LSTM股票价格预测实战：从RNN原理到PyTorch代码避坑指南

简介基于Python实现的LSTM股票价格预测项目适合正在完成课程设计、期末大作业或入门时序预测实战的计算机专业学生。项目使用PyTorch框架构建LSTM网络包含数据处理、模型定义、训练与评估等完整流程源码均经过本地编译调试下载后即可运行。压缩包共14个文件以Python脚本5个py为主辅以模型缓存、配置说明、数据集及可视化图片能够清晰展示从数据准备到预测结果的全过程包体仅359KB轻量易用。目前已有89人学习使用。对于希望快速掌握LSTM在金融时序数据上应用、并完成可演示项目的学习者这是一份结构清晰、可直接复用与二次开发的参考资源。1. LSTM预测股票价格一个能跑通的方案但别把它当印钞机我见过太多人拿着「基于Python实现LSTM对股票价格的预测」这类标题的代码包跑完训练脚本看到预测曲线和真实价格贴得很近就觉得自己掌握了财富密码。实际上LSTM能捕捉时间序列里的短期依赖模式这是它在股票价格预测上被广泛使用的原因但预测曲线好看不等于能赚钱。这个方案适合三类人想用深度学习完成时间序列预测作业的学生、准备量化交易入门项目的开发者、以及想搞懂循环神经网络实际落地流程的工程师。它的价值在于让你完整经历「数据清洗 → 序列建模 → 模型训练 → 结果评估」这条链路而不是直接给你一台取款机。下面我按自己做过的方案把这套东西拆开讲清楚包括原理、代码、参数和那些让你翻车的坑。2. LSTM凭什么能处理股票价格从RNN到门控机制2.1 RNN的短记忆困境与LSTM的门控设计股票价格是一个典型的时间序列今天的价格和昨天、前天甚至过去二十天的价格都有关系。最早用来处理这类序列数据的循环神经网络RNN有一个致命问题当序列变长时梯度在反向传播过程中会反复相乘导致梯度消失或梯度爆炸。结果是RNN只能记住离当前时刻最近几步的信息稍微远一点的模式就学不到了这在实际预测里基本不够用。LSTM长短期记忆网络就是冲着这个痛点来的。它在RNN的基础上引入了一个「记忆细胞」用三个门来控制信息的写入、保留和输出遗忘门决定哪些历史信息该丢掉比如昨天的突发消息如果已经不再影响今天的价格就该被遗忘。输入门决定当前时刻的新信息有多少值得写入记忆细胞相当于筛选有价值的输入。输出门决定最终从记忆细胞里输出什么给下一层或者下一个时间步。这三个门都是带权重的神经网络层参数在训练过程中自动学习。你可以把LSTM理解成一个带抽屉的柜子RNN只有一个工作台做完一步就把之前的东西清理掉LSTM有多个抽屉重要的放进去不重要的一开始就被遗忘门拦住了。这就是股票预测任务里LSTM比普通RNN稳定的根本原因。2.2 为什么股票价格适合用LSTM而不是普通全连接网络全连接网络MLP做时间序列预测时输入通常是「前N天的价格拼成一个向量」但它有个天然缺陷模型不知道这个向量里的元素谁先谁后。你把第二天的价格和第五天的价格调换位置MLP的输出完全一样因为它把每个位置当成独立的特征处理。LSTM不一样它按时间步逐个读入数据每一步的输出会传递到下一步网络结构本身就内置了「顺序」的概念。价格序列里最重要的恰恰是顺序连续三天的上涨和「涨、跌、涨」虽然均值相同含义完全不同。LSTM的循环连接让模型能学到这种局部走势模式。另外LSTM的参数共享机制让它在不同长度的序列上都能工作泛化性比全连接好一些。但这不意味着LSTM能预测出准确的价格点位。股票价格受消息面、政策、市场情绪影响这些信息并不完全包含在历史价格里。LSTM能学到的只是价格序列自身的一些统计规律比如短期的动量效应或均值回归特征。理解了这一点你就不会对预测结果抱有不切实际的期望。2.3 预测任务定义单步预测还是多步预测写代码之前你得先明确一个问题模型到底要预测什么。最常见的定义是单步预测——用前N天的数据预测下一天的收盘价。实现简单训练稳定初学首选。多步预测则是用前N天预测未来M天的走势可以用递归预测把预测值当成输入继续喂给模型或seq2seq结构但误差会逐步累积工程复杂度高很多。任务类型输入形状标签形状预测方式适用场景单步预测(batch, n_steps, features)(batch, 1)一次预测一个值初学者、策略研究递归多步(batch, n_steps, features)(batch, M)预测值循环作为输入短周期滚动预测多变量单步(batch, n_steps, features)(batch, 1)含成交量等特征提升特征丰富度下面的代码我按单步预测来写这是最简配置理解了之后你自然能扩展。多步预测的坑在第5章里单独说。3. 数据准备第一步决定了模型的上限3.1 数据源选型tushare、akshare还是本地CSV做预测的第一步是拿数据。