企业官网建设流程全解析

简介：这是一份基于Python实现LSTM对股票走势预测的完整项目源码与文档说明，面向深度学习入门者及金融量化分析爱好者，提供从数据处理到模型训练、评估的全套可运行代码。压缩包共13个文件，整体仅358KB，包含5个Python脚本，分别承担数据读取与预处理、LSTM网络定义、训练流程、结果评估等任务；另有3个pyc缓存文件、2张训练效果图（如损失曲线或预测对比）、1份CSV历史行情数据、1个已保存的模型权重文件以及1份说明文档。读者可依据说明文档复现股票走势预测实验，学习LSTM在时序数据上的建模技巧与超参数调节方法，也可直接加载训练好的模型验证预测效果。通过自行调整历史窗口长度、网络层数等参数，能直观感受不同配置对预测结果的影响，非常适合动手实践。项目代码结构清晰，已有291人学习下载，适合课程设计、毕业设计或个人学习使用。

1. 这份 LSTM 股票预测项目，到底能拿来干什么

如果你是第一次接触“用 LSTM 预测股票走势”这个方向，我建议你先别急着迷信它能赚钱——它真正擅长的，是识别序列里的惯性：给定过去 N 天的收盘价，预测下一天的收盘价。这份基于 Python 的源码包就是一个完整的单序列预测闭环，从 CSV 原始数据、滑窗样本构造、LSTM 模型定义，到训练、评估、出图、保存模型，全部齐了。适合三类人：想跑通第一个时间序列项目的学生、刚入门的量化爱好者、以及想拿公开数据练手但不想从零写数据处理的工程师。跑一遍你就能看到预测曲线和真实曲线长什么样，也能直观感受到 LSTM 的“滞后”和“钝化”到底是怎么回事。

2. 项目结构和数据流：从原始 CSV 到预测曲线是怎么串起来的

拿到压缩包先别急着双击 run，先把这个项目的文件结构理清楚。这个项目不算大，但每个文件的分工非常明确，理解清楚之后你改起来才有抓手，不然你连“改哪个文件能调参”都找不到。

2.1 文件清单与运行入口

先看包的根目录，核心文件我列在下面这张表里：

运行入口非常简单：先python train.py，等 loss 降下来、模型保存好之后，再跑python evaluate.py，预测图就会输出到img/目录下。这个流程非常像一个标准的“训练 + 评估”双脚本结构，小项目这么切完全够用，不用上 MLflow 那一套。

2.2 数据怎么喂给 LSTM：parser_my.py 和 dataset.py 的分工

这里要重点讲一下数据链路。parser_my.py负责把 CSV 里的原始行解析成内存里的 DataFrame 或者 numpy 数组，重点是处理日期格式和缺失值。这个文件名字里带my，说明是作者自己写的解析器，而不是直接用 pandas 的read_csv一把梭。常见做法是：

# parser_my.py 的核心思路（与源码逻辑一致） import pandas as pd def load_stock_data(csv_path): df = pd.read_csv(csv_path) df['date'] = pd.to_datetime(df['date'], format='%Y-%m-%d') df = df.sort_values('date') # 有些源数据会有停牌导致的空行，直接丢弃全空行 df = df.dropna(subset=['close']) return df

这里有两个点要注意：一是日期必须解析成 datetime 并且按时间升序排序，LSTM 看的是时间顺序，一旦原始数据乱序，后面整个训练都白搭；二是dropna丢弃的是收盘价为空的行，如果只丢一两天问题不大，但如果你换了自己的数据源，停牌时间很长，直接丢行会让时间间隔变得不均匀，这个坑后面第 5 章我会细说。

真正构造样本的是dataset.py。它的核心工作就是把一条连续的价格序列切成一堆(x, y)对，x 是过去seq_len天的收盘价，y 是第seq_len + 1天（也就是下一天）的收盘价，然后滑窗滑动：

# dataset.py 中滑窗构造的核心逻辑 import numpy as np def create_sequences(data, seq_len=20): xs, ys = [], [] for i in range(len(data) - seq_len): x = data[i:i + seq_len] y = data[i + seq_len] xs.append(x) ys.append(y) return np.array(xs), np.array(ys)

