LSTM时间序列预测实战：从金融数据到股票价格预测模型-育师

简介：时间序列预测是数据分析与机器学习领域的重要分支，其核心在于从历史数据中挖掘规律以预测未来趋势。LSTM（长短期记忆网络）作为一种特殊的循环神经网络，通过门控机制有效解决了长期依赖问题，使其在捕捉序列数据中的复杂模式方面表现出色。在金融工程和量化投资场景中，利用LSTM对股票价格等时间序列进行预测，已成为验证模型能力和探索市场规律的热门实践。本文以金融数据为具体案例，详细阐述了从数据获取、特征工程到模型构建、训练调优及回测评估的完整流程，其中涉及akshare数据获取、技术指标计算等关键步骤，并深入探讨了过拟合、数据泄露等常见陷阱的应对策略，为开发者构建端到端的预测模型提供了清晰的路径参考。

1. 项目概述：当LSTM遇见金融市场

最近几年，身边不少朋友和同事都开始对用代码“预测”股市走势产生了兴趣。这背后，既有Python在数据分析领域的普及，也有像LSTM（长短期记忆网络）这类深度学习模型在时间序列预测上的出色表现带来的诱惑。我自己也花了相当长的时间，从零开始摸索如何用Python和LSTM来构建一个针对股票和基金的预测模型。这绝不是一个能让你一夜暴富的“圣杯”，但它是一个极好的、能将机器学习理论应用于复杂现实问题的实践项目。通过它，你不仅能深入理解LSTM的工作原理，更能亲身体验金融数据处理的繁琐、特征工程的重要性以及模型评估的严谨性。无论你是想验证某个投资想法，还是单纯想提升自己的机器学习工程能力，这个项目都能提供一条清晰的路径和一堆值得深挖的“坑”。

简单来说，我们要做的是：利用历史行情数据（如开盘价、收盘价、成交量等），训练一个LSTM模型，让它学习数据中潜在的时间依赖模式，从而对未来若干时间点的价格或涨跌趋势做出预测。整个过程涉及数据获取与清洗、特征工程、模型构建、训练调优和回测评估等多个环节，是一个标准的端到端机器学习项目。

2. 核心思路与方案设计

2.1 为什么选择LSTM？

在尝试预测股票价格这类时间序列数据时，我们面临的最大挑战是其非平稳性、高噪声和复杂的长期依赖关系。传统的统计方法如ARIMA，在处理非线性关系时往往力不从心。而标准的循环神经网络（RNN）又饱受梯度消失或爆炸问题的困扰，难以捕捉长期的依赖。

LSTM通过其精心设计的“门控机制”（遗忘门、输入门、输出门）和“细胞状态”，有效地解决了长期依赖问题。遗忘门决定丢弃哪些旧信息，输入门决定添加哪些新信息，细胞状态作为“记忆高速公路”贯穿整个时间线。这使得LSTM特别擅长从历史序列中学习到有意义的模式，比如识别出“在成交量连续放大且价格缓步上升后，短期内可能出现加速上涨”这样的规律。对于以“日K线”为基本单位的金融数据序列，LSTM的这种特性显得尤为合适。

2.2 整体架构设计

一个完整的预测模型流水线通常包含以下核心模块，我将其设计为一个可迭代、可评估的闭环系统：

数据层：负责从可靠源获取原始数据，并进行严格的清洗、对齐和格式化。这是所有后续工作的基石，数据质量直接决定模型天花板。
特征工程层：将原始价格、成交量数据，转化为对模型更友好的特征。这包括技术指标计算（如移动平均线、RSI、MACD）、波动率度量、以及更重要的——为监督学习构造“特征-标签”对。
模型层：LSTM网络的核心实现。这里需要确定网络结构（层数、神经元数量）、定义损失函数和优化器。
训练与验证层：将数据划分为训练集、验证集和测试集（必须按时间顺序划分，严禁随机打乱）。在训练集上优化模型参数，在验证集上监控过拟合并调整超参数。
预测与回测层：使用训练好的模型在测试集（即“未来”的数据）上进行预测，并将预测结果与实际走势进行比较，通过一系列量化指标评估模型的有效性和实用性。

这个架构的关键在于严格的时间顺序。我们必须模拟真实的投资场景：只能用“过去”的数据训练模型，去预测“未来”。任何数据泄露（例如，未来的信息被无意中用于训练）都会导致评估结果严重失真，产生毫无意义的“高精度”幻觉。

