企业官网建设流程全解析

简介：面向希望入门深度学习和量化选股的 Python 学习者，这是一份涵盖数据下载、因子选股与模型预测的完整股票分析项目。项目基于 baostock 获取上证50、沪深300、中证500日线数据，并集成回测模块，可按调仓周期选股后与指数对比收益；策略层既包含账面市值比、动量因子、换手率因子等传统思路，也提供 CNN、LSTM、GRU、ResNet18/34/50 等多种预测模型实现，适合作为毕设、课程设计或工程实训的起点。包内共 20 个文件，以 6 个 Python 脚本为核心，辅以 6 张预测结果图、3 个 CSV 数据文件及说明文档，整体仅 4.25MB，轻量易用。已有 284 人学习浏览，对想快速跑通“数据获取—策略训练—回测评估”全流程的读者有直接参考价值。通过对照不同模型的预测图和收益结果，可以直观理解深度学习在股票分析中的应用效果，同时为进一步改进因子组合与网络结构提供可扩展的代码基础。

1. 把深度学习用在股票分析预测上：先搞清楚模型在预测什么

把 python 深度学习这套技术栈用在股票分析预测上，最容易犯的错误不是模型不收敛，而是把回测写成未来函数集锦。这个 stock-prediction-with-DL 项目我拆过一遍，它最有参考价值的地方不在预测准确率，而在于把 data_downloader.py → stock_indicator.py → strategy.py → prediction.py → backtest.py 这条链路完整打通：先用 baostock 拉上证 50、沪深 300、中证 500 日线，再算动量、换手率、账面市值比等因子，然后用 CNN、LSTM、ResNet 对股票池打分排序，最后按调仓周期换仓，把组合收益和指数基准画在同一张图上。毕设、课程设计、工程实训，或者只是想看看别人怎么组织回测框架的进阶学习者，都能照着这套资源把流程整体复现一遍。

2. 数据底座：baostock 拉数、特征计算与 train_data 目录结构

2.1 数据源选型：为什么是 baostock

data_downloader.py 做的事情很纯粹：把日线数据落盘。项目选了 baostock 而不是 yfinance，原因很现实——baostock 免费、不需要注册 token、接口直接返回 pandas DataFrame，对 A 股的支持比海外源稳定得多。yfinance 也能拉 A 股，但字段经常缺、复权口径混乱，回测前要花大量时间清洗。baostock 返回的 date、open、high、low、close、preclose、volume、amount 都是标准命名，preclose 可以直接用来算涨跌幅，adjustflag 标记复权方式，整个清洗成本低不少。

data_downloader.py 的主循环大致是这样的：

import baostock as bs import pandas as pd bs.login() # hs300_stocks.csv 里存的是沪深300成分股代码，带交易所前缀 stocks = pd.read_csv("hs300_stocks.csv")["code"].tolist() for code in stocks: rs = bs.query_history_k_data_plus( code, "date,code,open,high,low,close,preclose,volume,amount,adjustflag", start_date="2019-01-01", end_date="2023-12-31", frequency="d", adjustflag="2", # 2 表示前复权，回测默认用它 ) df = rs.get_data() # 每只股票单独落盘，后续特征计算直接按文件读 df.to_csv(f"train_data/{code}.csv", index=False) print(code, df.shape) bs.logout()

这里有几个参数要说明。adjustflag 是 baostock 的复权标记，1 是后复权，2 是前复权，3 是不复权；回测场景我一般用前复权，因为这样计算收益率不会因为除权跳空而失真。frequency 传 "d" 表示日线，想要周线或月线可以改成 "w" 或 "m"。start_date 和 end_date 决定了回测区间，区间越短样本越少，深度学习模型越容易过拟合，建议至少留三年以上日线。另外注意 code 的格式必须是 "sh.600009" 这种带交易所前缀的写法，hs300_stocks.csv 里存的就应该是这种格式，否则 query_history_k_data_plus 会直接查不到数据。

baostock 返回的字段里，有几个在后续模块里特别关键，列成一张表：

一个实际的坑是：沪深300成分股列表不是一成不变的，每半年会调整一次。data_downloader.py 下载的 hs300_stocks.csv 是一个快照，时间一长股票池就和真实指数对不上了。项目里 train_data 目录下已经有现成的 CSV，但我自己复现的时候会记录下载日期，并且标明数据截止时间，否则后面所有回测结果都失去了“股票池是谁”这个前提。

