企业官网建设流程全解析

把股市历史数据丢进机器学习模型，让它预测明天的价格，这活儿到底能不能干？我在这个系列第七个项目里完整走了一遍“数据获取→特征工程→模型训练→回测评估”的流程。这篇不是教你“照着做就能从股市赚到钱”，而是把这条技术链路拆开讲透：股价预测任务的本质是什么，标签怎么设计，特征怎么做，模型选什么，评估指标怎么看，以及最容易踩的坑在哪里。适合已经学完机器学习基础算法、想拿真实数据练手的人，也适合想系统梳理时间序列预测完整流程的人。

先说一句大实话：股价数据信噪比极低，影响价格的因素多且杂，机器学习模型很难稳定跑赢市场。但正是因为问题难，这个项目才特别适合用来检验你对特征工程、数据划分、模型调参和评估方法的掌握程度。做完它，你对“真实数据项目”的理解会往前走一大截。

1. 整体设计思路：先想清楚预测目标再动手

1.1 股价预测的本质：回归目标还是分类目标

入手的第一个问题，不是“用什么模型”，而是“要预测什么”。股价预测通常有两条技术路线，对应着两种完全不同的标签设计。

第一条路线是把股价预测当作回归问题：用过去N天的行情数据，预测明天的收盘价，或者预测未来5日的收益率。回归目标的优点是直观，预测结果就是具体数值，可以和真实价格直接对比。缺点是金融价格序列高度非平稳，今天股价100元，明天可能因为除权、拆分变成50元，模型学的绝对值规律很容易失效。实际训练里你还经常看到一个现象：模型预测的曲线比真实曲线平滑很多，涨跌方向滞后一拍。

第二条路线是把股价预测当作分类问题：预测明天相对于今天的涨跌方向，标签是0或1，也就是二分类。分类目标的好处是没那么容易被价格尺度变化干扰，也更贴近实际交易决策——大多数短线策略本质上只需要判断方向。坏处是丢掉了很多幅度信息，预测“会涨”和预测“会大涨”是两回事。

我在这个项目里选择了一个折中方案：主标签用“未来5日收益率的方向”，同时保留一个辅助回归目标“未来5日收益率数值”用于回测模拟。这样模型训练时分类目标给出方向信号，评估时回归目标给出幅度参考，两个角度互相补充。

这里有个容易被忽略的细节：标签的时间跨度会直接影响模型的行为。预测第二天的涨跌，数据噪音极大，模型很难学到稳定规律；预测未来5日或10日的趋势，噪音被平均掉一部分，规律性更强，但样本之间的重叠度也更高，评估时要注意独立性。我在实践里一般从3日到10日之间做实验，盲目追求更长的预测周期不一定更好。

1.2 从数据到预测的完整流程与工具链

整个项目按下面这条链路走：数据获取→清洗对齐→特征工程→样本构造→模型训练→评估回测。每一个环节都有独立的坑，如果链路里任何一步做得不严谨，后面的复杂模型都救不回来。

工具链上我用的是最成熟的组合：Python处理数据，pandas做表结构操作，numpy做数值计算，scikit-learn提供普通机器学习基线模型，TensorFlow/Keras负责LSTM这类序列模型，matplotlib绘制损失曲线和预测对比图。这套组合的好处是生态成熟、资料多、出问题容易排查，对个人项目来说完全够用。

有一个经验值得单独说：拿到项目后，先不管效果，用最简单的模型把整条链路跑通，再去上复杂模型。很多人一上来就调LSTM，结果数据泄漏、标签错位这类问题被复杂模型掩盖，最后效果差也不知道是哪一步错了。我通常是先写一个线性回归基线，把特征、标签、切分逻辑全部验证一遍，确认没有明显bug，再切换到LSTM。这能帮你省掉大量调试时间。

2. 数据划分与特征工程：这两步不出错，模型就成功了一半

2.1 时间序列切分：防止未来数据泄漏

处理普通分类任务时，我们可以用train_test_split随机打乱数据。但处理时间序列时，随机打乱是灾难性的：模型会在训练阶段看到“未来”的数据，测试时表现虚高，一上真实场景立刻拉胯。