3. 数据准备：基石中的基石

3.1 数据获取与源选择

国内A股数据，我主要使用akshare库，它免费、开源且数据质量相对可靠。对于基金数据，可以获取基金的净值序列。这里以股票为例。

import akshare as ak import pandas as pd # 获取贵州茅台的日K线数据 df = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20180101", end_date="20231231") # 查看数据列 print(df.columns) # 通常包含：日期， 开盘， 收盘， 最高， 最低， 成交量， 成交额， 振幅， 涨跌幅， 涨跌额， 换手率

注意：金融数据可能存在缺失值（如停牌日）、复权问题（前复权、后复权）。对于长期分析，通常使用前复权价格，以保证价格序列的连续性。akshare获取的数据默认是未复权的，需要留意。你也可以使用tushare（部分数据需积分）或baostock等库。

3.2 数据清洗与预处理

拿到数据后，不能直接丢给模型，必须经过清洗。

处理缺失值：检查是否有NaN。对于停牌导致的日线数据缺失，切勿使用简单的均值填充，因为这等于创造了不存在的市场信息。通常的做法是向前填充（用前一个交易日的数据填充），或者更保守地，直接删除该行（但需注意时间序列的连续性）。
排序：确保数据按日期严格升序排列。
特征选择：我们初步选取收盘价作为预测目标，开盘价、最高价、最低价、成交量作为基础特征。涨跌幅、换手率等也可加入。
数据归一化/标准化：这是关键一步！LSTM对输入数据的尺度非常敏感。不同特征（如价格和成交量）数量级相差巨大，必须进行缩放。最常用的是MinMaxScaler，将每个特征缩放到[0, 1]区间。必须注意：拟合scaler时只能用训练集数据，然后用这个scaler去转换验证集和测试集，这是防止数据泄露的又一关键点。

from sklearn.preprocessing import MinMaxScaler import numpy as np # 假设我们使用特征：开盘， 最高， 最低， 收盘， 成交量 feature_cols = ['开盘', '最高', '最低', '收盘', '成交量'] target_col = ['收盘'] # 预测下一日的收盘价 # 划分数据集（按时间顺序，例如前80%训练，中间10%验证，最后10%测试） train_size = int(len(df) * 0.8) val_size = int(len(df) * 0.1) train_df = df.iloc[:train_size] val_df = df.iloc[train_size:train_size+val_size] test_df = df.iloc[train_size+val_size:] # 初始化Scaler，并在训练集上拟合 scaler_feature = MinMaxScaler() scaler_target = MinMaxScaler() train_scaled_features = scaler_feature.fit_transform(train_df[feature_cols]) train_scaled_target = scaler_target.fit_transform(train_df[target_col]) # 用训练集的scaler转换验证集和测试集 val_scaled_features = scaler_feature.transform(val_df[feature_cols]) val_scaled_target = scaler_target.transform(val_df[target_col]) test_scaled_features = scaler_feature.transform(test_df[feature_cols]) test_scaled_target = scaler_target.transform(test_df[target_col])

3.3 构造监督学习序列数据

LSTM的输入是一个三维张量：[样本数, 时间步长, 特征数]。我们需要用滑动窗口的方法将时间序列数据构造成这样的样本。

时间步长：例如，我们用过去60天的数据来预测下一天。那么time_steps = 60。
特征数：就是我们选择的feature_cols的数量，例如5。
样本数：就是总数据量减去time_steps。

对于每个样本i，其X[i]是data[i: i+time_steps]的所有特征，其y[i]是data[i+time_steps]的目标值（收盘价）。

def create_dataset(X, y, time_steps=60): Xs, ys = [], [] for i in range(len(X) - time_steps): Xs.append(X[i:i+time_steps]) ys.append(y[i+time_steps]) return np.array(Xs), np.array(ys) TIME_STEPS = 60 X_train, y_train = create_dataset(train_scaled_features, train_scaled_target, TIME_STEPS) X_val, y_val = create_dataset(val_scaled_features, val_scaled_target, TIME_STEPS) X_test, y_test = create_dataset(test_scaled_features, test_scaled_target, TIME_STEPS) print(f"训练集形状: X{X_train.shape}, y{y_train.shape}") # 输出类似：训练集形状: X(1000, 60, 5), y(1000, 1)