2.2 特征计算与 train_data 的结构

stock_indicator.py 解决的是特征从哪来的问题。看完 data_downloader 的输出，train_data 里的每个 CSV 列名是统一的，但还不能直接喂给模型，因为原始行情只有价格和成交量，没有模型需要的动量、换手率、账面市值比这些因子。特征计算这一层就是把这些原始列转换成模型输入。

常见做法是写一个 compute_features 函数，把每只股票的 CSV 读进来，按日期排序后逐列生成特征：

def compute_features(df: pd.DataFrame, window: int = 20) -> pd.DataFrame: df = df.sort_values("date").reset_index(drop=True) # 当日收益率，pct_change 已经处理了 preclose 和 close 的差值 df["ret"] = df["close"].pct_change() # 动量因子 MF：过去 window 天的累计涨幅 df["mom"] = df["close"] / df["close"].shift(window) - 1 # 换手率因子 TR：成交量 / 流通股本，需要单独的股本表 df["turnover"] = df["volume"] / df["float_share"] # 账面市值比 BM：每股净资产 / 股价，用来做价值因子选股 df["bm"] = df["book_value"] / (df["close"] * df["total_share"]) # 未来 period 天收益率，作为监督信号 df["future_ret"] = df["close"].shift(-period) / df["close"] - 1 return df

逻辑上需要注意几点。ret 用 pct_change 计算的是当日收益率，它依赖前复权价格，如果源数据是不复权价格，这里会算出一个异常值；所以数据下载时必须把 adjustflag 统一成前复权。mom 是动量因子，shift(window) 拿的是 window 天前的收盘价，window 建议和回测的调仓周期保持一致，比如调仓周期是 5 天，window 就设 5 或 10，不要让因子周期和持有周期错位。turnover 里的 float_share 流通股本在 baostock 的日线接口里拿不到，我一般会维护一张独立的股本信息表，或者从本地行情软件导出，实在拿不到就用 amount 代替成交量做近似。bm 里的 book_value 也不是日线接口自带的，需要从财务数据接口或者研报数据库导入。

train_data 目录的另一个作用是固定窗口切分。prediction.py 在读 train_data 里的特征文件时，会用滑窗把每只股票的历史序列切成固定长度的样本：每个样本的形状是 (days, n_features)，其中 days 就是过去多少天，n_features 是特征列数，标签则是 future_ret 在未来 period 天的收益。窗口长度、特征数量和调仓周期这三个参数在项目里是耦合的，改其中一个就要同步改另外两个。数据落盘之后，我建议先随机抽一只股票看一眼 CSV 的列数和行数，确认没有 NaN 灌进训练集，再进入模型环节。

3. 选股策略与模型：从 BM/MF/TR 因子到 CNN/LSTM/ResNet 排序打分

3.1 三类传统因子策略：BM、MF、TR 各自的定位

strategy.py 里放了好几种选股策略，最前面的是价值因子 BM，也就是账面市值比选股。逻辑很简单：账面市值比高的公司，股价相对净资产更便宜，理论上应该买入。项目里明确标注了“效果差，由于 BM 在大市值公司的效果不佳”，这个结论和 Liu et al. (2019) 对中国市场的研究是一致的——在剔除小市值股票之后，BM 效应在大市值股票池里几乎消失。A 股的沪深300成分股恰好是大市值为主，所以 BM 在这里区分度很低，回测跑出来的组合很容易变成高杠杆银行股集合。

动量因子 MF 是另一条线：过去一段时间涨幅靠前的股票，在未来一段时间倾向于继续跑赢，这在 A 股是个比较稳健的现象，但窗口长度敏感。动量窗口太短容易陷入反转效应，太长又会吃到趋势末尾的回撤。换手率因子 TR 的思路参考了 Liu et al. (2019) 的 Size and Value in China，项目里修改了数据选取范围，把换手率当成一个截面因子来排序。换手率在 A 股散户主导的市场结构里，对短期内股票收益的解释力往往比 BM 强，因为高换手率反映的是情绪和流动性，而不仅仅是基本面。

这三类因子策略的共同点是：它们都不预测涨跌幅度，而是在每个调仓日对全股票池做截面排序，取前 N 名作为买入名单。这个框架和后面深度学习模型的用法完全一致，只是打分函数从因子值换成了模型输出。

