简介这是一篇完成于二零一九年的LSTM股票预测算法研究论文面向机器学习、深度学习和金融数据分析初学者聚焦如何用长短期记忆网络对股票最高价做短期预测。资源包仅含一个PDF文件大小约897KB属于单文档精简型资料PDF格式便于阅读、保存与批注。论文从网络爬虫抓取最高价、最低价、收盘价、开盘价、日成交量和成交金额六个属性入手经过z-score标准化预处理再基于pytorch框架搭建LSTM神经网络以前十五天的数据作为输入并预测第十六日最高价完整展示了时间序列预测的建模流程。文中详细解释了细胞状态、输入门、遗忘门与输出门的选择记忆机制并针对梯度爆炸问题、参数微调策略与BP神经网络对比展开说明还使用两支股票指数的拟合曲线对预测结果进行验证兼顾理论与实验。截至目前已有二百九十四人学习浏览适合需要入门LSTM时序建模、参考论文实验设计或复现股票预测算法的读者。1. LSTM神经网络做股票预测这篇论文把最高价预测做到了什么程度LSTM神经网络做股票预测真正的门槛往往不在网络搭建而在数据窗口和标准化方式。《基于LSTM神经网络的股票预测算法研究》这篇论文用前15个交易日的六项数据预测第16天最高价前80%数据训练、后20%测试四支个股的相对误差落在0.079到0.189之间。它的价值不在于「预测得很准」而在于把LSTM的三道门、z-score标准化、滑动窗口和相对误差评估串成一条清晰可复现的链路。适合两类人一类是刚想在金融时序上跑通LSTM的初学者另一类是已经调过BP网络、想对比时序模型差异的工程师。读完你会知道窗口选多大、标准化怎么切、误差怎么算才靠谱。2. 数据获取与预处理爬虫、z-score标准化与15天滑动窗口2.1 为什么用六个属性而不是只用收盘价很多人做股票预测第一反应是「用收盘价预测收盘价」但论文选的是最高价、最低价、收盘价、开盘价、日成交量、成交金额这六个属性。这个选型是合理的收盘价只是单日交易的结果最高价和最低价刻画了日内价格波动的范围成交量和成交金额反映资金在某只票上的参与程度。对股票这种带噪声的随机时序而言多变量输入意味着LSTM每个时间步能拿到更完整的市场上下文单变量则很容易把注意力全部集中在价格的自我重复上过拟合到噪声里。论文的数据是通过网络爬虫抓取的抓下来保存到本地再清洗。数据源一般会选新浪财经、腾讯财经这类页面用requests加BeautifulSoup抓表格或者直接调用股票数据接口拿历史日线存成CSV。接口地址变动快代码里最好把解析逻辑单独封装换数据源时只改解析函数不动清洗和建模部分。属性与用途的关系可以参考下面这张表方便后面构造模型输入时对齐字段顺序属性字段含义在模型中的角色最高价High预测目标也是输入特征之一最低价Low刻画日内波动下限收盘价Close当日最终成交价开盘价Open日内起点日成交量Volume资金参与程度成交金额Amount资金参与规模这里有个容易忽略的点最高价既是输入特征也是要预测的标签相当于模型要利用包括历史最高价在内的多维度信息去推断下一个交易日的最高价。构造样本时每个样本的输入是前15天的六维数据形状是(15, 6)标签是第16天标准化后的最高价标量。抓完数据别急着训练先把数据质量过一遍。我一般按顺序检查四件事一是日期是否连续跳过交易日会导致模型以为两个不相邻的日子是相邻的二是high、low、open、close四列是否满足high大于等于max(open, close)的基本逻辑不满足的行说明数据源有脏数据三是volume和amount是否有零值或负值那通常是停牌或接口异常四是按时间排序后确认没有重复日期。这个过程听起来琐碎但在真实数据上几乎每次都能抓到问题特别是跨接口拼接数据时。2.2 z-score标准化为什么必须用训练集的均值和标准差从抓取的数据可以看到成交量和成交金额的量级与价格类指标差距很大价格是几块到几百块成交量是几十万手成交金额是几千万到几十亿。不做标准化直接喂给LSTM梯度更新会被量级大的特征主导价格类特征的信息基本被淹没。论文用的是z-score标准化公式是x (x-μ)/σ其中μ是训练集均值σ是训练集标准差。标准化之后所有特征都被映射到均值0、标准差1的分布里去掉了量纲差异各特征在梯度下降时能获得相对均衡的贡献。关键点在于μ和σ只能从训练集计算测试集和未来数据必须沿用训练集的这组参数。我见过很多新手在预处理阶段把全部数据放一起算均值和标准差再切训练测试集表面上看归一化很顺滑实际上测试集的分布信息已经通过均值泄漏进了训练过程线下误差很好看换到真实数据就原形毕露。正确的做法是先切分再分别用训练集的μ和σ去转换训练集、测试集。