4. LSTM模型构建与核心参数解析

4.1 模型结构搭建

我们将使用Keras（TensorFlow后端）来快速构建模型。一个经典的LSTM预测模型结构如下：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout, Input from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau model = Sequential() # 第一层LSTM需要指定input_shape model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) # (time_steps, features) model.add(LSTM(units=50, return_sequences=True)) # 第一层LSTM，返回完整序列供下一层使用 model.add(Dropout(0.2)) # Dropout层防止过拟合 model.add(LSTM(units=50, return_sequences=False)) # 第二层LSTM，只返回最后一个时间步的输出 model.add(Dropout(0.2)) model.add(Dense(units=25, activation='relu')) model.add(Dense(units=1)) # 输出层，预测一个值（缩放后的收盘价） model.compile(optimizer='adam', loss='mean_squared_error') model.summary()

关键参数解读：

units=50：这是LSTM层中神经元（记忆单元）的数量。可以理解为模型的“记忆容量”。数量越多，模型越复杂，学习能力越强，但也更容易过拟合。通常从50、100开始尝试。
return_sequences=True/False：
- True：该层输出每个时间步的隐藏状态，形状为(batch_size, time_steps, units)。当后面还要接LSTM层时，前一层必须设置return_sequences=True。
- False：只输出最后一个时间步的隐藏状态，形状为(batch_size, units)。通常用于最后一层LSTM或后面接全连接层。
Dropout(0.2)：在训练过程中，随机“丢弃”20%的神经元连接，这是一种非常有效的正则化技术，能强迫网络学习更鲁棒的特征，是应对金融数据噪声、防止过拟合的利器。
Dense层：最后的全连接层用于将LSTM学习到的高维特征映射到最终的预测值。
loss='mean_squared_error'：均方误差损失，是回归问题的标准损失函数。我们的目标是让预测的缩放价格尽可能接近真实的缩放价格。

4.2 模型训练与技巧

训练时，有几个非常重要的技巧和回调函数：

# 定义回调函数 early_stopping = EarlyStopping(monitor='val_loss', patience=20, restore_best_weights=True, verbose=1) reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=10, min_lr=1e-6, verbose=1) # 开始训练 history = model.fit( X_train, y_train, epochs=100, # 设置一个较大的epoch，靠早停法来终止 batch_size=32, # 批量大小，影响训练速度和梯度稳定性 validation_data=(X_val, y_val), callbacks=[early_stopping, reduce_lr], verbose=1 )

EarlyStopping：监控验证集损失val_loss。如果连续patience=20个epoch验证损失没有下降，则停止训练，并恢复到验证损失最低时的模型权重。这能有效避免无效训练，防止过拟合。
ReduceLROnPlateau：当验证损失停滞时，自动降低学习率。因子factor=0.5表示学习率减半。这有助于模型在后期精细调整，找到更优的解。
batch_size：一次训练所选取的样本数。较小的batch（如32）带来更多的权重更新和可能的正则化效果，但训练更慢、噪声更大。较大的batch训练更稳定、更快，但可能泛化能力稍差。32或64是常见的起点。

实操心得：金融数据训练LSTM，过拟合是头号敌人。你会发现训练损失很快下降，但验证损失早早就停止下降甚至开始上升。除了使用Dropout和早停法，更根本的方法是增加数据量（使用更长时间跨度的数据）、简化模型结构（减少LSTM层数和单元数）以及改进特征工程。不要一味追求复杂的深层网络。

5. 特征工程进阶：让模型看得更清楚

原始价格和成交量信息是基础，但远远不够。市场情绪、动量、超买超卖状态等信息隐藏在数据的组合与衍生中。这就是特征工程的用武之地。

5.1 技术指标计算

我们可以使用ta库（Technical Analysis Library）方便地计算数十种技术指标。

import ta # 为DataFrame添加常用技术指标 df['MA10'] = ta.trend.sma_indicator(df['收盘'], window=10) # 10日简单移动平均 df['MA30'] = ta.trend.sma_indicator(df['收盘'], window=30) df['RSI'] = ta.momentum.rsi(df['收盘'], window=14) # 相对强弱指数 df['MACD'] = ta.trend.macd_diff(df['收盘']) # MACD线差值 df['BB_upper'] = ta.volatility.bollinger_hband(df['收盘']) # 布林带上轨 df['BB_lower'] = ta.volatility.bollinger_lband(df['收盘']) # 布林带下轨 df['ATR'] = ta.volatility.average_true_range(df['最高'], df['最低'], df['收盘']) # 平均真实波幅，衡量波动性 # 成交量相关指标 df['Volume_MA'] = df['成交量'].rolling(window=10).mean() df['Volume_Ratio'] = df['成交量'] / df['Volume_MA'] # 量比