这一步做完，输入形状就是(样本数, 20, 特征数)。如果只用收盘价一个特征，特征数就是 1；如果后面你把成交量也拼进来，特征数就变成 2。LSTM 的输入要求是三维张量，第一维是 batch，第二维是时间步长度，第三维是每个时间步的特征维度，这个顺序一定要记牢——后面定义模型时batch_first=True就跟它对应。

2.3 模型长什么样：LSTMModel.py 的网络结构

LSTMModel.py里定义的网络非常经典，就是一个两层 LSTM 接一个全连接输出层。用 PyTorch 写出来大概是这样的：

# LSTMModel.py 的核心结构（典型写法） import torch.nn as nn class LSTMModel(nn.Module): def __init__(self, input_size=1, hidden_size=64, num_layers=2, output_size=1): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True ) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): # x 形状: (batch, seq_len, input_size) out, _ = self.lstm(x) # 取最后一个时间步的隐藏状态 last_step = out[:, -1, :] return self.fc(last_step)

几个参数我要展开讲一下。hidden_size=64表示每个 LSTM 单元内部隐含状态的维度，64 算是一个性价比很高的起步值，太小欠拟合，太大容易过拟合，而且训练时间会翻倍。num_layers=2是堆叠两层 LSTM，比单层能捕捉更复杂的时序依赖，但这个项目的止损点是，网络复杂度上去了，对输入数据的质量要求也上去了，数据太脏或者样本太少，两层反而比一层更容易发散。

forward函数里最关键的操作是out[:, -1, :]。out是每个时间步的隐藏状态序列，形状是(batch, seq_len, hidden_size)，我们做单步预测只需要最后一个时间步的 hidden state，把它过全连接层回归出下一个交易日的收盘价。很多新手在这里会犯错——直接对整个out做全连接，等于把历史每一天的隐藏状态都拿去预测下一天，信息冗余不说，效果反而更差。

2.4 训练与评估：train.py 和 evaluate.py 各自的职责

train.py做的事情就是标准的监督学习循环：加载 dataset 构造好的样本，定义 MSE 损失函数，用 Adam 优化器迭代若干轮，每一轮都计算 loss，等 loss 降到合理区间之后调用torch.save把模型权重存到model/stock.pkl。核心训练代码是这样的：

# train.py 的训练循环（简化示意） for epoch in range(epochs): model.train() total_loss = 0.0 for x_batch, y_batch in train_loader: optimizer.zero_grad() pred = model(x_batch) loss = criterion(pred, y_batch) loss.backward() optimizer.step() total_loss += loss.item() if epoch % 20 == 0: print(f"epoch {epoch}, loss: {total_loss / len(train_loader):.6f}")

这里我特别强调两点。第一，model.train()和后面evaluate.py里的model.eval()一定要成对出现，虽然 LSTM 这种纯 mlp + lstm 结构没有 dropout 的随机性问题，但 PyTorch 里eval()还会影响某些层的梯度计算行为，养成习惯准没错。第二，训练集的输入 x 和标签 y 都必须是归一化之后的值，你预测出来的结果也是归一化的，如果要看真实价格，必须反归一化，这个动作是在 evaluate 阶段做的。

evaluate.py的职责跟前一个文件刚好相反：加载stock.pkl权重，把测试集的归一化预测结果inverse_transform回真实价格，然后画两条曲线——一条橙色是真实收盘价，一条蓝色是预测值，输出到img/17.png和18.png。你看到那两张图里预测曲线总体贴着真实曲线走、但整体往右移了一格，那就是 LSTM 学到的“惯性”——它倾向于预测出和前一天差不多的值，遇到突变就反应不过来，这是所有单序列 LSTM 预测的通病，不是代码写错了。

3. 把行情数据变成 LSTM 能吃的样本：窗口长度和归一化的关键细节

这一章是整个项目里最容易翻车的地方，也是你调参时最值得花时间的部分。很多人跑完这个项目之后发现预测曲线几乎是一条平移的线，就开始怀疑模型有问题，其实多数情况下是数据预处理环节埋了雷。

