initializer())
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[1, 5], strides=[1,5])
conv3 = tf.layers.conv2d(inputs=pool2,filters=2,kernel_size=[1, 2],padding = "same",activation=tf.nn.relu,
                    strides=1,kernel_initializer=tf.contrib.layers.variance_scaling_initializer())
pool3 = tf.layers.max_pooling2d(inputs=conv3, pool_size=[1, 2], strides=[1, 2])
pool3_flat = tf.reshape(pool3, [40, 1 * 5 * 2])
dense = tf.layers.dense(inputs=pool3_flat, units=5, activation=tf.nn.relu)
dropout = tf.layers.dropout(
  inputs=dense, rate=0.2, training=mode == tf.estimator.ModeKeys.TRAIN)
logits = tf.layers.dense(inputs=dropout, units=1)

Я имею в виду модель https://www.tensorflow.org/tutorials/estimators/cnn, но они проводят классификацию. Кто-нибудь может предложить подход к регрессии? Train_data для модели имеет форму [2,4000], где одна строка предназначена для нормализованных цен акций, а другая - для фактора настроения.