简介面向金融数据分析与机器学习初学者的完整股票预测项目基于sklearn中的随机森林回归模型构建提供数据获取、特征处理和模型训练等一整套实现。资源共包含15个文件以4个Python脚本为核心涵盖数据抓取、训练和预测等环节附带1个CSV历史股价数据集、1个说明文档及多个项目配置文件压缩包约24.25MB目录结构清晰便于直接运行和二次开发。当前已有287人学习下载适合作为计算机、人工智能、金融商贸等相关专业的毕设、课设或实战练习。代码已经过测试运行能完成股票价格预测的基本流程并且在原有模型基础上保留了调参和对比的入口可进一步扩展更多技术指标或其他机器学习算法。项目从数据清洗到模型评估层次分明对理解sklearn建模流程和金融数据挖掘具有实际参考价值。1. 为什么拿 sklearn 做股票预测要先想清楚这三个问题拿 sklearn 做机器学习股票预测是很多人入门机器学习的第一个完整项目拉一段股票历史行情算几个技术指标丢进随机森林输出“明天涨还是跌”。听上去顺理成章可实际跑一轮就会发现模型预测股票涨跌每次结果不一样第一次准确率 72%第二次可能是 68%回测曲线很漂亮换一段行情就翻车。这里不聊玄学也不劝你用机器学习直接炒股而是把“基于 sklearn 模型的机器学习股票预测”拆成一条能复现的路线预测目标怎么定、特征怎么造、模型怎么选、结果怎么验证。适合刚学完机器学习基础、想用 python 完成完整项目的人也适合做课程设计或者入门金融量化的同学。读完你至少能判断一件事这个方向值不值得继续投入。2. 预测目标与数据准备先决定预测什么再决定怎么写代码预测目标决定后面所有代码的走向。很多人上来就把任务定义成“预测明天收盘价”然后拿 sklearn 的回归模型硬拟合结果测试集误差一塌糊涂原因不是模型不行而是目标选错了股价是非平稳序列直接回归价格等于让模型预测一个带趋势和噪声的随机游走。常见做法是把问题简化成分类未来 N 个交易日收益率是否为正。这样模型只判断方向不纠结精确数值评估也更贴近交易里“涨跌”这个真实诉求。N 的取值同样重要。用 1 个交易日做标签噪声太大模型学到的是盘中随机波动用 20 个交易日标签平滑但样本重叠严重回测失真。我一般先用 5 个交易日约一周持有期兼顾信号强度和样本独立性。确定好“预测未来 5 日是否上涨”再去准备数据代码会清晰很多。2.1 先确定预测对象分类涨跌比回归价格更稳预测对象标签定义适合模型主要问题回归预测收盘价未来价格本身LinearRegression, SVR非平稳、噪声大评估指标难解释回归预测收益率未来收益率数值LinearRegression, GBR仍难直接转化为交易信号分类预测涨跌未来 N 日收益是否大于 0LogisticRegression, RandomForest需要处理类别不平衡分类预测幅度涨跌幅是否超过阈值同上样本更稀疏过拟合风险高先跑通“分类预测涨跌”等流程稳定了再尝试“分类预测幅度”。幅度预测虽然信息量更大但阈值怎么定、样本够不够、类别怎么平衡都是额外难题。初次做股票预测分类方向是最稳的第一步。既然目标定了下一步就是规范数据。股票数据来源不稳定网上随便下载的 CSV 列名可能都不一样。为了不把时间花在清洗上我会先定一个统一标准date, open, high, low, close, volume日期升序没有空值。凡是外部数据一律先转换成这个格式再进入特征工程。2.2 安装与数据读取用 scikit-learn不是 sklearn先解决环境问题。PyPI 上的sklearn包已经弃用正确安装名是scikit-learn但导入代码仍然写import sklearn。很多初学者执行pip install sklearn之后能导入却装到了老版本或残留包后面调模型时各种报错。建议在干净环境里直接装scikit-learn。pip install scikit-learn pandas numpyimport pandas as pd import numpy as np df pd.read_csv(history.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) assert df[close].notna().all(), close 列存在空值 print(df.head())逻辑说明先按日期排序并重置索引保证后续rolling和shift都基于正确的时间顺序。CSV 里的索引如果带跳跃滚动窗口会算错。上传数据前先检查close列是否完整我遇到过某个数据源后 20 行全是 NaN特征算完一批 NaN模型直接报错。参数说明parse_dates[date]把日期列转成时间类型方便后续按时间切分reset_index(dropTrue)是必须做的否则原索引不连续iloc切分时容易踩坑。