企业官网建设流程全解析

简介：面向量化交易与深度学习入门者，一套基于Keras的LSTM股票预测实战资源包，完整演示股票收益率预测流程：从原始行情数据清洗与时间序列构造，到多变量特征准备、模型训练，再到预测结果反归一化还原，覆盖数据预处理、特征工程、建模与评估的完整链路。以600000.SH股票2016年3月至2017年12月为回测区间，提供损失与RMSE计算结果，可直观对比不同参数下的预测误差。压缩包共4个文件，含2个zip数据包（覆盖20支股票原始行情、损失曲线数据）、1个Python源代码脚本及1份背景介绍文档，整体约3.87MB，结构清晰。目前已有4797人学习下载，适合作为量化交易课程实验、毕业设计或自学LSTM预测应用的参考，可帮助读者减少数据准备与代码调试时间，快速复现一套可运行的股票预测基线方案，并为后续改进模型提供对照。

1. 股票预测的第一直觉为什么选 LSTM

跑通第一版 LSTM 股票预测代码的人，评价往往走两个极端：要么觉得窗口数据一喂就能画出漂亮曲线，要么发现预测值总比真实行情“慢一拍”。这两种印象都不算错，因为 LSTM 能记住序列里的短期形态，而股票数据一步一噪声，它最擅长的是在给定窗口内做非线性回归，而不是真的看穿下一根 K 线。对 Keras 用户来说，真正的门槛不在model.add，而在把行情数据整理成 (samples, time_steps, features) 这个形状。这篇文章讲的是一条完整链路：从 CSV 数据集清洗，到构造监督学习样本，再到 Keras 训练和预测结果修正。适合刚接触时间序列预测、想用 Python 做回归实验的开发者照着跑一遍。

2. 用 Keras 之前，先把股票序列改成监督学习样本

LSTM 本身不是一个“股票预测器”，它做的事情是把一段序列映射成一个输出。要让 Keras 处理股票数据，得先把连续的价格序列切成一堆“窗口 + 标签”的配对，也就是把时间序列问题改写成监督学习问题。下面这个表展示的是一组典型样本：用前 10 天的收盘价预测下一天。

每行样本就是沿着时间轴滚动一格得到的，这种构造方式决定了模型能看到的“记忆范围”。

2.1 滑动窗口的三个边界：lookback、horizon、features

窗口大小在代码里通常叫lookback，它表示模型每次能用多少天（或多少根分钟线）的历史信息。标签和窗口之间的距离叫horizon，股票日线预测里最常见的是 horizon=1，即用历史窗口预测下一个交易日。第三个边界是特征数量，只放收盘价时 features=1；加入成交量、开盘价、最高最低价后 features 会变成 3 或 5，输入样本的宽度随之变宽。

这三个值必须在造数据集时就固定下来。常见做法是lookback取 10 到 60 之间，horizon取 1，特征的增加靠拼接多个序列列实现。实际写代码时，我一般先用单特征跑通，再逐步加特征，避免一开始就面对多维输入带来的排查困难。

2.2 Keras 的 LSTM 输入形状：为什么是三维而不是两维

刚接触 Keras 的人最容易在这里报错：Input 0 of layer "lstm" is incompatible with layer。原因是 LSTM 层期望三维输入，而 DataFrame 或 numpy 二维数组直接喂进去自然不匹配。三维的含义分别是：batch size（一次喂多少条样本）、time steps（每条样本的窗口长度）、features（每条样本每个时间步有几个数值）。

import numpy as np # 模拟 1000 条样本，每条样本含 20 个时间步，每个时间步 3 个特征 X = np.random.randn(1000, 20, 3) y = np.random.randn(1000, 1)

这里的X.shape就是 LSTM 需要的形状。第一维 1000 在训练时会按 batch 切分，第二维 20 对应lookback，第三维 3 对应特征数。写代码时很多问题不在于模型参数，而在于X_train.reshape(-1, 20, 1)这一步有没有正确还原三个维度。

2.3 预测收益率而不是价格：避开数值范围漂移

把收盘价原封不动喂给 LSTM 虽然能跑，但训练过程通常比较难受。原因是股价序列的数值范围会随着时间不断变化，比如一只票从 10 元涨到 50 元，网络要同时拟合 10 附近和 50 附近的波动，梯度会被大数值样本带走。更常见的做法是先对价格做差分或取收益率，让序列变成相对平稳、围绕零附近波动的形态。

import pandas as pd df = pd.read_csv("stock.csv") close = df["close"] # 用对数收益率替代原始价格 df["log_return"] = np.log(close).diff() df = df.dropna(subset=["log_return"]).reset_index(drop=True)