正确做法是按时间顺序切分。我这次把数据切成三段，训练集从2020年初到2023年6月，验证集是2023年下半年，测试集是2024年上半年。这样的切分意图是：训练集训练模型，验证集用来调参和触发早停，测试集模拟“模型从未见过的未来数据”，用来做最终效果评估。

import pandas as pd # df 为原始行情数据，按日期升序排列，date 为索引 train_data = df.loc['2020-01-01':'2023-06-30'] val_data = df.loc['2023-07-01':'2023-12-31'] test_data = df.loc['2024-01-01':'2024-06-30'] print(f'train: {train_data.shape}, val: {val_data.shape}, test: {test_data.shape}')

切分之后还有一个隐蔽的泄漏点：特征工程也要“按时间递归”去做。比如计算移动平均MA20，如果拿整个数据集直接计算再切分，训练集里某些滑窗实际包含了未来数据点。这在多数情况下影响不大，但在严格的项目里属于数据泄漏。严谨做法是对三个数据集分别计算特征，或者先切分再对每段单独做滑窗统计，这一点值得养成习惯。

2.2 技术指标特征构建：把K线转成模型能懂的输入

原始行情数据通常包含开盘价、最高价、最低价、收盘价、成交量五列。模型如果直接吃这五列，能学到的东西非常有限，因为价格本身的绝对数值受市场环境影响太大。需要手工构造一批衍生特征，把价格趋势、波动幅度、动量等信息显式暴露给模型。

我用的特征分四类。第一类是移动平均线，包括MA5、MA10、MA20、MA60，用来捕捉不同周期的趋势；第二类是价格相对位置，比如收盘价与MA20的偏离度，衡量当前价格处于近期区间的什么位置；第三类是波动相关特征，包括日内振幅、过去N日收益率标准差；第四类是量价配合特征，比如成交量相对5日均量的变化率。全部特征加起来18个，最后做标准化。

计算这些特征时，最需要注意的就是“当前特征只能用当前及之前的数据”。以MA20为例，时间点t的MA20，必须是t时刻往前数20根K线的平均价，不能把t+1的K线也算进去。pandas的rolling函数默认就是向后窗口，方向天然正确，但如果你自己写循环或做数据拼接，这里极容易出错。

归一化也是一个关键细节。LSTM对输入尺度敏感，特征不归一化直接训练，损失很容易震荡甚至发散。我用的方法是MinMaxScaler，将特征缩放到0到1区间。有一点必须提醒：scaler只能fit在训练集上，然后用同一个scaler去transform验证集和测试集。如果对全部数据一起fit，测试集的信息就已经泄漏进特征了，这会高估模型效果。

2.3 标签设计：预测未来多少天的价格才合理

标签的构造原理是这样的：在时间点t，我们想知道未来5日的收益率，就用t+5的收盘价除以t的收盘价再减去1。pandas里用shift方法可以实现这种跨时间取数。

# 未来5日收益率作为回归标签 df['future_return_5d'] = df['close'].shift(-5) / df['close'] - 1 # 分类标签：上涨为1，下跌为0 df['label_5d'] = (df['future_return_5d'] > 0).astype(int)

这里有一个需要注意的关键点：shift(-5)意味着标签使用了未来5日的数据，在构造特征时绝不能把这部分信息混进特征列。也正是因为这个原因，样本的最后5行无法构造完整标签，直接丢弃即可。

至于为什么选5日，我是在实验中比较出来的。1日标签的预测准确率看着还行，但仔细分析后发现模型几乎总是预测“上涨”，因为单日上涨天数在样本里占比略高，模型学到的只是频率统计，没有任何有效信号。10日标签的稳定一些，但训练样本之间的重叠度太高，导致测试集评估过于乐观。5日算是一个折中，既能平滑单日噪音，又不至于让样本重叠太严重。