不要相信任何来源的数据一定干净打印 head 只是第一道防线还要看缺失值、重复日期和停牌日。2.3 特征和标签滑窗特征一步到位注意 shift 方向股票预测特征不追求多追求“到时间点为止只用了历史信息”。技术指标是入门首选因为它们本身就是由历史价格算出来的。下面这段代码生成三类特征滑窗收益率、滑窗均线、滑窗波动率再加一个简化版 RSI。def add_features(df: pd.DataFrame) - pd.DataFrame: df df.sort_values(date).reset_index(dropTrue) close df[close] for n in [5, 10, 20]: df[fret_{n}] close.pct_change(n) df[fma_{n}] close.rolling(n).mean() df[fstd_{n}] close.rolling(n).std() delta close.diff() gain delta.clip(lower0).rolling(14).mean() loss (-delta.clip(upper0)).rolling(14).mean() rs gain / (loss 1e-9) df[rsi_14] 100 - 100 / (1 rs) return df.dropna()逻辑说明pct_change(n)计算的是当根 K 线相对 n 根 K 线前的收益率rolling(n).mean()是截至当前时刻的移动平均这两类特征都没有用到未来数据。RSI 用 14 日涨跌均值比公式是经典版本1e-9防止除零。代码在每根 K 线收盘后都能完整算出不会把未来信息带进当前样本。参数说明窗口 5、10、20 是最常见的短中期组合覆盖一周、两周、一个月的周期。std_n是波动率用来捕捉风险变化RSI 用来捕捉超买超卖。窗口不是越多越好特征多了以后随机森林的max_featuressqrt反而会稀释有效信号初次先用三组窗口足够。标签生成同样要用 shift但方向完全不同。def make_label(df: pd.DataFrame, horizon: int 5) - pd.DataFrame: df df.copy() df[future_ret] df[close].shift(-horizon) / df[close] - 1 df[label] (df[future_ret] 0).astype(int) return df.dropna(subset[label])逻辑说明shift(-horizon)表示未来第 5 天的收盘价相对今天的涨跌幅正数标为 1负数标为 0。这里有一个关键点特征close用的是今天收盘价标签用的也是今天到未来的收益所以最后一根 K 线无法生成完整标签dropna会把它们剔除。如果你把 shift 方向写反成shift(horizon)标签就变成了“过去 5 天是否上涨”模型学到的全是历史回测必崩。2.4 时间序列切分不要把训练标签伸进验证期训练集和测试集不能随机打乱必须按时间切分。但“按时间切分”也有隐蔽陷阱标签是未来 5 日收益如果训练集切在 2023 年最后一个交易日训练集最后 4 个样本的标签已经伸进 2024 年的验证区间模型等于提前见过了验证期的行情。train_end 2023-12-31 horizon 5 train_idx df.index[df[date] train_end] train_cut train_idx.max() 1 # 训练集丢弃末尾 horizon 个样本避免标签伸进验证期 train_ok train_cut - horizon X_train df.iloc[:train_ok].drop(columns[label])[feature_cols] y_train df.iloc[:train_ok][label] # 测试集从 train_cut 开始保留完整标签 X_test df.iloc[train_cut:].drop(columns[label])[feature_cols] y_test df.iloc[train_cut:][label] X_test X_test.iloc[:-horizon] y_test y_test.iloc[:-horizon]逻辑说明train_ok train_cut - horizon是这次切分的核心。第train_cut - 1个样本的标签用到train_cut 3的数据已经越过切分点只有把训练集末尾horizon个样本丢掉才能保证训练标签全部落在训练区间内。测试集末尾同样需要去掉horizon个样本因为最后几条数据的标签不完整保留它们会造成评估结果虚高或偏低。这里也是“模型预测股票涨跌每次结果不一样”的一个隐藏来源。如果你每次重新运行脚本时数据排序不同、切分位置不同结果自然不同。