企业官网建设流程全解析

简介：这份资源面向对量化投资与机器学习感兴趣的开发者、金融数据分析初学者及具备一定Python基础的学习者，提供一套基于XGBoost算法预测股票未来n日价格的完整源码方案，可用于理解特征工程、模型训练与预测结果输出的全流程。压缩包共6个文件，包含3个Python脚本、2个文本说明与1个Excel结果文件，整体约18KB，其中脚本分别承担数据获取、工具函数封装与XGBoost建模预测等职责，文本文件用于环境依赖与使用说明，Excel则保存预测输出结果，结构紧凑便于快速上手。目前已有245人学习下载。读者可借此掌握从行情数据读取、特征构造到模型训练与结果落地的完整思路，并参考现有代码调整预测周期与参数，适合作为量化选股与价格趋势预测的入门实践素材。

1. 用 XGBoost 预测 n 日后股价：一个被低估的工程化落地点

很多人第一次听到「用 XGBoost 预测 n 日后的股价」，第一反应是「这不就是量化玄学吗」。但真正做过一轮的人会告诉你，这件事的价值不在预测准不准，而在于它逼着你把数据对齐、特征构造、标签定义、滚动回测这四件事一次性做扎实。XGBoost 在这里的角色不是水晶球，而是一台高效的「特征-标签映射机」：你喂给它过去 n 天的量价、波动、资金结构特征，它输出一个回归值或分类概率，告诉你未来第 n 日相对今天是涨还是跌。它适合两类人：一类是想入门量化但被深度学习劝退的工程师，另一类是想把已有因子体系快速验证一遍的从业者。下面这套流程，我按「能跑通、能复现、能排错」的标准拆开讲。

2. 先想清楚预测目标：回归还是分类，n 取多少

2.1 回归与分类的取舍，别一上来就做价格回归

最常见的翻车方式，是直接把「n 日后的收盘价」当标签做回归。股价绝对值受大盘、除权、停牌影响极大，模型会花大量精力去拟合一个跟你无关的价位中枢。我一般会改成两种更稳的标签：

• 收益率回归：label = close.shift(-n) / close - 1，预测未来 n 日累计收益率。
• 方向分类：label = 1 if 未来 n 日收益率 > 阈值 else 0，阈值常用 0 或略高于交易成本。

分类的好处是评估直观（AUC、准确率、召回），坏处是丢掉幅度信息。实操里我会两个都跑一遍，用分类定方向、用回归估幅度，最后合成一个打分。

2.2 n 的取值不是拍脑袋，要和你的持仓周期对齐

n 取 1、3、5、10、20 是常见档位。n 越小，信噪比越低，模型越容易学到噪声；n 越大，样本重叠越严重，训练集和验证集之间会「串味」。经验做法是：n 至少覆盖你一次完整调仓周期。如果你打算每周调一次仓，n 取 5 比较自然；做月度轮动，n 取 20。注意，n 越大，有效独立样本越少，这时必须用滚动窗口而不是随机切分。

import pandas as pd import numpy as np def make_label(df, n=5, mode="cls", threshold=0.0): # 未来 n 日累计收益率 df = df.copy() df["fwd_ret"] = df["close"].shift(-n) / df["close"] - 1 if mode == "reg": df["label"] = df["fwd_ret"] else: # 方向分类，阈值可设为交易成本 df["label"] = (df["fwd_ret"] > threshold).astype(int) # 末尾 n 行没有未来数据，必须丢掉，否则标签是 NaN 会污染训练 df = df.iloc[:-n] if n > 0 else df return df

这段代码的关键在最后一行：shift(-n)会让最后 n 行变成 NaN，如果不丢弃，XGBoost 训练时会直接报错或静默丢弃，导致你误以为样本量对不上。threshold建议设成双边手续费加滑点，比如 0.0015，这样模型学到的「涨」才是扣费后还有意义的涨。