国内常用的免费数据源有tushare和akshare也有人在网上下载CSV文件直接使用。我的建议是学习阶段用本地CSV研究阶段用tushare。三者的差别如下数据源是否需要token稳定性字段丰富度推荐程度本地CSV否最高取决于来源初学首选tushare pro注册免费token高接口规范大量金融字段进阶推荐akshare否一般上游偶尔失效覆盖广备选方案使用tushare时在官网注册后获取token然后在代码里初始化接口拉取日线数据返回的是DataFrame包含open、high、low、close、volume等字段。你也可以直接把数据保存成stock_data.csv后面所有代码都从CSV读取这样换数据源时不需要改动核心逻辑。3.2 数据清洗与归一化为什么MinMaxScaler不能全量fit拿到原始数据后先做两件事清洗和归一化。清洗主要处理缺失值和异常值股票数据一般比较干净但停牌日可能留下NaN直接dropna即可。归一化这一步很多新手会踩坑fit_transform整个数据集。这是典型的数据泄露因为训练模型时你已经偷看了测试集的数据分布验证结果会虚高。正确做法是只对训练集做fit再用训练集的scaler去transform验证集和测试集。代码如下import pandas as pd from sklearn.preprocessing import MinMaxScaler # 读取数据假设CSV包含date, open, high, low, close, volume列 df pd.read_csv(stock_data.csv, parse_dates[date]) df df.dropna().sort_values(date) # 清洗缺失值按时间正序排列 # 以收盘价为例做预测你也可以把open/volume一起作为特征 data df[[close]].values # 按7:1.5:1.5划分训练/验证/测试注意不能打乱顺序 train_size int(len(data) * 0.7) val_size int(len(data) * 0.15) train_data data[:train_size] val_data data[train_size:train_size val_size] test_data data[train_size val_size:] # 关键只对训练集fit再对三个集transform scaler MinMaxScaler(feature_range(0, 1)) train_scaled scaler.fit_transform(train_data) val_scaled scaler.transform(val_data) test_scaled scaler.transform(test_data)代码里的scaler在fit_transform训练集时只统计了训练集的min和max后面用transform验证集和测试集时用的是同一组统计值不会把未来信息代入训练。sort_values(date)同样关键时间序列一旦乱序整个序列学习就失去意义。3.3 滑动窗口构造样本序列长度n_steps怎么定LSTM的输入要求是「一段连续序列」而不是单个值。比如用过去10天的收盘价预测第11天这10天就是窗口代码里叫n_steps。窗口长度的选择直接影响模型能捕捉的时间尺度窗口太短模型只看到一两天的波动学不到趋势太长则把久远的信息也塞进来反而增加噪声。常见做法是取n_steps10到20。对于日线数据10个交易日大约是两周的走势这个跨度对捕捉短期动量比较合适。构造样本的代码如下import numpy as np def create_sequences(data, n_steps10): X, y [], [] for i in range(len(data) - n_steps): X.append(data[i:i n_steps]) # 前n_steps天的数据 y.append(data[i n_steps]) # 第n_steps1天的目标值 return np.array(X), np.array(y) n_steps 10 X_train, y_train create_sequences(train_scaled, n_steps) X_val, y_val create_sequences(val_scaled, n_steps) X_test, y_test create_sequences(test_scaled, n_steps) # 把数据转成PyTorch要求的浮点张量 X_train torch.tensor(X_train, dtypetorch.float32) y_train torch.tensor(y_train, dtypetorch.float32) # 验证集和测试集做同样的转换这里省略注意create_sequences循环里range(len(data) - n_steps)确保最后一个样本的标签存在。