这里使用对数收益率而不是简单差分，是因为对数收益率在数学上可加，且数值范围比价格序列收敛得多。注意dropna会把第一行缺失值删掉，后续构造窗口时样本总数会比原始数据少lookback + 1行，这是正常现象。

2.4 单向 LSTM 够用：不要在做回归时偷看未来

一些人在模型结构上犹豫是不是要上双向 LSTM。双向结构在训练时可以让每个时间步同时看到窗口前后的信息，这对文本情感分类这类任务很有效，但用在股票预测上有一个逻辑漏洞：训练阶段模型读了窗口后面的数据，预测阶段却拿不到后面几天的真实值。当然可以用双向结构配合完整的过去数据做特征提取，但对日线级别的单变量预测来说，收益很小，反而增加参数量。

因此这套代码里用的是单向 LSTM，return_sequences=False，直接输出最后一个时间步的隐藏状态，再接全连接层完成回归。这也是时间序列预测里最常见、最不容易出错的配置。

3. 股票数据集构建：从 CSV 清洗到标准化切分

标题里说的“数据集”，在工程上落到两个环节：一是准备一份至少几百条的日线或分钟线行情数据，二是把原始 CSV 处理成模型直接能用的 numpy 数组。数据质量直接决定训练能否收敛，模型结构反而是相对固定的那一部分。

3.1 拿到 CSV 后的前几步：排序、加日期索引、检查缺失

公开的行情 CSV 一般至少有 date、open、high、low、close、volume 这几列。读取时先把日期列转成 datetime 并排序，避免数据源里按任意顺序存储导致窗口错位。随后要检查有没有停牌导致的空行，这些缺失值在构造样本前必须处理掉。

import pandas as pd df = pd.read_csv("stock.csv", parse_dates=["date"]) df = df.sort_values("date").reset_index(drop=True) df = df.dropna(subset=["close"]).reset_index(drop=True) print(df.shape) print(df.head())

读取之后的排序和去空行是标准的清洗步骤。reset_index(drop=True)的作用是让行号从 0 开始连续排列，后面做时间切分和窗口切片时才不会出现索引跳跃。如果数据集里有极端异常值，比如某天收盘价明显错误，可以在这一步用分位数截断处理，但幅度要控制，避免把真实行情削掉。

3.2 先切分再标准化：MinMaxScaler 只能落在训练段

数据泄漏是时间序列任务里最容易被忽略又最致命的问题。图像分类任务里随机划分训练测试集没有风险，但股票数据一旦用全量数据去拟合标准化参数，测试段的统计信息就会提前进入训练过程。常见做法是先把序列按时间顺序切成三段，再用训练段的数据去 fit 标准化器。

from sklearn.preprocessing import MinMaxScaler total = len(df) train_end = int(total * 0.7) valid_end = int(total * 0.85) train_data = df["close"].iloc[:train_end].values.reshape(-1, 1) valid_data = df["close"].iloc[train_end:valid_end].values.reshape(-1, 1) test_data = df["close"].iloc[valid_end:].values.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1)) scaler.fit(train_data) # 只能 fit 训练段 train_scaled = scaler.transform(train_data) valid_scaled = scaler.transform(valid_data) test_scaled = scaler.transform(test_data)

注意这里先拟合训练段的 min 和 max，再用同一套参数去转换验证集和测试集。reshape(-1, 1)是因为 sklearn 的 scaler 不接受一维数组，必须显式变成单列二维矩阵。如果你后续要加入成交量、涨跌幅等多个特征，应该对每个特征分别 fit 对应的 scaler，而不是把整个矩阵一起缩放。

3.3 时间切分比例与收益率的取舍

常见的切分比例是 7:1.5:1.5，也就是训练集 70%、验证集 15%、测试集 15%。这个比例对几百条日线数据来说足够看到模型是否过拟合。如果用的是分钟线，数据量有几万条，可以适当把验证集压缩到 10%，训练集扩到 80%。

如果数据集本身只有一两百条，LSTM 很难学到有价值的时间依赖，这时候把 lookback 设成 5 到 10，并把 LSTM 单元数降到 16 或 32，模型还能做基础性的演示。不要在小数据集上强行堆大网络，验证集 loss 会明显发散。