用Pandas和NumPy就能实现import numpy as np import pandas as pd data pd.read_csv(stock_daily.csv).sort_values(date).reset_index(dropTrue) feature_cols [high, low, close, open, volume, amount] raw data[feature_cols].values.astype(float32) # 按论文的 80/20 比例切分先切分再标准化 split_idx int(len(raw) * 0.8) train_raw, test_raw raw[:split_idx], raw[split_idx:] # 只从训练集计算均值和标准差 mu train_raw.mean(axis0) sigma train_raw.std(axis0) sigma[sigma 0] 1.0 # 防止某列标准差为0导致除零 train_scaled (train_raw - mu) / sigma test_scaled (test_raw - mu) / sigma这段代码的逻辑是先按时间顺序排序按80%比例切出训练集从训练集算mu和sigma再分别转换训练集和测试集。最后一行把标准差为0的列替换成1是为了防止数据质量问题导致除零。如果你的数据集里没有这类列这行不会触发但保留它能让程序在异常数据面前不崩溃。注意使用sklearn里的StandardScaler时同样要先fit训练集、再transform训练集和测试集直接fit_transform全量数据等价于上面的错误做法。2.3 构造15天滑动窗口样本标准化之后接着要把时间序列切成「前15天预测第16天」的样本对。这里我一般用循环生成虽然效率比numpy的stride_tricks低一点但可读性好方便调试。对训练集和测试集分开构造注意两个集合之间不能共享样本否则样本里的第16天会出现在另一个样本的输入里形成标签泄漏。def make_samples(scaled_data, window15): x_list, y_list [], [] for i in range(len(scaled_data) - window): x_list.append(scaled_data[i:i window]) # 前15天6个属性 y_list.append(scaled_data[i window, 0]) # 第16天的最高价high列 return np.array(x_list), np.array(y_list) train_x, train_y make_samples(train_scaled, window15) test_x, test_y make_samples(test_scaled, window15) print(train_x.shape, test_x.shape) # 期望输出 (N, 15, 6) 和 (M, 15, 6)window15来自论文的设定这个值不是固定的后面调参时可以尝试7、10、20等。窗口越大模型能回顾的历史越长但输入维度不变、时间步变多对LSTM的记忆容量要求更高噪声累积也更多窗口越小模型越容易把最近的波动当成长久规律。对于日线级别的股票数据15个交易日大约是三周通常能覆盖一段短期趋势的成型过程。标签取第16天high列索引0的标准化值后续预测出来的也是标准化价格论文里在画图时直接用归一化数据做拟合曲线对比没有反归一化这样不同价位的股票才能在同一个坐标轴里比较走势。3. LSTM网络原理与PyTorch实现三道门与细胞状态的梯度通道3.1 为什么RNN梯度会消失LSTM却不会股票价格是典型的时间序列天然适合用循环神经网络处理但普通RNN有个致命问题反向传播时梯度要沿着时间步连乘网络层数一深、序列一长梯度就会指数级衰减或膨胀。梯度消失的后果是模型只能学到相邻几天的关系更早的数据无论多重要都对参数更新没有贡献梯度爆炸则会让loss在训练中突然跳到NaN。论文里提到这个问题的解决方案是LSTM靠的是内部的三道门结构。LSTM的关键是把信息流动拆成两条通道一条是细胞状态C_t像传送带一样贯穿所有时间步只经过少量线性交互梯度可以顺畅地穿过整条链另一条是隐藏状态h_t负责输出给下一层和全连接层。每到一个时间步遗忘门决定旧记忆保留多少输入门决定新信息写入多少输出门决定当前记忆有多少对外可见。这种结构让模型具备「选择记忆」的能力对预测最高价有用的长期趋势保留下来与当前预测无关的短期噪音主动丢掉。在深度学习处理时序任务的体系里LSTM不是唯一选择GRU可以看作它的简化版参数更少、训练更快但论文用LSTM而非GRU原因在于LSTM的三门结构在长序列上记忆保持能力更强股票预测这种任务希望模型能捕捉到几周甚至几个月前的价格模式。如果你后续想在论文基础上做对比实验GRU是一个不错的对照模型但建议先跑通LSTM基线再换。3.2 LSTM细胞更新的三个表达式拆解论文给出的是简化的细胞更新公式实际PyTorch里每个LSTM单元的计算可以拆成下面这几步符号含义和论文中的一致f_t sigmoid(W_f · [h_{t-1}, x_t] b_f) # 遗忘门 i_t sigmoid(W_i · [h_{t-1}, x_t] b_i) # 输入门 c_t tanh(W_c · [h_{t-1}, x_t] b_c) # 候选记忆 C_t f_t * C_{t-1} i_t * c_t # 细胞状态更新 o_t sigmoid(W_o · [h_{t-1}, x_t] b_o) # 输出门 h_t o_t * tanh(C_t) # 隐藏状态三道门都经过sigmoid激活输出在0到1之间0表示完全丢弃、1表示完全保留候选记忆用tanh激活输出在-1到1之间决定写入细胞状态的新内容方向。