简介这份资源是面向计算机、人工智能、大数据、数学及电子信息等专业学生与技术学习者的机器学习实战项目源码聚焦股票市场价格的分析与预测场景可作为课程设计、期末大作业或毕业设计的参考方案。压缩包共2个文件以1个Python脚本和1个txt说明文件为主整体约45KB体量轻便便于快速下载与本地调试。其中Python脚本承担数据读取、特征处理与模型训练预测的核心逻辑txt文件则用于补充依赖或运行说明配合requirements.txt可辅助还原运行环境。目前已有299人学习下载说明该方向具备一定的关注度。读者可从中获取一套完整的股票价格预测实现思路理解机器学习算法在金融时序数据上的落地方式并在此基础上进行参数调整、模型替换或功能扩展适合具备一定编程基础、希望将算法理论转化为实际项目经验的学习者参考使用。1. 股票价格预测源码拆解从一份 zip 到能跑通的基线模型拿到「基于机器学习算法的股票市场股票价格的分析及预测源码.zip」这类压缩包多数人的第一反应是解压、找requirements.txt、pip install、然后python main.py。但真正跑过股票预测项目的人都知道这一步大概率会翻车——不是缺数据就是模型输出全是 NaN再不然就是预测曲线和真实价格完全对不上。问题不在代码本身而在于股票价格预测这件事从数据获取、特征构造到模型评估每一步都有它自己的脾气。这份源码对应的技术方向是用机器学习做股票价格的回归预测。核心链路通常包括历史行情数据获取、技术指标计算、特征工程、模型训练、回测评估。适合两类人一是想拿一个完整项目练手机器学习流程的入门者二是想快速搭一个基线模型再往上叠策略的量化从业者。下面按「数据怎么来、特征怎么造、模型怎么选、坑怎么避」的顺序把这条链路拆开讲清楚。2. 数据管道与特征工程股票价格预测的原料从哪来2.1 行情数据获取的三种常见方式股票价格预测的第一步永远是拿到干净的历史数据。常见做法有三种第一种是用yfinance这类开源库直接拉取。优点是零成本、接口简单缺点是 A 股数据覆盖不全美股数据偶尔有拆股复权问题。第二种是用akshare或tushare拉 A 股数据前者免费但接口稳定性一般后者需要注册拿 token积分门槛逐年提高。第三种是本地 CSV 文件很多源码包里会附带一份data/stock.csv格式通常是日期、开盘、最高、最低、收盘、成交量六列。我一般会先检查源码包里有没有自带数据文件。如果有先读进来看看字段名和日期范围如果没有再决定用哪个库拉。下面是一个用akshare拉取单只股票日线数据的示例import akshare as ak import pandas as pd # 拉取贵州茅台日线数据前复权 df ak.stock_zh_a_hist( symbol600519, perioddaily, start_date20200101, end_date20241231, adjustqfq # 前复权避免除权除息导致价格跳空 ) # 统一列名方便后续处理 df df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume }) df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) print(df.head())这段代码的关键在adjustqfq这个参数。股票在除权除息日会出现价格跳空如果不做复权处理模型会把这种跳空当成真实的价格波动来学习导致预测偏差。前复权是把历史价格按最新股本调整适合做时序预测后复权适合做收益率计算。很多源码包默认不复权这是第一个要检查的点。2.2 技术指标构造把原始价格变成模型能吃的特征原始的开高低收量五列直接喂给模型效果通常很差。原因是价格序列是非平稳的均值和方法随时间漂移模型很难学到稳定模式。常见做法是构造技术指标和滞后特征。最基础的几个特征包括收益率close.pct_change()、移动平均线MA5、MA10、MA20、波动率滚动标准差、成交量变化率。再进阶一点可以加 RSI、MACD、布林带位置。下面是一个特征构造的代码片段import numpy as np # 日收益率 df[ret] df[close].pct_change() # 移动平均线 for window in [5, 10, 20]: df[fma_{window}] df[close].rolling(window).mean() df[fvol_{window}] df[ret].rolling(window).std() # 成交量比率 df[vol_ratio] df[volume] / df[volume].rolling(5).mean() # 滞后特征用前 N 天的收盘价预测下一天 for lag in [1, 2, 3, 5]: df[fclose_lag_{lag}] df[close].shift(lag) # 预测目标下一天的收盘价 df[target] df[close].shift(-1) # 去掉因滚动和滞后产生的空值 df df.dropna().reset_index(dropTrue)这里有几个参数需要根据数据频率调整。window的选择上日线数据常用 5、10、20分钟线数据要缩小到 3、5、10。lag的数量不宜过多超过 5 个容易引入多重共线性树模型对此不敏感但线性模型会出问题。target用shift(-1)表示用今天的所有特征预测明天的收盘价这是最常见的设定但要注意最后一行会变成 NaN必须 drop 掉。