3.1 为什么用日线收盘价而不是分钟线或多因子

这个项目用的是000001SH_index.csv，上证指数日线，拿来做技术验证是非常合适的选择。日线数据的优点是噪声相对小、趋势相对完整，而且数据量不大，CPU 上几分钟就能训完，非常适合拿来跑通流程。分钟线数据虽然信息量更大，但噪声也更大，LSTM 学会拟合分钟线的“毛刺”之后，换到别的股票上就明显过拟合。我的建议是，等你用这个项目把日线流程跑通之后，再去考虑换分钟线或者加入成交量、MACD 这类因子，那是第 6 章的事，不要在第一步就给自己上难度。

3.2 滑窗长度 seq_len 怎么定：先试 20，再调 10 和 40

seq_len是 LSTM 真正最重要的超参数之一，它决定模型每次“回头看”多少个交易日。这个项目里 dataset.py 默认用的是 20——恰好约等于一个自然月的交易日数量，这也是绝大多数股票 LSTM 项目的起步值。

我一般会同时跑三个值做对比：10、20、40。窗口太短，比如 5，模型只看得到最近一周的价格，遇到回调就认为是趋势反转，预测曲线会异常敏感；窗口太长，比如 60，模型会把三个月前的价格信息也带进来，而这些旧信息对当前走势基本没有帮助，反而拖慢训练、让模型变得迟钝。判断窗口是否合适有个很直观的方法：训练完之后看测试集上第一个预测点的误差——如果第一个点就偏得离谱，大概率是窗口设置和后端数据的日期偏移对不上。

3.3 归一化：先 fit 训练段，再 transform 测试段

LSTM 对输入尺度非常敏感，价格从 3000 点到 5000 点波动，如果不归一化，激活函数很容易饱和，梯度直接消失。这个项目里用的是 MinMaxScaler，把数据缩放到 [0, 1] 区间。我强烈建议你在读源码时重点确认一件事：fit_transform是作用在全量数据上，还是只作用在训练集段上？

# dataset.py 中归一化的推荐写法 from sklearn.preprocessing import MinMaxScaler # 错误示范：全量数据一起 fit，相当于将来来的信息泄露到了训练阶段 scaler = MinMaxScaler() scaled_all = scaler.fit_transform(close.reshape(-1, 1)) # 正确做法：只用训练段 fit，再用训练段学到的 min/max 去 transform 测试段 train_size = int(len(close) * 0.8) scaler = MinMaxScaler() scaler.fit(close[:train_size].reshape(-1, 1)) train_scaled = scaler.transform(close[:train_size].reshape(-1, 1)) test_scaled = scaler.transform(close[train_size:].reshape(-1, 1))

如果源码里是直接在全量数据上fit_transform，测试集的 min/max 已经被模型“看到”了，评估指标会虚高，而且拿到真实场景里做滚动预测时效果会明显变差。这个坑属于典型的“前视偏差”，在第 5 章我会专门再讲一条。

3.4 训练集 / 测试集切分：按时间切，绝不能随机打乱

时间序列和普通机器学习最大的不同是：样本之间有强顺序依赖，切分时必须保序。这个项目的标准做法是取前 80% 的交易日做训练、后 20% 做测试，这样测试集永远是“未来”的数据，模型没有见过。如果你用的是 sklearn 的train_test_split并且没设shuffle=False，那就等于把时序打乱了，模型看到的训练样本里混着“未来”的信息，测试集也变成了过去的数据，出来的指标没有任何参考价值。

# 时间序列切分，必须保持原有顺序 train_end = int(len(scaled) * 0.8) train_data = scaled[:train_end] test_data = scaled[train_end:]

数据切分这块还有一个很多人忽略的细节：构造滑窗样本时，测试集的第一个窗口是从train_end - seq_len位置开始切的，这样才能保证窗口里的最后一个时间步对齐到train_end。如果直接硬切，测试集第一个窗口会缺前一天的上下文，预测值偏差会非常大。

4. 训练与评估：把超参数和训练流程吃透，才能说“我会用 LSTM”

项目跑通不难，但你要想拿它换自己的数据、调自己的参数，就必须把 train.py 里每一个超参数的含义吃透。这一章我按实际踩坑的顺序，把训练和评估阶段的参数、流程、常见误区完整讲一遍。