3.2 深度学习模型选股：从预测涨跌改为排序打分

项目里真正的重头戏是用 CNN、LSTM、ResNet 这些模型来选股。这里有一个关键思路要和普通分类任务区分开：模型不是直接输出“明天涨还是跌”的二分类结果，而是对每只股票输出一个分数，分数代表未来一段时间收益的相对高低，然后按分数排序取前 N。这么设计的好处是绕开了涨跌预测的不确定性，把任务转化为排序问题，排序结果和调仓动作直接对应。

CNN 模型的输入是把每只股票过去 days 天的特征堆成一个二维矩阵，把特征通道放在第一个维度，类似图像的多通道输入。我按项目的思路写了一个简化的打分模型：

import torch.nn as nn class CnnScorer(nn.Module): def __init__(self, in_channels=5, days=20): super().__init__() self.conv = nn.Sequential( nn.Conv1d(in_channels, 32, kernel_size=3, padding=1), nn.ReLU(), nn.Conv1d(32, 64, kernel_size=3, padding=1), nn.ReLU(), nn.AdaptiveAvgPool1d(1), # 把序列压成一个向量 ) self.fc = nn.Linear(64, 1) # 输出一个分数 def forward(self, x): # x 的形状: (batch, in_channels, days) out = self.conv(x).squeeze(-1) return self.fc(out)

这里 in_channels 对应特征列数，days 对应时间窗口长度。Conv1d 在时间维度上做卷积，kernel_size=3 表示每次看相邻三天的局部模式，padding=1 保证输出序列长度不变。AdaptiveAvgPool1d(1) 把整条序列压缩成一个向量，再接全连接层输出标量分数。之所以用池化而不是直接展开，是因为池化能保留主要的时序模式，同时大幅减少参数，降低过拟合风险。

LSTM 模型则用序列方式处理同样的窗口：

import torch.nn as nn class LstmScorer(nn.Module): def __init__(self, input_size=5, hidden=32): super().__init__() self.lstm = nn.LSTM(input_size, hidden, batch_first=True) self.fc = nn.Linear(hidden, 1) def forward(self, x): # x 的形状: (batch, days, input_size) out, _ = self.lstm(x) return self.fc(out[:, -1, :]) # 只用最后一个时刻的隐状态

注意和 CNN 的输入维度顺序不同：CNN 是 (batch, channels, days)，LSTM 是 (batch, days, features)，这是新手最容易搞混的地方，维度错位会导致模型能跑但永远不收敛。LSTM 的输出取最后一个时间步的隐状态，因为它携带了整个序列的压缩信息。项目里还提到 reluRNN 和 tanhRNN，指的是循环单元里激活函数选择 ReLU 或 tanh；reluRNN 在部分场景收敛更快，而 tanhRNN 在长序列上更容易出现梯度饱和，这也是 GRU 与 tanhRNN 组合效果不佳、被项目放弃的主要原因。

3.3 模型与策略的取舍表

把 strategy.py 和 prediction.py 里涉及的策略汇总成一张对比表，更方便看到项目保留了哪些、放弃了哪些：

项目里“效果不佳已放弃”这句话很值得重视。很多课程设计会把所有模型都塞进最终报告，但一个真实项目里去掉不work的方案本身也是产出，说明作者认真跑过对比实验。ResNet18/34/50 在图像分类里表现好，但股票数据样本量远小于图像集，层数加深带来的收益很容易被过拟合吃掉，后面避坑章节我会专门展开讲这个问题。

4. 回测模块：调仓周期、开盘价撮合与基准对比的完整逻辑

4.1 backtest.py 主循环：调仓、打分、换仓

回测是整个项目里最容易被低估的部分。模型打分再准，回测逻辑写错，结果也全是虚的。backtest.py 的核心循环按“调仓周期”驱动：每隔 period 个交易日，站在当天对全股票池打分，选出分数最高的 top_n 只，然后在下一个交易日开盘价买入；持有到下一个调仓日，同样按开盘价卖出并换入新的组合。