注意特征构造阶段最容易犯的错误是引入未来信息。比如用rolling().mean()时没有加shift(1)导致当天的均值包含了当天的收盘价而当天收盘价又是预测目标的一部分。这种数据泄漏会让回测结果虚高实盘一跑就亏。2.3 训练集与测试集的切分方式股票时序数据不能随机切分。常见做法是按时间顺序切比如前 80% 做训练后 20% 做测试。更严谨的做法是滚动窗口切分用前 N 天训练预测第 N1 天然后窗口往后滑一天。下面是一个时间序列切分的示例from sklearn.model_selection import TimeSeriesSplit # 按时间顺序切分不 shuffle split_idx int(len(df) * 0.8) train df.iloc[:split_idx] test df.iloc[split_idx:] # 特征列和目标列 feature_cols [c for c in df.columns if c not in [date, target]] X_train, y_train train[feature_cols], train[target] X_test, y_test test[feature_cols], test[target] print(f训练集: {X_train.shape}, 测试集: {X_test.shape})如果源码包里用的是train_test_split(shuffleTrue)那基本可以判定这个项目的回测结果不可信。时序数据的自相关性会让随机切分把未来信息泄漏到训练集模型在测试集上的表现会好得离谱但没有任何实盘价值。3. 模型选型与训练线性回归、树模型和 LSTM 的取舍3.1 为什么基线模型优先选树模型而不是 LSTM很多股票预测源码包一上来就用 LSTM理由是「时序数据适合循环神经网络」。这个逻辑听起来对但实操中 LSTM 在股票日线数据上的表现往往不如 XGBoost 或 LightGBM。原因有三个第一股票日线数据量通常只有几千条LSTM 参数量大容易过拟合第二LSTM 对超参数敏感学习率、层数、隐藏单元数调起来很费时间第三树模型对特征尺度不敏感不需要做归一化工程上更省事。我一般会先用 LightGBM 跑一个基线确认特征和标签的构造没问题再考虑要不要上深度学习。下面是一个 LightGBM 回归的示例import lightgbm as lgb from sklearn.metrics import mean_squared_error, mean_absolute_error # 构造 Dataset train_data lgb.Dataset(X_train, labely_train) valid_data lgb.Dataset(X_test, labely_test, referencetrain_data) # 参数设置 params { objective: regression, metric: rmse, boosting_type: gbdt, num_leaves: 31, # 叶子数数据量小就调小 learning_rate: 0.05, # 学习率配合 early_stopping feature_fraction: 0.8, # 每棵树随机选 80% 特征 bagging_fraction: 0.8, # 每轮随机选 80% 样本 bagging_freq: 5, verbose: -1 } # 训练 model lgb.train( params, train_data, num_boost_round1000, valid_sets[valid_data], callbacks[lgb.early_stopping(50), lgb.log_evaluation(100)] ) # 预测 y_pred model.predict(X_test, num_iterationmodel.best_iteration) rmse mean_squared_error(y_test, y_pred, squaredFalse) mae mean_absolute_error(y_test, y_pred) print(fRMSE: {rmse:.4f}, MAE: {mae:.4f})num_leaves是最关键的参数。数据量在 5000 条以下时建议设在 15 到 31 之间超过 10000 条可以放到 63。learning_rate设 0.05 配合early_stopping(50)是比较稳的组合如果发现模型收敛太慢可以提到 0.1但不要超过 0.2。feature_fraction和bagging_fraction用来控制过拟合股票数据噪声大这两个值建议设在 0.7 到 0.9 之间。3.2 线性回归作为 sanity check 的价值在跑复杂模型之前我习惯先用线性回归跑一遍。不是为了追求精度而是为了验证特征和目标之间是否存在线性关系。如果线性回归的 RMSE 和 LightGBM 差不太多说明特征构造有问题可能大部分特征都是噪声。如果线性回归的 RMSE 是 LightGBM 的两三倍说明非线性模型确实抓到了额外模式值得继续调。