固定好数据顺序和切分边界后面调参才可复现。3. 模型选型与调参从逻辑回归到随机森林的一步步替换模型选型有一条朴素原则先用简单的再换复杂的。逻辑回归是股票预测最好的基线训练快、可解释、不容易过拟合。如果逻辑回归在 AUC 上已经达到 0.55随机森林可能只高一点点但复杂度高很多如果逻辑回归 AUC 只有 0.5随机森林大概率也不会突然变神。下面从逻辑回归开始一步步落到参数细节。3.1 逻辑回归基线特征标准化和 class_weight 是重点股票数据里特征尺度差异很大close是几十到几百元rsi_14是 0 到 100ret_5是百分比小数。逻辑回归对尺度敏感必须做标准化。我习惯把标准化和模型放进同一个 Pipeline这样交叉验证时每个 fold 都只会用训练集的均值和方差去变换验证集不会造成数据泄漏。from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score model_lr Pipeline(steps[ (scaler, StandardScaler()), (clf, LogisticRegression(max_iter1000, class_weightbalanced, random_state42)) ]) model_lr.fit(X_train, y_train) prob_lr model_lr.predict_proba(X_test)[:, 1] print(logit auc:, roc_auc_score(y_test, prob_lr))逻辑说明Pipeline 把fit和predict串成一条流水线训练时先对 X 拟合标准化器再用标准化后的数据训练模型测试时只用已经拟合好的标准化器做变换。如果你先在全量数据上算标准化再切训练测试验证集的信息已经参与了特征缩放这属于一种常见泄漏。参数说明max_iter1000是因为股票特征经过标准化后仍可能迭代慢默认 100 不够时 sklearn 会报警class_weightbalanced让少数类获得更高权重股票数据里涨跌样本往往不平衡尤其震荡行情中“跌”的样本少不加这个参数模型会倾向预测多数类。random_state42是给逻辑回归内部随机数固定的虽然线性模型随机性小但保持可复现是好习惯。3.2 决策树和随机森林换模型的判断标准逻辑回归的假设是特征与涨跌存在线性关系但技术指标对股价的作用往往不是线性的比如 RSI 低于 30 可能反弹、高于 70 可能回落这种阈值效应树模型更擅长。决策树能自动做特征组合和非线性划分但单棵树对噪声敏感训练集 R2 可能很高测试集直接崩。随机森林通过多棵树平均来压低方差是目前 sklearn 股票预测里最常用的升级模型。from sklearn.ensemble import RandomForestClassifier model_rf RandomForestClassifier( n_estimators300, max_depth6, min_samples_leaf20, max_featuressqrt, class_weightbalanced, oob_scoreTrue, n_jobs-1, random_state42 ) model_rf.fit(X_train, y_train) prob_rf model_rf.predict_proba(X_test)[:, 1] print(rf auc:, roc_auc_score(y_test, prob_rf)) print(oob auc:, model_rf.oob_score_)逻辑说明随机森林不需要特征标准化所以这里没有 Pipeline。fit之后predict_proba返回两个列第二列是预测为“上涨”的概率评估和回测都应该用概率而不是二分类结果。oob_score_是袋外样本的准确率可以粗看模型是否稳定但它不是最终评判标准。参数说明n_estimators300已经够用继续加到 1000 收益很小但训练变慢max_depth6是防止树长得太深股票数据噪声大深度超过 8 很容易记住训练集min_samples_leaf20强制每个叶子节点至少 20 个样本让预测更平滑max_featuressqrt是随机森林的标准配置减少树间相关性。这些参数不是拍脑袋是多次对比 AUC 后得到的一个不差钱的起点。3.3 用 TimeSeriesSplit 网格搜索别让 KFold 打乱时序调参时很多人直接GridSearchCV(cv5)默认的 KFold 会把数据随机打乱再分成 5 份训练集里可能出现 2020 年的数据预测 2018 年的验证集这叫时序泄漏。股票预测必须用TimeSeriesSplit它按顺序切分每一折的训练集始终在验证集之前。