我按项目的描述把主循环拆成伪代码，实际项目里的结构也大同小异：

def run_backtest(df_dict, model, top_n=10, period=5, start_cash=1_000_000): cash = start_cash holdings = [] equity_curve = [] trading_days = sorted(df_dict["sh.600009"].index) # 用任意一只股票的日期做时间轴 for i, day in enumerate(trading_days): if i % period != 0: # 只在调仓日做操作 equity_curve.append(current_value(cash, holdings, day)) continue scores = {} for code in df_dict: window = build_feature_window(df_dict[code], day) scores[code] = model.predict(window) # 模型输出分数 ranking = sorted(scores.items(), key=lambda x: -x[1])[:top_n] # 先卖出旧持仓，再按当日收盘后确定、次日开盘价买入 sell_old(holdings, day) holdings = buy_new(ranking, day, open_price=df_dict[code]["open"]) return equity_curve

这段代码里有几个隐含假设要说明。period 是调仓周期，period=5 表示每周调仓一次，period=20 表示每月调仓一次。top_n 控制组合持股数量，我一般在沪深300股票池里取 10 到 30 只，太少会放大单只股票波动，太多会稀释模型选股效果。暂停了指数比较环节，每日先记录组合市值，最后整体和基准对比。

开盘价撮合是“暂定”的简化方案，项目注释里也写了“暂定”。实际运行时有两个边界情况需要处理：一是股票一字涨停时开盘价就是涨停价，根本买不进；二是停牌股票没有开盘价，buy_new 时遇到 NaN 会直接把回测跑崩。我一般在撮合前加一层过滤，把停牌和开盘即涨停的股票从候选列表里剔除，这样回测结果更接近真实可成交的情况。

4.2 收益计算、基准对比与结果图怎么读

回测输出的结果图分两类。一类是 sh.600009_predict.jpg、sh.600000_predict.jpg 这样的单只股票预测图，展示模型对个股未来收益的预测值和实际值的拟合情况，用来判断模型有没有学到有效模式；另一类是 result.jpg，这是组合收益曲线和基准指数的对比图，也是判断策略是否有效的核心依据。

收益计算的细节决定回测可信度。组合整体收益要按每日持仓市值加总计算，不能简单的把每日收益率平均。基准对比时项目用的是指数本身，常见的做法是下载沪深300指数的日线数据作为基准线，把基准的区间涨幅归一化到和组合同样的起点，再画在同一张图上。如果组合曲线长期在基准线之上，并且回撤可控，策略才算初步成立。

我常用的一组回测参数如下：

还要提一点：深度学习模型在回测里很容易出现“看起来很强，实盘没法用”的情况，因为模型打分依赖的特征在回测区间内是已经发生的，而训练时如果用了全区间数据，模型就提前看到了未来。这一点直接关系到回测结果是否可信，我在避坑章节里会详细讲。

5. 避坑与排查：五个让回测业绩翻车的细节

5.1 用全样本训练模型：回测年化漂亮，实盘难复制

现象：训练集和回测区间重叠，模型在回测里年化收益 60%，之后拿到新数据验证，收益断崖式下跌。

原因：这是典型的未来数据泄漏。很多初学者把全部 train_data 丢进模型训练，再在同一个区间做回测，模型在打分时相当于已经看过答案。股票数据是时间序列，不能像图像分类那样随机打乱切分，因为未来信息会通过训练样本泄漏到回测打分里。

解决：按时间顺序切分。训练截止日必须早于回测开始日，比如用 2019 到 2022 的数据训练，2023 年做回测。调仓周期越长，这个边界越重要。我一般会再加一层验证：把训练集最后 10% 单独切出来做验证集，用早停控制训练轮数，确保模型没有把验证集也背下来。

5.2 复权口径不一致：某天持仓收益突然跳变

现象：回测曲线整体平稳，但某天持仓收益突然出现 +70% 或 -50% 的巨大跳变，随后又恢复正常。

原因：分红除权导致价格跳空。如果下载数据时用了不复权或者部分股票复权、部分不复权，除权日当天收盘价会人为下跳，按 close 算出来的收益率就是假的巨额亏损；反过来，如果只用后复权做特征、前复权做回测，两套数据拼接在一起也会出现同样的错位。

解决：从 data_downloader.py 这一步就统一复权口径。回测整体用前复权，特征计算也用同一份数据，不要在中间环节混用。另外检查 train_data 里每只股票 CSV 的 adjustflag 字段是否一致，批量下载时很容易因为某只股票请求失败导致漏掉复权参数。