3.4 可复用的造样本函数：lookback 与 horizon 分开设计

这是整个源代码里最值得复用的函数。它把标准化后的序列变成监督学习用的 X 和 y，同时让 lookback 和 horizon 成为独立参数，方便后面做多步预测实验时直接调整。

import numpy as np def make_sequences(features, lookback=20, horizon=1): """ 把时间序列切成 (X, y) 监督学习样本。 features: 二维数组，shape = (样本数, 特征数) lookback: 每个样本包含多少个历史时间步 horizon: 标签与窗口末尾的距离，1 表示预测下一时刻 """ X, y = [], [] total = len(features) for i in range(lookback, total - horizon + 1): X.append(features[i - lookback:i, :]) y.append(features[i + horizon - 1, 0]) # 默认预测第一个特征 return np.array(X), np.array(y)

这里X的 shape 是 (样本数, lookback, 特征数)，正好符合 LSTM 的三维输入要求。y取的是i + horizon - 1这个位置的值，当 horizon=1 时，就是用第i-lookback到i-1的窗口预测第i天。把 horizon 改成 2 或 5，就能验证“用过去一个月预测未来一周”这类实验，而不用改写核心循环。

4. LSTM 预测模型的 Keras 落地：从层结构到训练回调

数据集准备好之后，模型部分反而简单。一个能完成日线预测任务的 Keras 模型通常只有三到四层：LSTM 负责提取时间依赖，Dropout 抑制过拟合，Dense 负责输出预测值。这里给出一个可以直接运行的完整结构。

4.1 能直接跑的 Sequential 模型

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dropout, Dense model = Sequential([ LSTM(units=64, activation="tanh", input_shape=(lookback, n_features), return_sequences=False), Dropout(0.2), Dense(32, activation="relu"), Dropout(0.1), Dense(1) ]) model.summary()

代码里input_shape=(lookback, n_features)不包含 batch 维度，Keras 会自动在首维补上。return_sequences=False表示 LSTM 只输出最后一个时间步的结果，这一层输出形状是 (batch, 64)，后续才能接 Dense 层。如果误设为 True，输出会变成三维，再连 Dense 时就会报维度错误。

LSTM 层内部的激活函数默认是 tanh，一般不需要改。Dropout放在 LSTM 输出之后，作用是随机丢弃 20% 的神经元连接来抑制过拟合。最后接的Dense(1)没有指定激活函数，默认是线性输出，因为这是回归任务，不需要 sigmoid 或 softmax 压缩结果。

4.2 编译参数：回归任务里 mae 和 mse 怎么选

模型编译时最常见的配置是loss="mse"，也就是均方误差。它会放大较大误差的惩罚，训练初期收敛快；缺点是遇到极端行情时 loss 会被个别样本拉高。mae则对异常值更抗干扰，收敛略微慢一些，但数值上更直观，可以直接理解成“平均预测偏差了几个百分点”。

model.compile(optimizer="adam", loss="mse", metrics=["mae"])

optimizer="adam"自带自适应学习率，在这类小规模 LSTM 回归任务里几乎不需要换。如果你后续发现训练后期 loss 震荡剧烈，可以手动把学习率从默认的 0.001 降到 0.0005，做法是替换成keras.optimizers.Adam(learning_rate=0.0005)。

4.3 训练代码与两个必挂的回调

训练过程只用model.fit一行当然可以，但股票序列短、样本少，模型很容易在后期过拟合。因此一般会挂上 EarlyStopping 和 ReduceLROnPlateau 两个回调，前者在验证 loss 不再下降时提前停止，后者在学习率停滞时自动减半，让训练过程更平稳地收敛。

from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau early_stop = EarlyStopping( monitor="val_loss", patience=10, restore_best_weights=True ) lr_reduce = ReduceLROnPlateau( monitor="val_loss", factor=0.5, patience=5, min_lr=1e-5 ) history = model.fit( X_train, y_train, batch_size=64, epochs=100, validation_data=(X_valid, y_valid), callbacks=[early_stop, lr_reduce], verbose=1 )

patience代表连续多少个 epoch 没有改善才触发动作。restore_best_weights=True会让训练结束后模型回滚到验证 loss 最低的那组权重，而不是保留最后一个 epoch 的结果，这个参数在早期停止时特别关键。batch_size=64对几百到几千条样本都适用，如果数据量特别少，可以降到 32 或 16。