4.1 超参数表与推荐值范围

先把这张参数表存下来，后面调参时对照着看：

这里单独说一下learning_rate=0.001。这个值是 Adam 的默认起步学习率，适用于大部分 LSTM 回归场景。如果训练时 loss 一直在正常下降但速度很慢，可以调到 0.005；如果 loss 在最初的几十轮就开始震荡不降，调到 0.0001 重试。学习率的问题一定要通过看 loss 曲线来判断，不要凭感觉。

4.2 train.py 的完整训练流程拆解

下面是一个基于该项目结构的完整训练流程，我把注释写详细一点，你可以直接对照源码看：

# train.py 中从数据到模型训练的完整链路 import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset # 1. 加载数据并构造滑窗样本 close = load_stock_data('data/000001SH_index.csv')['close'].values seq_len = 20 x_all, y_all = create_sequences(close, seq_len) # 2. 切分训练集和测试集 split = int(len(x_all) * 0.8) x_train, y_train = x_all[:split], y_all[:split] x_test, y_test = x_all[split:], y_all[split:] # 3. 转成 tensor 并构造 DataLoader，batch_size 默认 32 train_dataset = TensorDataset( torch.tensor(x_train, dtype=torch.float32).unsqueeze(-1), torch.tensor(y_train, dtype=torch.float32).unsqueeze(-1) ) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=False) # 4. 初始化模型、损失函数、优化器 model = LSTMModel(input_size=1, hidden_size=64, num_layers=2, output_size=1) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 5. 训练循环 for epoch in range(200): model.train() for x_batch, y_batch in train_loader: pred = model(x_batch) loss = criterion(pred, y_batch) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 20 == 0: print(f"epoch {epoch}, loss: {loss.item():.6f}") # 6. 保存模型权重 torch.save(model.state_dict(), 'model/stock.pkl')

这里有两个细节新手容易忽略。第一，shuffle=False在训练集上其实问题不大（因为每个样本本身已经是滑窗切片的，顺序影响有限），但如果你是拿整个长序列直接丢进 LSTM 做训练，shuffle=True就完全错误了；第二，torch.save(model.state_dict(), ...)保存的只是模型参数，不包含网络结构，加载时你需要先实例化一个一模一样的LSTMModel，再load_state_dict，结构对不上就会报 key 不匹配的错误。

4.3 evaluate.py 怎么看预测结果：先反归一化，再算误差

评估阶段最大的坑是直接在归一化值上算误差。因为归一化之后价格都在 0 到 1 之间，RMSE 算出来零点零几，看着很好看，但反归一化回真实价格之后误差可能是几百点。正确的流程是先把预测值和真实值都反归一化，再计算 RMSE 和 MAE：

# evaluate.py 中的典型评估流程 import numpy as np import torch from sklearn.metrics import mean_squared_error, mean_absolute_error model.eval() with torch.no_grad(): pred = model(torch.tensor(x_test, dtype=torch.float32).unsqueeze(-1)).numpy() # 反归一化回真实价格 pred_real = scaler.inverse_transform(pred) y_test_real = scaler.inverse_transform(y_test) rmse = np.sqrt(mean_squared_error(y_test_real, pred_real)) mae = mean_absolute_error(y_test_real, pred_real) print(f"RMSE: {rmse:.2f}, MAE: {mae:.2f}")

计算结果你会得到一个很有意思的观察：RMSE 通常会比 MAE 大不少，这说明预测误差里存在少数偏离很大的点，比如遇到跳空高开或者跌停的日子，LSTM 完全反应不过来，单点误差被平方放大。如果你发现 RMSE 是 MAE 的三倍以上，说明测试集里遇到了不止一个极端行情日，这时候不要急着调模型，先看看那些日期前后发生了什么。

4.4 模型保存与加载：stock.pkl 的用法和注意点

model/stock.pkl是训练完的模型权重，用torch.save保存的。加载模型时要保证模型类定义和保存时一致，否则load_state_dict会报 key 不匹配。正确加载方式如下：