2.3 特征工程的三个层次：量价、波动、结构

量价特征是最基础的：过去 n 日的收益率、成交量变化率、换手率。波动特征包括滚动标准差、ATR、高低价差。结构特征稍微进阶：均线偏离度、RSI、MACD 柱值、过去 n 日创新高次数。我一般会构造 30 到 60 个特征，太多会稀释重要性，太少模型欠拟合。

def build_features(df, windows=(3, 5, 10, 20)): df = df.copy() df["ret1"] = df["close"].pct_change() for w in windows: df[f"ret_{w}"] = df["close"].pct_change(w) df[f"vol_std_{w}"] = df["ret1"].rolling(w).std() df[f"vol_ratio_{w}"] = df["volume"] / df["volume"].rolling(w).mean() df[f"ma_dev_{w}"] = df["close"] / df["close"].rolling(w).mean() - 1 # 高低价差与收盘位置 df["hl_spread"] = (df["high"] - df["low"]) / df["close"] df["close_pos"] = (df["close"] - df["low"]) / (df["high"] - df["low"] + 1e-9) return df.dropna()

windows的选择要跟 n 呼应：如果 n=5，窗口里至少要有 3 和 5，10 和 20 用来提供中期背景。dropna()会砍掉前 20 行，这是正常代价。注意close_pos分母加了极小值，防止一字板导致除零。

3. 训练与验证：时间序列不能随机切分

3.1 滚动窗口切分，别用 train_test_split

这是血泪经验里排第一的坑。用train_test_split随机打乱，等于让模型在训练时「偷看」未来样本的邻居，验证 AUC 能到 0.7，实盘一上就废。正确做法是滚动窗口：用前 3 年训练、后 1 个月验证，然后窗口整体前移。

from sklearn.model_selection import TimeSeriesSplit def rolling_split(X, y, n_splits=5): tscv = TimeSeriesSplit(n_splits=n_splits) for train_idx, val_idx in tscv.split(X): yield train_idx, val_idx

TimeSeriesSplit默认是扩展窗口，训练集越来越大。如果你想要固定长度窗口，可以自己写切片逻辑。验证集一定要在训练集之后，且两者之间留一个 n 日的间隔，避免标签重叠泄漏。

3.2 XGBoost 参数：先稳住学习率和深度

XGBoost 参数多，但真正影响过拟合的就那几个。我一般先用这套保守配置跑基线：

import xgboost as xgb params = { "objective": "binary:logistic", # 分类用这个，回归换 reg:squarederror "learning_rate": 0.04, "max_depth": 4, "subsample": 0.8, "colsample_bytree": 0.8, "min_child_weight": 8, "reg_lambda": 2.0, "eval_metric": "auc", "tree_method": "hist", "seed": 42, } dtrain = xgb.DMatrix(X_train, label=y_train) dval = xgb.DMatrix(X_val, label=y_val) model = xgb.train( params, dtrain, num_boost_round=800, evals=[(dval, "val")], early_stopping_rounds=50, verbose_eval=100, )

tree_method="hist"在大样本上比默认快很多。early_stopping_rounds=50是后悔药：验证集 AUC 连续 50 轮不涨就停，避免你手动猜轮数。seed固定住，否则每次跑出来的特征重要性排序会飘，没法对比。

3.3 特征重要性与 SHAP：别只看 gain

XGBoost 自带的feature_importances_用 gain 统计，容易偏向高基数特征。我习惯再跑一遍 SHAP，看每个特征对预测的边际贡献方向。如果发现某个特征重要性极高但方向反直觉，大概率是数据泄漏，比如用了未来才公布的财务字段。

import shap booster = model explainer = shap.TreeExplainer(booster) shap_values = explainer.shap_values(X_val) # 汇总每个特征的平均绝对贡献 shap.summary_plot(shap_values, X_val, plot_type="bar")

SHAP 在树模型上是精确解，比近似方法可靠。跑完重点看两件事：一是排名前五的特征是否符合业务逻辑，二是是否存在某个特征单独主导预测，那通常意味着泄漏或过拟合。

4. 避坑与排查：五个真实踩过的坑

4.1 验证集 AUC 很高，实盘一塌糊涂

现象：离线 AUC 0.72，模拟盘胜率不到 50%。原因：随机切分导致标签重叠泄漏，或者特征里混入了未来信息（比如用当日收盘价算的指标去预测当日之后）。解决：改用滚动窗口，并在训练集和验证集之间留 n 日缓冲；逐个检查特征的计算时点，确保只用 t 日及之前的数据。

4.2 样本极度不平衡，模型全预测成「跌」

现象：分类标签里涨的只占 35%，模型输出全是 0。原因：默认阈值 0.5 偏向多数类。解决：用scale_pos_weight调权重，或者改用aucpr作为评估指标，再或者把阈值下调到 0.4 附近，用验证集 PR 曲线选最优点。