4.4 训练日志里看什么：loss 下降曲线和过拟合信号

一个正常的训练过程表现为训练 loss 和验证 loss 同步下降，随后逐渐走平。如果训练 loss 持续下降而验证 loss 在某个 epoch 后转头上升，就是过拟合的典型信号。代码里可以用matplotlib画两条 loss 曲线，对比它们的距离。

import matplotlib.pyplot as plt plt.plot(history.history["loss"], label="train_loss") plt.plot(history.history["val_loss"], label="val_loss") plt.legend() plt.show()

两条曲线离得越远，说明泛化能力越弱。股票预测数据噪声大，验证 loss 波动是正常的，不要因为某个 epoch 的抖动就停下来；重点看趋势，而不是单点。

5. 预测结果慢半拍：单步 LSTM 的滞后修正与多步扩展

很多人训练完模型后画出预测曲线，发现它几乎贴着真实值走，但整体沿着同一方向偏移。这个“慢半拍”的观感，主要是因为单步预测本身是一个滚动外推过程：模型每预测一个点，都基于前面的真实窗口，因此下一时刻的预测和上一时刻的真实值天然高度相关。这不是模型故障，而是任务定义导致的。

5.1 画图前先对齐索引：预测序列要右移一个窗口

如果训练标签构造正确，预测值本身代表的是未来时刻的估计。绘图时要让预测点落在它对应的时刻上，而不是和输入窗口的最后一个点对齐。常见做法是构造一个和原始序列等长的数组，把预测段放到测试区间的对应位置上。

pred = model.predict(X_test).flatten() aligned_pred = np.full(len(scaled_close), np.nan) test_start = train_end # 测试集起点在标准化序列里的位置 aligned_pred[test_start + lookback: test_start + lookback + len(pred)] = pred

这里aligned_pred用 NaN 填充非预测区间，绘图时 matplotlib 会自动跳过 NaN。把预测位置平移lookback的原因是模型看到的是从test_start之前的窗口开始的历史数据，输出自然要落在test_start + lookback这个时间戳。

5.2 用方向准确率评估：回归 loss 在股票场景里不够直观

在股票预测实验里，loss 小不意味着模型有用。更贴近实际的是方向准确率：模型预测的涨跌方向和真实涨跌方向是否一致。这个指标通过np.sign(np.diff())计算相邻两个点的变化方向，再与预测序列的变化方向做比较。

pred_signed = np.sign(np.diff(pred)) test_signed = np.sign(np.diff(y_test)) direction_accuracy = np.mean(pred_signed == test_signed) corr = np.corrcoef(y_test, pred)[0, 1] print(f"方向准确率: {direction_accuracy:.3f}") print(f"预测与真实相关系数: {corr:.3f}")

方向准确率在 0.5 附近意味着模型基本没有区分涨跌的能力，明显高于 0.55 才有参考价值。相关系数大于 0.9 时，预测曲线与真实曲线形态高度相似，但这也暗示了滞后特征明显：因为相邻时刻股价天然相关，模型相当于学到了“下一时刻接近当前时刻”。这两个指标要放在一起看，不要只看其中一个。

5.3 多步预测要改的三处代码：horizon、输出维度、迭代预测

想把“预测下一天”扩展成“预测未来五天”，只需要改三个地方。第一是把make_sequences里的horizon参数从 1 改成 5，让标签变成窗口之后第五个交易日的值。第二是把输出层的Dense(1)改成Dense(horizon)，让模型一次输出多个未来时刻的预测。第三是推理时的预测方式，要用迭代预测：把新预测值当作下一轮窗口的最后一帧，逐步向后滚动。

last_window = X_test[-1].copy() # 最后一个测试样本，(lookback, features) future_pred = [] for _ in range(5): p = model.predict( last_window.reshape(1, lookback, n_features), verbose=0 )[0, 0] future_pred.append(p) last_window = np.roll(last_window, -1, axis=0) last_window[-1, 0] = p

np.roll将整个窗口向前平移一格，最旧的时间步被丢弃，空出的最后一个位置填入新预测值。这样做避免了重新跑一遍数据集，也保持了每个时间步只依赖过去信息的约束。注意多步预测的误差会逐级累积，预测步数越长，结果越倾向于向训练集的均值回归，这是模型的固有行为。

最后提醒一点：用上述代码做出来的结果只适合作为回归实验和技术验证，不要直接用于实盘交易。股票预测是一个典型的强噪声时间序列问题，任何模型给出的预测都存在巨大不确定性，用滞后修复后的曲线做交易决策同样有不可控的风险。

本文还有配套的精品资源，点击获取