第5章会讲一个很多代码包里的隐藏问题窗口切分时没有对齐导致模型「偷看」了未来数据。这个函数最稳妥的验证方法是打印一下形状print(X_train.shape)如果训练集有1000条数据、n_steps10输出应该是(990, 10, 1)990是样本数10是时间步1是特征数。如果第二个维度不对模型一定跑不通。4. 模型搭建与训练让LSTM在GPU上跑起来4.1 PyTorch环境准备与随机种子固定先确认环境里装了torch、numpy、pandas、scikit-learn和matplotlib。没有装的话用pip install torch pandas scikit-learn matplotlib。PyTorch的CPU版本就能跑通这套代码训练速度对于日线数据完全够用不需要刻意装GPU版除非你要处理分钟级数据。LSTM的训练结果受随机初始化影响很大同样的代码跑两遍loss曲线可能完全不同。为了让实验可复现第一步固定随机种子。这一步很多人跳过导致同一个代码包在不同机器上跑出差距很大的结果还以为是代码问题。import random import numpy as np import torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) # 如果用了GPU固定cuda种子 torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark False set_seed(42)cudnn.deterministicTrue会让卷积和循环网络层的计算变成确定性的代价是速度略慢但对小数据集基本无感。cudnn.benchmarkFalse则是关掉自动调优保证每次运行选择的算法一致。这两行缺一不可只设manual_seed在GPU上仍然可能不唯一。4.2 LSTM模型定义两层LSTM加全连接输出模型结构是整条链路的核心。一个标准的单变量价格预测模型包含两层LSTM和一个输出层。第一层LSTM返回完整的输出序列第二层LSTM只取最后一个时间步的隐藏状态然后通过全连接层映射成预测值。代码实现如下import torch.nn as nn class StockLSTM(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, output_size1): super(StockLSTM, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x形状: (batch_size, seq_len, input_size) out, _ self.lstm(x) # out形状: (batch_size, seq_len, hidden_size) out out[:, -1, :] # 取最后一个时间步的输出 out self.fc(out) # 映射到预测值 return out参数说明input_size1表示每个时间步输入一个特征收盘价如果加入成交量等特征就改成对应的特征数hidden_size64是LSTM隐藏状态的维度值越大模型表达能力越强但也更容易过拟合日线数据64到128是比较稳的区间num_layers2代表堆叠两层LSTM层数越多能捕捉的抽象层次越高但训练难度和过拟合风险同步上升三层以上在小数据集上基本只会变差batch_firstTrue让我们传入的数据形状是(batch, seq_len, input_size)不设的话默认是(seq_len, batch, input_size)新手极易搞混。out[:, -1, :]这一步是取序列最后一个时间步的输出因为我们要预测的是「看完这10天后」的结果前面9天只是上下文。也有实现用out.mean(dim1)对全部时间步取均值但我实际对比下来取最后一步在价格预测任务上更稳定。4.3 训练循环损失函数、优化器、batch_size与epoch的直觉训练过程就是把数据分批喂给模型计算损失反向传播更新参数。损失函数用均方误差MSE因为预测的是连续价格数值MSE对大误差惩罚更重逼着模型优先学对大的波动。优化器用Adam它对学习率不那么敏感适合新手如果你追求极致精度可以在后期换成SGD加动量但那是后话。