4.3 特征里有 NaN，XGBoost 不报错但结果诡异

现象：训练正常，但预测值分布异常集中。原因：XGBoost 默认把 NaN 当缺失处理并学一个默认方向，但如果某特征缺失率超过 30%，这个方向就是噪声。解决：先统计缺失率，超过 30% 的特征直接删；少量缺失用前向填充，别用均值填充，均值会抹掉时间结构。

4.4 换手率特征在停牌股上爆炸

现象：某些样本的换手率是几万倍。原因：停牌期间成交量为 0，复牌后除零或比值异常。解决：在特征构造前过滤掉停牌日，或者对成交量比值做 winsorize 缩尾，把 1% 和 99% 分位外的值截断。

4.5 模型每次跑结果都不一样

现象：同样的数据，两次训练 AUC 差 0.03。原因：XGBoost 默认并行建树，浮点求和顺序不固定；加上 subsample 和 colsample 的随机性。解决：固定seed和nthread=1做对比实验，确认稳定后再开并行。生产环境接受波动，但调参阶段必须可复现。

5. 把模型变成可用的打分器：滚动预测与阈值落地

5.1 滚动预测的工程写法

训练完不是终点，你要的是每天收盘后对全市场股票打分。做法是：用最近一段窗口重新训练，然后对最新截面做predict。注意预测时的特征必须和训练时同分布，所以每次都要重新计算滚动特征。

def daily_score(model, df_today, feature_cols): # df_today 是当日截面，已算好特征 X_today = df_today[feature_cols] dmat = xgb.DMatrix(X_today) df_today = df_today.copy() df_today["score"] = model.predict(dmat) # 按分数排序，取 top K return df_today.sort_values("score", ascending=False)

feature_cols必须和训练时完全一致，顺序都不能变，否则 DMatrix 会按列名对齐失败或静默错位。我一般把特征列表存成 json，训练和预测共用同一份。

5.2 阈值不是 0.5，要用验证集 PR 曲线定

分类模型输出概率后，落地时要选一个阈值决定「买不买」。0.5 是默认值，但金融场景里正样本少，最优阈值往往在 0.55 到 0.65 之间。用验证集的 precision-recall 曲线，选 F1 最大或召回满足下限时精度最高的点。

from sklearn.metrics import precision_recall_curve prec, rec, thr = precision_recall_curve(y_val, val_prob) f1 = 2 * prec * rec / (prec + rec + 1e-9) best_thr = thr[f1.argmax()] print("best threshold:", best_thr)

thr的长度比prec少 1，索引时注意对齐。选出来的阈值要拿到下一段滚动窗口再验证一次，防止过拟合到某一段行情。

5.3 一个容易被忽略的细节：分数标准化

不同时间窗口训练出的模型，输出概率的分布会漂移。今天 top 10 的分数是 0.62，下个月可能整体降到 0.55。如果直接用绝对阈值，会出现某段时间完全没信号。我的习惯是每天对全市场分数做横截面排序，取前 5% 或前 50 只，而不是卡固定概率。这样模型换了一茬，选股逻辑依然连续。

5.4 验证方法：除了 AUC，还要看分组收益

离线指标好看不代表能赚钱。我会把验证集按预测分数分成 5 组，看每组未来 n 日的平均收益是否单调。如果 top 组和 bottom 组收益差明显且单调，说明模型有区分力；如果中间组乱跳，说明模型只抓到了极端值，稳定性差。

这张表比 AUC 更能说明问题。如果 Q5 和 Q1 的收益差不到 0.5%，那这个模型基本没有实战价值，回去查特征和标签。

5.5 我最后保留的习惯

跑完任何一版模型，我都会把特征列表、参数、滚动窗口起止日期、验证集分组收益这四样东西存进一个版本目录，命名带日期。下次想对比新想法，直接翻旧记录，不用凭记忆猜「上次那个参数是多少」。这个习惯帮我省掉了无数次重复试错。XGBoost 预测股价这件事，模型本身不复杂，复杂的是数据纪律和验证纪律。把这两样守住，哪怕 AUC 只有 0.55，配合合理的仓位管理也能做出正期望；守不住，AUC 0.75 也是自欺欺人。希望帮到你。

本文还有配套的精品资源，点击获取