3. 模型训练：线性回归打底，LSTM进阶

3.1 第一步：用线性回归跑通全流程基线

我一直强调基线模型的重要性。线性回归在股价预测上效果不会好，但它足够简单，可以验证数据管道是否通畅、标签是否对齐、评估代码是否合理。

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, accuracy_score # X_train 为特征矩阵，y_train_5d 为5日收益分类标签 model = LinearRegression() model.fit(X_train, y_train_5d) # 分类视角：预测值>0判为涨 pred_train = (model.predict(X_train) > 0).astype(int) pred_test = (model.predict(X_test) > 0).astype(int) print(f'train acc: {accuracy_score(y_train_5d, pred_train):.4f}') print(f'test acc: {accuracy_score(y_test_5d, pred_test):.4f}')

跑完的典型结果是：训练集准确率50%到55%，测试集也在50%上下浮动，基本等于抛硬币。这个结果很正常，金融价格序列的预测难度本来就高，线性模型只能捕捉线性关系，对非线性模式无能为力。但它的价值在于：给你一个“地板成绩”，后续任何模型的准确率如果明显低于这个值，大概率是代码写错了，而不是模型不行。

我建议把基线模型的结果存档，包含训练时间、特征数量、数据区间、准确率这些信息。之后换LSTM、换特征子集，都拿这个基线做基准。没有基线做对照，你会很难判断模型改进到底来自哪里。

3.2 第二步：构造滑动窗口样本，让LSTM上手

LSTM能读的是序列数据。对每一条样本来说，输入不是一个时刻的特征向量，而是连续多个时刻组成的时间窗口。我这次选的窗口长度是60天，也就是用过去60个交易日的特征预测未来5日的涨跌方向。

滑动窗口的构造方式不复杂，但要特别注意样本量变化。假设原始数据有800个交易日，窗口长度60，构造出的序列样本是800-60=740条，而不是800条。特征矩阵的形状从二维变成三维，维度是（样本数，窗口长度，特征数）。

import numpy as np def make_sequences(data, feature_cols, label_col, window=60): X, y = [], [] for i in range(window, len(data)): X.append(data[feature_cols].iloc[i-window:i].values) y.append(data[label_col].iloc[i]) return np.array(X), np.array(y) # 假设 X_raw 是特征 DataFrame，label 是标签列 X_seq, y_seq = make_sequences(df_processed, feature_cols, 'label_5d', window=60) print(X_seq.shape, y_seq.shape) # 例如 (740, 60, 18)

窗口长度60天是一个经验值。太短，模型看不到足够长的趋势背景；太长，数据量变少，计算开销变大，而且远古的价格信息对当前预测的干扰反而增加。实际项目中可以把窗口长度当作超参数一起调，40、60、90都试一遍，对比验证集表现再定。

网络结构上，我用的方案是两层LSTM加一个全连接输出层。第一层LSTM返回序列，第二层只返回最后一步的输出，中间加了一个Dropout层防止过拟合，最后接一个sigmoid输出层做二分类。单元数设成64，整体参数规模不大，在普通CPU机器上训练也能接受。

3.3 训练控制：早停、随机种子与归一化细节

LSTM训练有几个细节点，每一点都直接影响最终效果。

第一是随机种子。LSTM的权重初始化和训练过程中的随机性很强，同一个模型同一天跑两次，准确率可能差3到5个百分点。我在所有涉及随机性的环节都设置了固定随机种子，确保实验可复现。这一点在调参时尤其重要，不然你无法判断准确率提升是来自参数调整还是纯随机波动。

第二是早停机制。我自己做实验时经常踩到过拟合的坑：训练集损失一路下降，验证集损失先是下降后突然反弹。应对办法是在验证集损失连续10轮不下降时停止训练，并恢复最优权重。Keras的EarlyStopping回调可以很方便地实现这点。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping model = Sequential([ LSTM(64, return_sequences=True, input_shape=(60, 18)), Dropout(0.2), LSTM(64), Dropout(0.2), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) early_stop = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True) history = model.fit(X_train_seq, y_train_seq, validation_data=(X_val_seq, y_val_seq), epochs=50, batch_size=64, callbacks=[early_stop], verbose=0)

第三是预测结果的取整问题。sigmoid输出的是一个0到1之间的概率值，通常以0.5为界判涨跌。但实际数据中上涨样本和下跌样本往往不平衡，模型为了降低损失会偏向多数类。我验过几种阈值，发现这个项目里阈值设成0.45比0.5略好。如果你想追求更精细的控制，可以用验证集遍历不同阈值，选一个让验证集准确率最高的值，再用到测试集上。