from torch.utils.data import TensorDataset, DataLoader # 构造数据集和数据迭代器 train_dataset TensorDataset(X_train, y_train) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) model StockLSTM(input_size1, hidden_size64, num_layers2, output_size1) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) num_epochs 150 for epoch in range(num_epochs): model.train() total_loss 0.0 for X_batch, y_batch in train_loader: optimizer.zero_grad() y_pred model(X_batch) loss criterion(y_pred, y_batch) loss.backward() optimizer.step() total_loss loss.item() * X_batch.size(0) avg_loss total_loss / len(train_dataset) if (epoch 1) % 50 0: print(fEpoch {epoch1}/{num_epochs}, Loss: {avg_loss:.6f})关键参数说明batch_size64表示每次迭代用64个样本计算梯度值越小梯度噪声越大、收敛越不稳定值越大越占内存且容易陷入局部最优64是当前数据的折中选择lr0.001是Adam的默认学习率一般不需要改num_epochs150是完整遍历训练集的次数日线数据量不大150轮足够让loss降到平滑区间超过300轮通常会开始过拟合。训练完成后需要把预测结果从归一化空间还原成真实价格才能和原始数据对比model.eval() with torch.no_grad(): y_test_pred model(X_test).numpy() # 用之前保存的scaler做反归一化 y_test_inverse scaler.inverse_transform(y_test_pred) y_test_true scaler.inverse_transform(y_test.numpy().reshape(-1, 1))model.eval()会关闭Dropout和BatchNorm的训练行为不写的话预测结果会随每次前向传播而抖动。torch.no_grad()告诉PyTorch不需要计算梯度能省内存和加速。反归一化时scaler.inverse_transform的参数必须是(n, 1)的二维形状reshape(-1, 1)就是干这个的忘写这步会在预测阶段报维度错误。5. 避坑LSTM预测股票最容易踩的5个坑5.1 训练loss很低测试集预测却是一条直线现象训练集上loss降到0.001以下看起来很完美但把测试集画出来预测值几乎是一条水平线完全不跟随真实价格的波动。原因这是「数据泄露」的表现。最典型的泄漏是归一化时对全量数据做了fit_transform模型在训练阶段就已经见过测试集的统计信息。另一种可能是滑动窗口切分时索引错位测试集的标签实际上包含了训练集末尾的数据模型学到了「输出接近输入的一个平移」特征失效后只能预测均值。解决第3章的代码已经避免了这两种情况——只对训练集fitscaler、窗口函数严格按i n_steps取标签。如果严格遵守还出现直线检查测试集长度是不是太短比如只有几十条LSTM在数据稀疏时倾向于预测均值。增加数据集的整体长度或者缩短n_steps到5试一试。5.2 预测曲线总比真实值滞后一天现象画对比图时预测曲线形状和真实值几乎一样但整体右移了一天像是「昨天的真实价格被当成了今天的预测」。原因这是单步预测的固有现象不是bug。模型用前10天的数据预测第11天如果序列接近随机游走最优策略就是预测「接近第10天的值」因为历史信息对新一天的增量贡献很有限。特征不明显时LSTM学到的近似于y 上一时刻的值曲线自然看起来滞后。解决接受这个客观规律不要试图通过调参消除滞后。在做方向准确率评估时用「预测值比上一个真实值涨还是跌」来判断方向而不是对比绝对值。如果确实想减少滞后可以尝试加入交易量、开盘价等额外特征让模型有更多信息去判断转折点但效果提升有限别抱太高期望。5.3 归一化、反归一化对不上预测结果全在一个小区间现象loss正常下降预测值反归一化之后全部落在5000到5100之间而真实价格波动范围是3000到8000。原因网络最后的全连接层通常会输出一个压缩到一定范围的值比如在0.2到0.3之间。