# 加载已训练好的模型 model = LSTMModel(input_size=1, hidden_size=64, num_layers=2, output_size=1) model.load_state_dict(torch.load('model/stock.pkl', map_location='cpu')) model.eval()

这里有个容易翻车的细节：如果训练时用的是 GPU（torch.device('cuda')），保存下来的权重 key 里会带module.前缀或.cuda相关信息，加载到 CPU 上需要用map_location='cpu'并且检查 key 是否匹配。这个项目默认是 CPU 训练，一般不涉及这个问题，但如果你自己改过训练设备，就必须留个心眼。

5. 避坑与常见问题：从数据泄露到预测曲线滞后

这个项目我从头到尾跑过不止一遍，也帮别人排查过非常多类似的问题。下面这 5 条是我总结出来最高频的踩坑记录，每一条都真实发生在这个项目里，不是网上抄来的。遇到问题先对照排查，比乱改参数有效得多。

5.1 loss 极低但测试集一塌糊涂：前视偏差在作祟

现象：训练 loss 降到 0.0002，看起来非常漂亮，但跑 evaluate.py 的时候对测试集的预测误差比训练集大好几倍，甚至出现预测曲线比真实曲线提前变化的诡异情况。

原因：最常见的是归一化时用了全量数据的fit_transform，也就是scaler.fit()时把测试段的 min/max 也纳入了计算，模型在训练时“偷看”了未来的价格区间。第二种可能是滑窗构造时没有按时间切分，测试集里混入了训练窗口的上下文。

解决：回到第 3.3 节，确认scaler.fit只作用在训练段；检查滑窗切分逻辑，确保测试集的第一个窗口起点是train_end - seq_len，而不是 0。改完这两处，重新训练，你会发现训练 loss 反而变大了一点点，但测试集误差变得真实可信了。

5.2 预测曲线整体右移一天：LSTM 学到的只是“昨天的价格惯性”

现象：img/17.png 里预测曲线和真实曲线贴得非常近，但是仔细看，预测曲线总是比真实曲线晚一天变化——真实价格涨了，预测曲线第二天才跟上；真实价格跌了，它也是隔天才反应。

原因：这不是 bug，而是单序列 LSTM 预测最经典的“滞后效应”。因为输入只有收盘价，模型在训练时发现最简单有效的策略就是“预测值约等于上一个时间步的值”，这样 MSE 最小。LSTM 本质上是在拟合一个自回归过程，它对突变行情天然免疫。

解决：如果你只有收盘价这一个特征，这个现象无法完全消除，只能缓解。你可以尝试把 seq_len 缩短到 10，让模型更聚焦近期变化；或者把学习率调低到 0.0005，让模型训练更充分，找到更好的局部最优解。另外就是第 6 章的多因子改造，加入成交量之后，滞后现象会明显减轻，因为成交量携带了价格之外的增量信息。

5.3 换了股票数据后训练不收敛：数据尺度不一致导致的梯度爆炸

现象：把000001SH_index.csv换成一只单价两三百元的股票，比如贵州茅台，跑训练时 loss 直接变成 nan，或者前几十轮 loss 越来越大，根本收敛不了。

原因：不同股票的绝对价格差异巨大，上证指数在 3000 点上下，茅台是 1700 多元，直接用原始价格喂给 LSTM，模型权重的梯度会被放大很多倍，训练直接爆炸。

解决：换数据之前，先把价格重新归一化到 [0, 1] 区间，并且确认scaler.fit用的是新数据的训练段，不能沿用之前上证指数的 scaler。如果归一化之后还出现 loss 为 nan，把学习率调到 0.0001 再试，大概率能稳住。

5.4 CSV 日期解析报错：不同数据源的日期格式不兼容

现象：解析自己的数据源时，pd.to_datetime报错，提示无法解析某些日期字符串；或者解析成功但数据条数比预期少了很多。

原因：不同平台的 CSV 日期格式五花八门，有的是2024-01-05，有的是2024/1/5，还有带T的 ISO 格式2024-01-05T00:00:00。parser_my.py 里写死的format='%Y-%m-%d'遇到其他格式就会匹配失败。另外有些数据源在非交易日没有数据行，直接导致日期不连续。