细胞状态更新那一步是LSTM的核心遗忘门和输入门共同决定了记忆的增删这个操作是逐元素相乘梯度可以从这一步直接往前回传绕开了普通RNN里反复矩阵乘法的衰减路径。从这个公式还能看出一个调参方向初始的h_0和C_0是零向量模型对前几个时间步的记忆比较「空」所以窗口前段的信息天然不如后段对预测影响大。如果想让模型重视窗口开头几天的数据可以把窗口整体后移或者加大num_layers层数让底层LSTM先做一次特征提取顶层再基于底层输出做记忆更新。3.3 PyTorch中nn.LSTM的核心参数与输出结构论文实验基于PyTorch框架搭建LSTM一般就一两层封装核心是nn.LSTM模块加一个全连接输出层。我通常这样定义模型import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size6, hidden_size128, num_layers2, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0.0, ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): out, (h_n, c_n) self.lstm(x) # out: (batch, seq_len, hidden_size) last_step out[:, -1, :] # 只取最后一个时间步的隐藏状态 return self.fc(last_step) # 输出形状 (batch, 1)几个参数说明input_size6对应论文的六个属性必须与第2章构造的train_x最后一维一致。hidden_size是LSTM隐藏层维度论文没有给出具体值常见做法是64到256之间。hidden_size越大模型容量越高但对日线级别的小样本来说128以上就容易过拟合。num_layers2是堆叠两层LSTM底层处理原始序列顶层在底层输出的基础上做更高阶的时序抽象。层数超过3在金融时序上收益很小反而训练更慢、更容易震荡。batch_firstTrue让输入形状直接是(batch, seq_len, feature)否则默认是(seq_len, batch, feature)初学最容易在这里搞混维度。dropout只对多层LSTM生效单层时传入dropout会告警所以代码里做了判断。out[:, -1, :]取最后一个时间步的隐藏状态送进全连接层这是时序预测最常见的接法。如果你取h_n[-1]也可以它和out[:, -1, :]在单层单向LSTM里是等价的但多层时h_n[-1]是最后一层的最后状态容易和out的语义搞混我习惯统一用out[:, -1, :]。LSTM在这里解决的是「读完15天数据后输出一个压缩向量」的编码问题全连接层在此基础上回归出第16天的最高价。数据集规模不大时这个两层结构足够用没必要上Transformer或Attention反而可能因为参数过多在小样本上崩掉。调LSTM超参数在金融时序上多少带点玄学成分但调节顺序是有章法的先把网络结构定住再慢慢动窗口和数据。4. 训练与预测实验80/20划分、相对误差公式与四支个股结果4.1 训练流程、损失函数与超参数调节顺序训练循环的框架比较固定用均方误差MSE作为损失函数优化器选Adam默认学习率0.001。MSE对离群的大误差惩罚更重这正好符合预测最高价的需求——单日暴涨暴跌的尖峰如果预测偏差大会在损失函数里被放大。下面这段代码覆盖了从数据集封装到训练循环的完整流程from torch.utils.data import TensorDataset, DataLoader train_x_t torch.tensor(train_x, dtypetorch.float32) train_y_t torch.tensor(train_y, dtypetorch.float32).unsqueeze(1) test_x_t torch.tensor(test_x, dtypetorch.float32) test_y_t torch.tensor(test_y, dtypetorch.float32).unsqueeze(1) train_loader DataLoader(TensorDataset(train_x_t, train_y_t), batch_size32, shuffleTrue) model LSTMPredictor(input_size6, hidden_size128, num_layers2) optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.MSELoss() for epoch in range(100): model.train() for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) loss criterion(pred, yb) loss.backward() optimizer.step() if epoch % 20 0: print(fepoch {epoch}, loss {loss.item():.4f})这里shuffleTrue只对训练集生效测试集保持原始时间顺序否则评估时相当于打乱了时间序列方向和趋势评估就失真了。