from sklearn.model_selection import TimeSeriesSplit, GridSearchCV param_grid { max_depth: [4, 6, 8], min_samples_leaf: [10, 20, 40], max_features: [sqrt, 0.5] } tscv TimeSeriesSplit(n_splits5) grid GridSearchCV( RandomForestClassifier( n_estimators150, class_weightbalanced, random_state42, n_jobs-1 ), param_grid, cvtscv, scoringroc_auc, n_jobs-1 ) grid.fit(X_train, y_train) print(grid.best_params_) print(grid.best_score_)逻辑说明TimeSeriesSplit的每一折都会用更长的历史做训练验证集始终紧跟在训练集后面。GridSearchCV 会把 5 折的 AUC 平均作为评分best_score_是对未来表现的悲观估计因为股票预测跨期越长市场环境变化越大分数会比你期望的低一些。参数说明scoringroc_auc比默认 accuracy 更适合不平衡样本。n_jobs-1让网格搜索并行跑但并行只加速计算不改变结果。这里random_state42同时出现在基础模型和GridSearchCV外层确保每次网格搜索结果一致。网格搜索跑完不要直接采信best_score_还需要把最优模型放到第 2 章切出来的X_test上做最终验证。如果网格搜索分数 0.58测试集分数 0.52说明参数过拟合了训练段要回退到更简单的参数组合。4. 评估与回测算清楚“预测准”和“赚不赚钱”是两回事很多初次做股票预测的人看到测试集准确率 0.78 就兴奋但准确率在股票数据里经常骗人。行情如果一年涨了 60%模型只要一直预测“涨”准确率轻松超过 0.65实际什么都没学到。评估必须多层验证先看 AUC 和 PR再做回测看收益曲线最后和买入持有基准对比。4.1 用 AUC 和 AP 代替准确率评估涨跌方向AUC 不依赖固定阈值它衡量的是模型对正负样本排序的能力。AUC 等于 0.5 表示没有区分度0.55 到 0.6 之间在股票预测里已经是值得继续改进的信号。比 AUC 更严格的是 Average Precision它聚焦正例也就是“预测上涨”里有多少真正上涨这对交易更有参考价值。from sklearn.metrics import roc_auc_score, average_precision_score print(rf auc:, roc_auc_score(y_test, prob_rf)) print(rf ap:, average_precision_score(y_test, prob_rf))逻辑说明roc_auc_score吃的是测试集真实标签和模型输出的概率不是predict出来的 0/1 结果。AUC 对类别不平衡不敏感不会因为多数类占比高而虚高这是它比 accuracy 适合股票预测的原因。average_precision_score是 PR 曲线下面积当正样本很少时它的数值会比 AUC 低很多但更贴近“预测上涨是否靠谱”这个业务问题。同样两个模型AUC 相同的时候AP 高的那个在真正上涨的日子里表现更稳定回测收益也通常更好。4.2 写一个最简单的回测函数收益、最大回撤、年化回测的代码要短但逻辑必须严谨。这里有一个常见歧义测试集里第 t 行的预测概率是在第 t 天收盘后得到的如果当天买入等于用了当天收盘价成交还能吃到当天的收益这在实盘中做不到。所以信号要shift(1)把 t 日的信号放到 t1 日执行。def quick_backtest(df, prob_colprob, signal_th0.55, horizon5): df df.copy() df[sig] (df[prob_col] signal_th).astype(int) df[sig_exec] df[sig].shift(1) df[future_ret] df[close].shift(-horizon) / df[close] - 1 df[strat_ret] df[sig_exec] * df[future_ret] df df.dropna(subset[strat_ret]) equity (1 df[strat_ret]).cumprod() drawdown equity / equity.cummax() - 1 return { 累计收益: round(equity.iloc[-1] - 1, 4), 年化收益: round(equity.iloc[-1] ** (252 / len(df)) - 1, 4), 最大回撤: round(drawdown.min(), 4), 交易次数: int((df[sig_exec] 1).sum()), } X_test_plot X_test.copy() X_test_plot[prob] prob_rf X_test_plot[date] df[date].iloc[X_test.index] X_test_plot[close] df[close].iloc[X_test.index] print(quick_backtest(X_test_plot, prob_colprob, signal_th0.55))逻辑说明sig在 t 日根据概率生成sig_exec sig.shift(1)让信号延迟到 t1 日生效。future_ret从 t 日收盘到 thorizon 日收盘策略收益只有信号生效那天才会吃到这段涨幅。这样就不会把 t 日当天的收益算进策略避免回测曲线虚高。参数说明signal_th0.55不是随便定的。逻辑回归给出的概率通常集中在 0.5 附近用 0.5 做阈值会频繁开平仓手续费先吃掉收益抬高到 0.55 能过滤掉一部分噪声。这个阈值可以在 0.5 到 0.7 之间做敏感性测试最优值不是固定的。4.3 和基准比超出买入持有才有意义策略收益再高也要先问一个问题如果什么都不做直接买入并持有到回测结束收益是多少牛市里买入持有可能赚 80%你的策略赚 60%表面上好看实际跑输了基准。计算基准收益很简单用最后一根收盘价除以第一根收盘价减 1。bench_ret X_test_plot[close].iloc[-1] / X_test_plot[close].iloc[0] - 1 strat_result quick_backtest(X_test_plot) print(benchmark return:, round(bench_ret, 4)) print(strategy return:, strat_result[累计收益])逻辑说明基准收益是“无脑持有”的对照实验。策略收益只有在超过基准时模型提供的涨跌信号才有实际价值。如果策略跑输基准要么是信号质量不行要么是交易频率太高导致成本吃掉收益这时优先检查回测里的交易次数和最大回撤而不是急着换模型。这里也能解释一个常见疑问为什么测试集 AUC 有 0.58回测却不赚钱。因为 AUC 衡量的是排序质量策略还要面对阈值、成本、持有期等多个环节的损耗每个环节吃掉一点最后收益就可能变负。评估股票预测模型回测是唯一能让你说服自己的方式。5. 避坑清单模型预测股票涨跌每次结果不一样怎么办前面几章的代码虽然能跑通但换成真实数据后大概率会遇到几个经典问题。下面五条是我反复踩过的每条都按“现象、原因、解决”来拆方便你对照排查。5.1 坑一模型预测股票涨跌每次结果不一样现象同一份数据第一次运行准确率 72%第二次变成 68%有时连 AUC 也跳来跳去。原因随机森林有自助抽样逻辑回归有求解随机性train_test_split默认也会随机打乱数据。只要其中一个环节没有固定随机种子结果就不可能完全复现。另一个隐藏原因是数据索引在做concat或iloc后没有重建导致切分逻辑每次拿到的行顺序不同。解决固定random_state42并且同时固定在三个地方模型、train_test_split、GridSearchCV 的模型。时间序列切分不用train_test_split但如果你用了必须传shuffleFalse。如果所有随机种子都固定后结果仍不同先检查数据排序df.sort_values(date).reset_index(dropTrue)必须在特征计算之前执行。5.2 坑二特征或标签用错了未来数据回测自欺欺人现象训练集 AUC 0.92测试集 AUC 0.51回测收益负得很稳定。原因未来函数泄漏。最常见的写法是df[ret_5] df[close].pct_change(-5)符号写反后特征变成了“未来 5 天的收益率”还有人用shift(1)去构造标签模型实际在预测“昨天涨没涨”。解决检查所有特征列凡是rolling、pct_change、diff产生的序列都要确认它是用当前行和过去行计算的不包含未来 K 线。标签必须用shift(-horizon)生成“未来收益”测试时把最后一小段丢进dropna。一个快速的自测方法是把特征最大值日期打印出来看是否晚于标签日期如果特征日期比标签日期还新一定有泄漏。5.3 坑三类别不平衡让准确率虚高现象测试集里“上涨”样本占 75%模型全部预测上涨准确率 0.75但 AUC 只有 0.51。原因股票行情在多头阶段上涨天数远多于下跌天数模型只要学到一个“默认涨”的偏置就能拿到高准确率。此时 accuracy 完全失真。