from sklearn.linear_model import Ridge from sklearn.preprocessing import StandardScaler # 线性模型需要标准化 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) ridge Ridge(alpha1.0) ridge.fit(X_train_scaled, y_train) y_pred_ridge ridge.predict(X_test_scaled) rmse_ridge mean_squared_error(y_test, y_pred_ridge, squaredFalse) print(fRidge RMSE: {rmse_ridge:.4f})alpha是正则化强度股票数据噪声大建议从 1.0 起步如果发现系数波动很大就调大如果欠拟合就调小。标准化必须用训练集的均值和方差不能把测试集一起 fit否则又是数据泄漏。3.3 LSTM 的正确打开方式如果确实要上 LSTM有几个参数必须调对。第一输入序列长度seq_len建议设在 10 到 30 之间对应两周到一个月的历史窗口。第二LSTM 层数不要超过两层隐藏单元数控制在 32 到 128 之间。第三必须加 Dropout比例设在 0.2 到 0.5。第四输出层用线性激活因为预测的是连续价格。import torch import torch.nn as nn class LSTMModel(nn.Module): def __init__(self, input_size, hidden_size64, num_layers2, dropout0.3): super().__init__() self.lstm nn.LSTM( input_size, hidden_size, num_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): # x shape: (batch, seq_len, input_size) out, _ self.lstm(x) # 取最后一个时间步的输出 out self.fc(out[:, -1, :]) return out.squeeze() # 构造序列数据 def create_sequences(X, y, seq_len20): xs, ys [], [] for i in range(len(X) - seq_len): xs.append(X[i:iseq_len]) ys.append(y[iseq_len]) return np.array(xs), np.array(ys) X_seq, y_seq create_sequences(X_train.values, y_train.values, seq_len20) print(f序列数据形状: {X_seq.shape})LSTM 的训练需要 GPU 才跑得快如果只有 CPU训练时间会很长。另外 LSTM 对学习率非常敏感建议用1e-3起步配合ReduceLROnPlateau调度器。如果发现 loss 震荡不收敛先检查数据有没有做归一化LSTM 对输入尺度比树模型敏感得多。4. 回测与评估为什么你的 RMSE 很低但实盘亏钱4.1 价格预测和收益率预测的本质区别很多源码包直接预测收盘价然后用 RMSE 评估。问题在于股票价格是非平稳序列今天 100 块明天 101 块后天 99 块模型只要预测「和昨天差不多」就能拿到很低的 RMSE。但这种模型没有任何交易价值因为它学到的只是价格的持续性而不是方向性。更合理的做法是预测收益率或者把价格预测转成方向预测。下面是一个把价格预测转成方向准确率的评估代码# 用预测价格和真实价格算方向准确率 y_pred_price y_pred y_true_price y_test.values # 方向今天预测价 vs 昨天真实价 pred_direction np.sign(y_pred_price - df[close].iloc[split_idx:split_idxlen(y_pred)].values) true_direction np.sign(y_true_price - df[close].iloc[split_idx:split_idxlen(y_pred)].values) direction_acc (pred_direction true_direction).mean() print(f方向准确率: {direction_acc:.4f})方向准确率能到 55% 以上说明模型有实用价值低于 52% 基本就是随机猜测。很多源码包只报 RMSE 不报方向准确率这是评估体系不完整。4.2 回测中的交易成本与滑点如果要把预测信号转成交易策略必须考虑交易成本和滑点。A 股单边手续费大约万分之三加上印花税千分之一卖出时收一次完整买卖的成本大约千分之一点六。滑点按千分之一估算。如果模型预测的日收益率只有千分之二扣掉成本基本不赚钱。