批量大小32、训练100轮是常见起点不代表论文的具体设定。参数调节我一般按这个顺序来先固定hidden_size128和num_layers2调整学习率看loss曲线是否稳定下降loss震荡就降到5e-4或3e-4过拟合特征明显训练loss低、测试误差大就加大dropout或者缩小hidden_size最后才动窗口大小window。把窗口和网络容量同时改出了问题分不清是哪个因素导致的。判断LSTM是否收敛我习惯同时看训练loss和测试相对误差两条曲线。训练loss平稳下降、测试误差同步下降说明模型在学习有效特征训练loss下降但测试误差不降反升就是过拟合信号优先想到降低hidden_size或加大dropoutloss在某个数值附近剧烈震荡先把学习率降一个量级。另外金融时序的loss曲线天然比图像分类抖不要因为个别epoch的反弹就急着停至少观察连续20轮的走势再判断。4.2 误差评估为什么论文用相对误差而不是MSE论文在评估阶段自定义了一个误差公式error |prediction - y| / y也就是预测值与真实值的绝对差除以真实值。这么做的原因是股价量级差异太大论文测试的股票里贵州茅台是几百元价位平安银行是十元级价位如果只报绝对误差茅台差10元看起来还行银行股差10元就是巨大偏差。相对误差把不同价位的股票拉到同一把尺子上比较四支个股的结果才具备横向可比性。这个思路对任何金融时序预测都适用。我通常在训练时用MSE做优化目标评估时再用相对误差做性能指标两者分工不同MSE关心梯度怎么走相对误差关心结果对用户是否可接受。如果你评估时发现MSE很低但相对误差很高说明模型在大价位股票上拟合得好在小价位股票上系统性偏高这时要回头检查样本是否均衡、是否需要为不同股票单独设置窗口。4.3 四支个股预测结果与误差对照论文的预测实验覆盖了两支股票指数和四支国内成交量较大的个股数据区间是2015年1月5日到2018年12月8日。四支个股的预测误差整理如下实验对象数据区间相对误差平安银行2015/1/5-2018/12/80.123工商银行2015/1/5-2018/12/80.126贵州茅台2015/1/5-2018/12/80.189浦发银行2015/1/5-2018/12/80.079从误差分布能看出两个信息。第一同一套模型在不同股票上表现差异明显浦发银行误差只有7.9%贵州茅台误差接近19%说明LSTM对波动平缓、规律性强的票效果更好而高价高波动的票更难拟合。第二论文的整体预测误差在10%到20%区间对股价日线预测来说属于「趋势基本可参考但单点不要较真」的水平这符合LSTM对短期时间序列的定位。预测结果图里预测曲线和真实曲线在整体趋势上重合度较高但个别时间点上会出现偏差较大的尖峰尤其是股价剧烈波动的时段。这不是模型bug而是LSTM的时间序列特性决定的它对训练数据中反复出现的模式拟合较好对没有先例的突发性行情天然滞后。论文在结论里也提到预测存在一定滞后性投资者参考的是趋势而非精确点位。5. 避坑与排查LSTM股票预测的五个常见问题5.1 测试集标准化用了自己的均值和标准差现象线下测试误差很小拟合曲线几乎完全贴住真实值但一旦换一段新数据推理预测结果就明显偏移甚至出现离谱的负值。原因标准化时把全部数据一起算均值μ和标准差σ再切训练测试集测试集的分布信息已经通过μ和σ渗入模型测试集不再是无偏的验证集相当于模型「见过」了测试集的整体分布。解决严格按「先切分、后标准化」执行用训练集的mu和sigma转换测试集。第一次写完第2章的预处理代码后我建议单独打印一份test_scaled的均值和标准差对比train_scaled两者差异应该在合理范围如果某个特征差异特别大说明数据分布漂移了要回头检查数据源是否有复权或停牌缺行。5.2 复权问题没处理导致股价跳空失真现象预测曲线整体趋势是对的但在分红送股日附近预测值与真实值严重偏离而且这种偏离反复出现在每一个除权日附近。原因股票分红送转会导致除权价格出现跳空。直接用不复权数据训练模型会把这个跳空当成真实的价格下跌或上涨去学习但除权日是人为的价格重置不是市场行为模型学到的规律是错的。解决拉数据时选「前复权」或「后复权」至少保证价格序列连续。论文正文没有强调这一步但对国内个股这是必须处理的基础问题。如果用的是免费的股票数据接口拉取参数里一般都有复权选项设置成前复权再存CSV清洗阶段再检查一次除权日前后价格是否有异常跳变。5.3 取h_n当最后一层输出多层LSTM时预测整体滞后现象单层LSTM时预测正常改成num_layers2后预测曲线整体右移一天误差变大。