反归一化时如果scaler的data_min_和data_max_和输入时不一致——最常见的是你重新加载了模型和参数但忘了保存并恢复scaler或者用了一个新训练的scaler做反归一化数值范围就会错乱。解决把scaler和模型参数一起保存。torch.save(model.state_dict(), lstm_model.pth)只保存了网络权重还要用joblib.dump(scaler, scaler.pkl)单独保存归一化器。预测时scaler joblib.load(scaler.pkl)确保同一个对象做反归一化而不是重新fit一个新的scaler。5.4 换一只股票或换一段区间效果天差地别现象对000001.SZ预测效果不错换成600519.SH之后loss暴增预测曲线完全偏离。原因不同股票的波动特性不一样。银行股波动小、趋势平稳LSTM学起来容易科技股波动剧烈单日涨跌经常超过5%LSTM很难从历史价格里找到稳定模式。另外训练区间如果包含极端行情比如连续跌停或复牌补涨模型会被这些异常值带偏。解决换股票之后重新调参重点看n_steps和hidden_size。波动大的股票可以试着把n_steps从10降到5让模型专注短期特征hidden_size从64减到32来降低过拟合。还有一个通用做法是在训练前做数据预处理时剔除单日涨跌幅超过9%的异常样本但要做好样本数量损失的心理准备。5.5 未来函数用当天的涨跌去预测当天等于作弊现象训练时loss极低测试时预测值非常接近真实值但拿去模拟交易回测却亏得很惨。原因这是最隐蔽的坑——标签构造出错。有人写create_sequences时不小心让y取了data[i n_steps]之前的值或者归一化时混入了未来信息模型实际上学会了「偷看」。另一种更常见的未来函数是用当天的最高价、最低价、收盘价做特征去预测当天的收盘价这在交易中根本不可行因为收盘时你才能拿到收盘价但那时候已经不能交易了。解决构造样本时严格保证所有输入时间步都早于标签时间步即X是t-n到t-1的数据y是t的数据。用「前一天收盘后已知的数据」预测「后一天的走势」。模型能跑通不等于策略有效如果你的目标是后期做实盘或模拟交易建议在训练阶段就加入一条纪律任何特征值必须在预测时刻是已知的。6. 验证预测结果方向准确率比曲线拟合更重要训练完模型第一件事不是看loss而是画一张「真实值 vs 预测值」的对比图把测试集的时间作为横轴。曲线看着贴得近不代表模型有用因为MSE对小幅偏差不敏感而交易盈亏取决于方向判断。我自己的习惯是先计算三个指标RMSE、方向准确率DA、以及简单的策略回测收益率。方向准确率的计算方式是把预测序列和真实序列都转成「涨跌方向」比一比有多少天方向一致import numpy as np def direction_accuracy(y_true, y_pred): # 计算每天的涨跌方向1表示涨0表示跌 true_dir np.diff(y_true.flatten()) 0 pred_dir np.diff(y_pred.flatten()) 0 return np.mean(true_dir pred_dir) # y_test_true 和 y_test_inverse 是上面反归一化后的真实值与预测值 da direction_accuracy(y_test_true, y_test_inverse) print(f方向准确率: {da:.2%})np.diff计算出相邻两天的差值正数表示当天涨了。方向准确率高于55%说明模型学到了一定的趋势信息50%左右就说明基本在猜。我跑过很多次实验单变量LSTM在随机日线的方向准确率长期在48%到53%之间徘徊这符合有效市场假说能稳定超过55%已经算表现优秀了。所以当你看到自己的结果落在50%附近时不用怀疑代码写错这是模型能力的真实边界。验证完指标后的调参方向我建议按优先级做实验先调n_steps每次翻倍调整记录方向准确率然后固定n_steps调hidden_size最后调num_layers和lr。每次调参只改一个变量并把结果记录在一张表格里这是避免「到底哪个参数起效」混乱的唯一办法。我吃过亏有段时间同时改了窗口长度和学习率loss下降却说不清是哪个的功劳等于白跑。后来学乖了所有实验都建一个CSV记录参数组合每次只动一个旋钮。最后说一个我的使用习惯每次拿到新的股票数据我先跑direction_accuracy再决定要不要花时间调参。方向准确率低于52%直接放弃这只股票因为再怎么调参也很难在交易层面盈利。这个方案最大的价值是让你用最短的时间跑通「数据到预测」的完整链路同时理解深度学习在金融时序上的能力边界。希望帮到你。本文还有配套的精品资源点击获取