5.3 没过滤 ST、停牌、次新股：回测买入了根本买不到的股票

现象：回测报告显示策略在某段时期大幅跑赢基准，打开持仓明细一看，买的全是 ST 和开盘一字涨停的股票。

原因：成分股列表里包含 ST 股，模型打分时也会给 ST 股分数；停牌股票在调仓日没有 open 价，但历史数据在回测中会“假装”可以成交。新股上市初期涨停板连续，模型很容易给高动量分数，实盘根本抢不到筹码。

解决：在数据预处理阶段就做过滤。常见做法是先剔除名称带 ST、*ST 的股票，剔除停牌日，剔除上市不足 60 天的次新股。过滤逻辑放在 build_feature_window 之前，而不是回测撮合阶段，因为漏进训练集的脏样本同样会污染模型。

5.4 BM 价值因子在大市值股票池里失效

现象：用账面市值比排序选股，回测跑赢不了沪深300基准，组合成分往往集中在银行、基建这类低估值板块。

原因：项目正文里已经写了“BM 在大市值公司的效果不佳”，这和 Liu et al. (2019) 的结论吻合。大市值公司本身估值分化小，账面市值比的截面区分度低，用它排序和随机选股差别不大。A 股的 BM 效应主要集中在剔除最小市值股票之后的 mid-cap 区间，直接套在沪深300上会失效。

解决：把 BM 从排序因子降级为过滤条件，比如只排除 BM 最低的 20% 股票，再用动量或模型打分排序。或者换用 EP（盈利收益率）、SP（营收市值比）等替代价值因子，它们在沪深300股票池里的分层效果通常比 BM 好。这类经验只适合 A 股，换到美股市场结论会不一样。

5.5 ResNet 深层模型在小样本上过拟合

现象：ResNet50 在训练集上 loss 降到很低，准确率接近 95%，但回测收益反而不如简单的 CNN 模型。

原因：股票数据即使拉五年，沪深300也才几百只股票，切出来的有效窗口样本不过几千条，而 ResNet50 的参数量在千万级，模型很容易把训练集的噪声背下来。深度学习在图像上的成功建立在百万级数据量上，股票数据达不到这个量级，深层网络的收益远小于过拟合的代价。

解决：优先用 ResNet18 这类浅层残差网络，并加 L2 正则化和 dropout。L2 权重衰减系数一般从 0.0001 起步，dropout 放 0.3 到 0.5。训练时设一个早停 patience，比如验证集 loss 连续 10 个 epoch 不下降就停止。如果浅层模型和深层模型回测差异不大，直接选浅层，省下来的训练时间可以用来调调仓周期。

6. 进阶用法：把单模型回测升级成滚动再训练框架

项目原始流程是训练一次模型，然后在回测区间里反复用这个模型打分。这样做有个隐患：模型的训练数据截止日距离回测后期越来越远，市场风格切换后模型的排序能力会衰减。我复现之后第一个改造就是把单次训练改成滚动再训练，这也是实盘模拟中最接近真实的做法。

滚动框架的核心思路是：每隔 retrain_every 个交易日，用截止到当天的所有历史数据重新训练一次模型，然后用这个刚训练好的模型对下一个调仓周期打分。这样每个调仓日用的模型，都只见过该日之前的数据，完全杜绝未来函数。

def rolling_train(all_data, train_start=500, retrain_every=20): results = [] for i in range(train_start, len(all_data), retrain_every): train_data = all_data[:i] # 只用截止到 i 的数据 model = train_model(train_data) # 每次重新训练 y_pred = model.predict(all_data[i:i + retrain_every]) # 预测未来一段 results.append(y_pred) return results

参数上 train_start 决定第一次训练用多长历史，我一般设 500 个交易日以上，太短模型学不到稳定的跨周期模式。retrain_every 和调仓周期保持一致或取它的整数倍，比如调仓周期 5 天，retrain_every 可以设 20 天，减少重复训练的开销。这个改动会让回测年化收益比之前低，因为模型不再偷看未来数据，但换来的结果是每个数字都敢拿去模拟盘验证。

我自己的血泪经验是：第一次跑滚动框架时，回测收益比全样本训练低了将近一半，当时一度怀疑是不是代码写错了。后来把两个版本的持仓明细拉出来对比，全样本版本里模型在靠近训练集末尾的位置预测异常准确，明显是背了答案。从那以后，我每次改模型或改动因子，都强制先跑一遍滚动回测再谈优化，这个习惯帮我避开了至少三次“看起来很强、实盘没法用”的假信号。希望帮到你。

本文还有配套的精品资源，点击获取