原因在多层LSTM中h_n的形状是(num_layers, batch, hidden_size)h_n[-1]只是最后一层的最后时间步隐藏状态而out[:, -1, :]是每一层合并后的最后时间步输出。在多层场景里两者含义不同误用会丢掉部分时间步的信息造成时序错位。解决统一用out[:, -1, :]作为全连接层的输入。这个坑的表面现象是「滞后一天」实际原因是时序对齐错误。我在3.3节里已经按这个写法给代码照抄不会踩到。5.4 只画拟合曲线不算数值误差现象预测曲线和真实曲线画在一起看起来基本重合于是认为模型效果很好直到用数值指标评估才发现误差超过20%。原因人的视觉对曲线重合度很敏感但纵轴范围大时小幅偏差在图上几乎看不出来。论文里四支个股拟合图「看着很接近」实际相对误差从7.9%到18.9%不等只靠肉眼判断完全不可靠。解决评估时按论文的error |prediction - y| / y算相对误差并分别统计均值、最大值和分位数。中位数比均值更能反映典型误差因为少数极端行情会把均值拉高这一点在论文里没有展开但属于做时序评估的基本习惯。5.5 不同股票共用一组超参数效果参差不齐现象同一套代码换一只票误差从8%跳到20%于是怀疑代码有bug或者标准化出错。原因不同个股的波动特征差异很大贵州茅台这种高价票和银行类低价票在价格序列的自相关性、波动率上完全不同固定的window、hidden_size并不通用。论文里四支个股误差从0.079到0.189也体现了这一点模型的预测效果与研究对象自身特征相关。解决对每支股票单独做一次小范围调参。我一般会对window在7、10、15、20四个档位各跑一遍对比测试集相对误差误差最低的那个窗口才作为该票的最终配置。不要指望一劳永逸的参数每支股票保留一份独立的参数记录写进实验日志。6. 验证与进阶用滚动回测检验LSTM预测的真实价值论文用了固定切分的80/20验证但在实际工程里我更推荐在此基础上加一轮滚动回测来验证模型是否有真实参考价值。滚动回测的思路是只用当前时间点之前的数据训练预测未来一个时间步然后把窗口向前滚动一步重复这个过程模拟投资者在真实场景里的连续操作。def rolling_eval(df_scaled, model_cls, window15, start_ratio0.8): errors [] horizon len(df_scaled) - int(len(df_scaled) * start_ratio) for i in range(horizon): train_part df_scaled[:int(len(df_scaled) * start_ratio) i] samples_x, samples_y make_samples(train_part, window) model model_cls(input_size6, hidden_size128, num_layers2) # 小步训练每轮只用当前可见数据 for epoch in range(30): model.train() optimizer torch.optim.Adam(model.parameters(), lr1e-3) pred model(torch.tensor(samples_x[-32:])) loss nn.MSELoss()(pred, torch.tensor(samples_y[-32:]).unsqueeze(1)) optimizer.zero_grad() loss.backward() optimizer.step() # 用最新窗口预测下一天 last_x torch.tensor(df_scaled[i window:i window window].reshape(1, window, -1)) pred_val model(last_x).item() true_val df_scaled[i window, 0] errors.append(abs(pred_val - true_val) / true_val) return np.mean(errors), np.percentile(errors, 90)这段代码每到一个新时间点只用该点之前的数据训练一个轻量模型然后预测下一天最高价滚动前进。注意它的训练轮数只设了30因为每个时间点都完整原地重训一轮100轮的话运行时间会非常长滚动回测更关注的是「持续预测时误差分布是否稳定」而不是单点最优精度。90分位数能告诉你最差的10%预测日误差有多大这比只看均值更有工程意义如果90分位误差超过30%说明这个模型在极端行情下基本不可用只能做趋势参考。从那以后我每次拿到一个LSTM时序预测项目都会强制自己把评估流程走完整先做固定切分的基线实验再做滚动回测看误差分布最后把预测结果和随机游走基线即「明天等于今天」的傻瓜预测对比一遍。如果LSTM的误差压不过这条基线那这个模型的参考价值就要打个问号。滚动回测跑完你才能真正判断这篇论文的方法在你的数据上值不值得继续调参。希望这个评估习惯能帮到你。本文还有配套的精品资源点击获取