解决评估一律改用roc_auc_score和average_precision_score不要打印 accuracy 作为主要指标。模型侧加class_weightbalanced让少数类样本的损失更高。不要急着用 SMOTE 过采样时序数据里随机过采样会生成与未来样本重叠的伪样本class_weight 在 sklearn 里已经够用。5.4 坑四切分时训练标签伸进验证期现象测试集前三天回测收益特别高后面突然回落整个回测结果不稳定。原因训练集最后一个样本的标签覆盖到验证期前四天模型在训练阶段已经“看过”验证期初的行情所以验证集最前端异常容易预测。解决用第 2.4 节的方法在训练集末尾丢弃horizon个样本。更严谨的做法是把标签结束日期作为切分依据训练集中每一行额外记录一个label_end_date date horizon 个交易日切分时保证label_end_date train_end。用代码检查一下训练集最后一行的label_end_date如果大于train_end就是泄漏。5.5 坑五sklearn 和 scikit-learn 安装混了导致模型导入报错现象from sklearn.ensemble import RandomForestClassifier报No module named sklearn或者明明装了 scikit-learn一运行却提示版本太旧。原因PyPI 上还有个叫sklearn的废弃包某些教程让读者pip install sklearn结果环境和真正的scikit-learn冲突导入时加载了错误路径。解决在干净的虚拟环境里执行pip install scikit-learn不要装sklearn。然后用pip list | grep scikit-learn确认安装版本。如果已经装混了先卸载两个包再重装。6. 进阶技巧把概率输出变成仓位信号再滚动重训先看一个只有 30 行的滚动重训流程每次用过去 500 天数据训练预测接下来 20 天然后滑动窗口继续。这套流程比单次训练测试更接近实盘也能缓解模型失效问题。def rolling_train(df, model, train_window500, test_window20): prob_list, date_list [], [] for start in range(0, len(df) - train_window - test_window, test_window): train df.iloc[start:start train_window] test df.iloc[start train_window:start train_window test_window] model.fit(train[feature_cols], train[label]) prob model.predict_proba(test[feature_cols])[:, 1] prob_list.extend(prob) date_list.extend(test[date]) result pd.DataFrame({date: date_list, prob: prob_list}) return result逻辑说明训练窗口覆盖最近约两年交易日预测窗口 20 天模型每隔一个月重新训练一次。这样可以捕捉市场风格变化避免用一个训练了三年的模型去预测完全不同的行情。参数可以按数据量调整数据越多训练窗口可以拉长到 1000 天。参数说明test_window20在回测里等于一个月调仓一次每次只对新的 20 天做预测。prob_list接收的是predict_proba的正类概率后续回测用这个概率做阈值判断而不是直接用 0/1 结果。在滚动重训基础上仓位管理是更实际的落地技巧。不要只看predict输出的 0 或 1要用predict_proba输出连续概率。比如概率超过 0.6 才满仓低于 0.6 但高于 0.55 只建半仓低于 0.55 空仓。这样做的原因是概率越接近 0.5模型越没把握投入资金应该越少。你可以用最后 20 天数据对比不同阈值下的累计收益和最大回撤选出最稳的阈值区间。另一个容易被忽略的验证方法是校准曲线。sklearn 里可以用calibration_curve看预测概率和实际上涨频率是否一致如果模型给出 0.6 概率的样本实际上涨只有 0.52说明概率被乐观估计了阈值要相应抬高。我现在拿到任何机器学习股票预测需求第一反应不是换更复杂的模型而是先确认四件事预测目标、horizon、切分边界、评估指标。这四件事写不清楚后面调参全是在碰运气。把 sklearn 这套流程跑顺之后再尝试 XGBoost、LightGBM 或深度学习也只是替换模型接口整个数据与回测骨架不用重写。希望这篇内容能帮你在股票预测这条路上少踩几个坑。本文还有配套的精品资源点击获取