4. 模型评估与踩坑实录：指标、回测与排查清单

4.1 评估指标不能只看误差：方向准确率同样重要

回归类模型常用MAE和RMSE评估预测误差，股价预测里这两个指标也能看，但有一个陷阱：股价的绝对值波动大，RMSE容易受少数极端行情影响，导致你很难客观判断模型好坏。

我建议把“方向准确率”作为主指标。方向准确率的含义很直接：模型说涨，真实市场也确实涨了，就算预测正确。它不关心涨了多少，只关心方向对不对，这更贴近交易决策的实际需求。

from sklearn.metrics import accuracy_score, confusion_matrix # y_prob 为 sigmoid 输出的概率 y_pred_class = (y_prob > 0.45).astype(int) acc = accuracy_score(y_test_label, y_pred_class) tn, fp, fn, tp = confusion_matrix(y_test_label, y_pred_class).ravel() print(f'test acc: {acc:.4f}') print(f'confusion matrix: TN={tn}, FP={fp}, FN={fn}, TP={tp}')

还需要一个所有模型评估都应做的对照：把“昨天收盘价作为明天的预测值”这类朴素基线列出来。如果模型的方向准确率只比“无脑全预测上涨”高两三个百分点，并且这种优势在测试集上不稳定，说明模型几乎没有学到有效信息。我最开始跑出的模型就是这种情况，后来靠改进特征和标签才把测试集准确率稳定在了53%附近，虽然绝对值仍然不高，但至少是真实信号而非统计假象。

4.2 回测：从预测数值到模拟交易

准确率只是一个预览指标，要真正判断模型有没有价值，需要做回测。回测的思路很简单：从测试集第一天开始，按模型的预测结果模拟买入卖出，计算组合净值变化。

需要注意回测不是把预测准确率乘一下那么简单，交易成本是必须考虑的部分。比如每次交易按万分之一手续费估算，测试集半年内如果频繁交易，手续费累计起来会明显吃掉利润。我简单模拟了两种策略，一种是每天根据模型预测持仓或空仓，另一种是只在大波动日附近交易，结果第一个策略在扣除手续费后几乎没有超额收益。这个结果很说明问题：模型有微弱预测能力，但不足以覆盖摩擦成本。

回测代码本身不复杂：

capital = 1.0 position = False # False表示空仓 for date, pred in zip(test_dates, y_prob): if pred > 0.55 and not position: position = True elif pred < 0.45 and position: capital *= 1 - 0.0001 position = False # 最终净值再乘一个粗略的无风险收益，和指数收益对比

这种回测属于极简版本，没有考虑涨跌停限制、最小交易单位、滑点等真实约束。做研究够用，但要真拿去实盘操作，还差很远。我一直提醒自己：回测结果只能说明模型在历史数据上有没有信号，不能证明未来能赚钱。

4.3 高频踩坑清单与排查思路

做完整个项目，我整理了遇到过的典型问题，按症状、原因、办法三列整理成了一张排查表。

还有一个很容易忽略的问题：数据区间不同，模型表现差异巨大。比如某段时间市场单边上涨，模型只要学会“跟着买”就能表现不错，但换成震荡行情，立刻失效。我的做法是刻意选择包含不同行情类型的数据区间，并且每次评估都分开统计上涨段和下跌段的准确率，这样能更真实地看到模型的适用边界。

最后分享一个我个人体验很深的点：做这个项目最大的收获，不是模型预测准确率有多高，而是掌握了一套严谨处理时间序列数据的工程方法。数据切分、滑窗构造、归一化泄漏、标签对齐，这些能力在任何一个时间序列相关任务里都用得上。如果你也想把这个项目继续往下做，一个很自然的扩展方向是引入更多维度的数据源，把技术指标和基本面特征放在一起做多因子实验，或者对比Transformer类模型在金融序列上的表现。但不管往哪个方向走，请先把今天讲的这些数据细节处理好，这比换复杂模型重要得多。