# 简单回测预测涨就买入预测跌就空仓 initial_capital 100000 capital initial_capital position 0 cost_rate 0.0016 # 单次交易成本 for i in range(len(y_pred)): signal 1 if y_pred[i] y_true_price[i-1] else 0 if signal 1 and position 0: position capital / y_true_price[i] capital 0 capital - position * y_true_price[i] * cost_rate elif signal 0 and position 0: capital position * y_true_price[i] capital - capital * cost_rate position 0 final_value capital position * y_true_price[-1] print(f最终资金: {final_value:.2f}, 收益率: {(final_value/initial_capital-1)*100:.2f}%)这段回测代码很粗糙但能说明一个问题如果策略的收益率扣掉成本后还不如买入持有那这个模型就没有实盘价值。很多源码包的回测曲线很漂亮但仔细一看没有扣成本或者用了未来函数。4.3 滚动回测比单次切分更可信单次训练集测试集切分只能看到一个时间段的表現。更严谨的做法是滚动回测每次用过去 N 天训练预测未来 M 天然后窗口往前滑。下面是一个滚动回测的框架def walk_forward_validation(df, feature_cols, train_window500, test_window20): results [] for start in range(0, len(df) - train_window - test_window, test_window): train df.iloc[start:starttrain_window] test df.iloc[starttrain_window:starttrain_windowtest_window] model lgb.train( params, lgb.Dataset(train[feature_cols], labeltrain[target]), num_boost_round200 ) pred model.predict(test[feature_cols]) rmse mean_squared_error(test[target], pred, squaredFalse) results.append({start: start, rmse: rmse}) return pd.DataFrame(results) results walk_forward_validation(df, feature_cols) print(results[rmse].describe())滚动回测的 RMSE 分布比单次切分更有参考价值。如果 RMSE 的方差很大说明模型在不同市场环境下表现不稳定需要检查特征是否对市场状态敏感。5. 避坑与排查股票预测源码里最常见的五个翻车点5.1 数据泄漏回测收益虚高的头号原因现象回测曲线平滑向上年化收益 50% 以上但实盘一跑就亏。原因特征构造时用了未来信息。最常见的是rolling().mean()没有加shift(1)或者用了全量数据的均值和方差做标准化。解决所有滚动计算必须shift(1)标准化只能在训练集上 fit。检查方法是把特征和目标的相关性算出来如果某个特征和目标的相关性超过 0.9大概率有泄漏。5.2 复权处理不当价格跳空被当成真实波动现象模型在除权除息日附近预测误差突然变大。原因数据没有做前复权或后复权处理除权日的价格跳空被模型当成真实下跌或上涨。解决拉数据时加adjustqfq或者用akshare的复权接口。如果源码包自带数据先检查除权日附近的价格是否连续。5.3 过拟合训练集 RMSE 远低于测试集现象训练集 RMSE 0.5测试集 RMSE 5.0差距十倍以上。原因模型太复杂或者特征太多但样本太少。LSTM 和深层树模型最容易出这个问题。解决先降模型复杂度num_leaves调到 15 以下LSTM 层数降到一层。再减特征用feature_importance排序只保留前 20 个。最后加正则化lambda_l1和lambda_l2设到 0.1 到 1.0。5.4 标签构造错误预测目标和特征错位现象模型预测值永远比真实值滞后一天。原因target用shift(-1)构造但特征里包含了当天的收盘价而当天收盘价在预测时是不可知的。解决特征里不能包含预测目标当天的任何信息。如果预测明天收盘价特征只能用到今天收盘为止的数据。检查方法是把target和close做相关性如果相关性 0.99 以上说明特征里混入了目标。5.5 评估指标单一只看 RMSE 不看方向准确率现象RMSE 很低但按预测信号交易不赚钱。原因RMSE 衡量的是价格拟合程度不是方向判断能力。价格序列自相关性强模型只要预测「和昨天差不多」就能拿到低 RMSE。解决同时看 RMSE、MAE、方向准确率、扣费后收益率。方向准确率低于 52% 的模型直接放弃不要浪费时间调参。6. 从基线到可用三个提升预测质量的实操技巧6.1 用分类代替回归做方向预测把「预测明天收盘价」改成「预测明天涨还是跌」问题就从回归变成分类。分类模型对噪声的鲁棒性更强评估指标也更直接。