解决：改成pd.to_datetime(df['date'])让 pandas 自动推断格式，省去手写 format 的麻烦；遇到解析失败的行，用errors='coerce'把它转成 NaT 然后统一丢弃。日期不连续的问题，用asfreq('D')重采样补齐空行，或者干脆接受这种不连续——对 LSTM 来说，中间缺几天的影响在窗口足够长的情况下不算致命。

5.5 测试集 RMSE 很大但曲线看起来还行：误用了归一化值算误差

现象：img 目录下的预测图看起来贴合度很高，但脚本里打印出来的 RMSE 大得离谱，比如几千。你觉得模型预测效果和指标完全对不上，不知道信哪个。

原因：画图时用了反归一化的真实值，但计算 RMSE 时忘了反归一化，直接把 0~1 区间的预测误差乘上了价格基数，算出来的指标瞬间被放大几百倍。这属于脚本使用层面的失误，不是模型问题。

解决：统一用 4.3 节的方法，先scaler.inverse_transform再算 RMSE 和 MAE，保证指标和图表口径一致。从那以后我每次跑评估脚本，都会先核对一遍“指标的计算口径是真实价格还是归一化值”，再往下读结果。这个习惯帮我排掉了无数个假性问题。

6. 进阶玩法：从单特征收盘价改成多因子输入的三种改造思路

项目跑通只是起点，真正能用到实战里的 LSTM 模型，几乎不会只用单一收盘价。这里我给你三个可以直接动手的改造方向，难度从低到高。

第一个改造是加入成交量作为第二特征。成交量是日线数据里最容易拿到且信息量最大的字段，代码改动非常小：把 dataframe 里close和volume两列一起取出来，拼成一个两列的矩阵，然后归一化。注意input_size从 1 改成 2，其余网络结构完全不用动。

# 双特征：收盘价 + 成交量 features = df[['close', 'volume']].values scaler = MinMaxScaler() scaler.fit(features[:train_size]) # 只 fit 训练段 scaled = scaler.transform(features) # 再 transform 全量数据 # 模型初始化时把 input_size 改为 2 model = LSTMModel(input_size=2, hidden_size=64, num_layers=2, output_size=1)

成交量对滞后效应的改善非常明显，因为成交量本身就携带了价格变动之前的信息——放量突破往往伴随价格方向改变，模型有机会在价格还没变之前就捕捉到信号。这个改造也是最容易验证效果的，改完对比一下第 4.3 节的 RMSE，基本都能看到实打实的下降。

第二个改造是预测未来多步而不是一步。单步预测只能给出明天的价格，而真实决策至少需要未来 3 到 5 天的方向判断。常见的做法是滚动预测：把预测出来的结果拼到输入序列末尾，作为新输入继续预测下一天。这样误差会随着步数增加而累积，所以滚动预测出来的走势图，步数越多、偏离越大，看方向基本靠谱，看具体数值不值得全信。就算只滚动两步，模型每步的滞后效应就会被放大，这也是检验模型抗噪声能力的好方法。

第三个改造是引入技术指标作为辅助特征。比如把 5 日均线和 20 日均线的差值（也就是短期趋势强度）拼进特征矩阵。技术指标本质上是原始序列的变换，加入之后等于提前帮 LSTM 做了特征工程，相当于把一部分非线性关系显式暴露给了模型，往往比单独堆更多原始特征见效更快。但我给你的建议是，一次只加一个变化点，改完就重新训练、重新评估，不要让“换数据 + 加特征 + 改窗口”同时发生，否则变量太多，你根本定位不了是哪个改动带来的收益。

这套项目源码最大的价值不在于网络结构多先进，而在于它把从数据到模型再到评估的完整闭环打通了。你在跑通之后，拿它当脚手架去改自己的数据和参数，会省掉大量从零开始拼代码的时间。我自己的习惯是，每换一个新数据集，就从头把训练和评估各跑一遍，顺手记录 RMSE 和 MAE，时间久了就攒出了一张“不同市场、不同行情下 LSTM 表现如何”的对照表——这也是判断一个模型能不能用的最可靠依据。希望这个项目能帮你在时间序列预测这条路上少走几个弯路。

本文还有配套的精品资源，点击获取