下面是一个用 LightGBM 做二分类的示例# 构造分类标签明天涨为 1跌为 0 df[label] (df[close].shift(-1) df[close]).astype(int) df df.dropna().reset_index(dropTrue) # 切分 split_idx int(len(df) * 0.8) train, test df.iloc[:split_idx], df.iloc[split_idx:] feature_cols [c for c in df.columns if c not in [date, label, target]] # 分类参数 clf_params { objective: binary, metric: auc, num_leaves: 15, learning_rate: 0.05, feature_fraction: 0.8, bagging_fraction: 0.8, bagging_freq: 5, verbose: -1 } clf lgb.train( clf_params, lgb.Dataset(train[feature_cols], labeltrain[label]), num_boost_round500, valid_sets[lgb.Dataset(test[feature_cols], labeltest[label])], callbacks[lgb.early_stopping(50)] ) # 评估 AUC 和准确率 from sklearn.metrics import roc_auc_score, accuracy_score pred_prob clf.predict(test[feature_cols]) pred_label (pred_prob 0.5).astype(int) print(fAUC: {roc_auc_score(test[label], pred_prob):.4f}) print(f准确率: {accuracy_score(test[label], pred_label):.4f})AUC 能到 0.55 以上就说明模型有区分能力0.6 以上算不错。分类模型的好处是可以直接输出概率方便做仓位管理——概率 0.6 时半仓概率 0.8 时满仓。6.2 多模型融合降低单模型方差单个模型的预测波动大把 LightGBM、XGBoost、Ridge 的预测结果做加权平均能显著降低方差。权重可以用验证集上的表现来定表现好的权重大。from sklearn.ensemble import VotingRegressor from xgboost import XGBRegressor # 三个基模型 lgb_model lgb.LGBMRegressor(num_leaves15, learning_rate0.05, n_estimators300) xgb_model XGBRegressor(max_depth4, learning_rate0.05, n_estimators300) ridge_model Ridge(alpha1.0) # 融合 ensemble VotingRegressor([ (lgb, lgb_model), (xgb, xgb_model), (ridge, ridge_model) ], weights[0.5, 0.3, 0.2]) ensemble.fit(X_train, y_train) y_pred_ensemble ensemble.predict(X_test) rmse_ensemble mean_squared_error(y_test, y_pred_ensemble, squaredFalse) print(f融合模型 RMSE: {rmse_ensemble:.4f})权重不是固定的可以根据市场状态动态调整。比如波动率高的时期树模型的权重调大波动率低的时期线性模型的权重调大。6.3 用特征重要性做特征筛选特征不是越多越好。股票预测里很多技术指标之间高度相关保留太多反而引入噪声。用feature_importance排序只保留前 20 到 30 个特征模型表现通常更稳定。# 获取特征重要性 importance pd.DataFrame({ feature: feature_cols, importance: clf.feature_importance(importance_typegain) }).sort_values(importance, ascendingFalse) # 选前 20 个 top_features importance.head(20)[feature].tolist() print(importance.head(10)) # 用筛选后的特征重新训练 clf_top lgb.train( clf_params, lgb.Dataset(train[top_features], labeltrain[label]), num_boost_round500 ) pred_top clf_top.predict(test[top_features]) print(f筛选后 AUC: {roc_auc_score(test[label], pred_top):.4f})我一般会跑两轮第一轮用全部特征看重要性分布第二轮只用前 20 个对比 AUC 有没有下降。如果下降不超过 0.01就用筛选后的特征模型更轻量推理更快。最后说一个我自己的习惯每次拿到新的股票预测源码先不看模型部分先看数据管道和评估代码。数据管道决定模型能学到什么评估代码决定你能不能相信结果。这两块没问题模型部分再差也差不到哪去这两块有问题模型再花哨也是空中楼阁。希望帮到你。本文还有配套的精品资源点击获取