为什么添加这些指标？

移动平均线（MA）：反映趋势。价格与MA的相对位置是趋势强弱的基本判断。
RSI：衡量价格变动速度和幅度，识别超买（>70）超卖（<30）区域。
MACD：趋势跟踪动量指标，金叉死叉是常见信号。
布林带：反映波动性和价格相对位置。价格触及上下轨可能意味着反转。
ATR：波动性指标，可用于后续的风险管理和仓位计算。
量比：反映当日成交活跃度相对于近期平均水平的变化。放量上涨和缩量下跌意义不同。

5.2 滞后特征与差分特征

时间序列预测中，过去的值本身就是最强的特征。

滞后特征：直接将前1天、前2天...前N天的特征值作为新特征。这相当于让模型“看到”更早的历史。
差分特征：计算当前值与前一天值的差（收益率近似）。这有助于将非平稳序列转化为相对平稳的序列。例如，df[‘收盘_diff’] = df[‘收盘’].diff()。

# 创建滞后特征 for lag in range(1, 6): # 滞后1到5天 df[f'close_lag_{lag}'] = df['收盘'].shift(lag) df[f'volume_lag_{lag}'] = df['成交量'].shift(lag) # 创建差分特征（日收益率） df['return'] = df['收盘'].pct_change()

5.3 特征筛选与处理注意事项

不是特征越多越好。冗余、高度相关的特征会增加模型复杂度、降低训练效率，甚至引入噪声。

处理NaN：计算技术指标和滞后特征会在数据开头产生NaN，需要删除。
相关性分析：使用df.corr()计算特征间的相关系数。如果两个特征相关性极高（如MA10和MA5），可以考虑只保留一个。
重要性评估：训练一个简单的模型（如随机森林），查看特征重要性，作为筛选参考。但要注意，线性模型的重要性评估不一定完全适用于LSTM。
最终归一化：所有特征（包括新添加的技术指标）必须一起进行归一化，方法同前。

踩坑实录：我曾一次性加入了20多个技术指标，结果模型训练缓慢且效果不佳。后来通过相关性分析，发现很多指标信息重叠严重。精简到7-8个核心指标（如价格、两条不同周期的MA、RSI、MACD、布林带位置、ATR、量比）后，模型不仅训练更快，验证集性能反而提升了。特征质量远大于数量。

6. 模型评估与回测：是骡子是马，拉出来遛遛

模型训练完成，损失函数值很低，这远远不够。我们必须在一个从未参与过训练和验证的、纯粹的未来数据（测试集）上评估其真实预测能力。

6.1 预测与反归一化

首先，用训练好的模型对测试集进行预测，得到缩放后的预测值，然后将其反归一化回原始价格尺度。

# 在测试集上预测 y_pred_scaled = model.predict(X_test) # 将预测值和真实值反归一化 # 注意：scaler_target 是在训练集收盘价上拟合的 MinMaxScaler y_pred_real = scaler_target.inverse_transform(y_pred_scaled) y_test_real = scaler_target.inverse_transform(y_test)

6.2 量化评估指标

对于价格预测，常用的指标有：

均方根误差：衡量预测值与真实值的平均偏差，单位与价格相同。
平均绝对百分比误差：表示预测误差相对于真实值的平均百分比，易于理解。
决定系数：衡量模型对目标变量方差的解释程度，越接近1越好。

from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error, r2_score import numpy as np rmse = np.sqrt(mean_squared_error(y_test_real, y_pred_real)) mape = mean_absolute_percentage_error(y_test_real, y_pred_real) r2 = r2_score(y_test_real, y_pred_real) print(f"测试集 RMSE: {rmse:.2f}") print(f"测试集 MAPE: {mape:.4%}") # 例如 1.5% 的平均误差 print(f"测试集 R²: {r2:.4f}")

如何解读？假设RMSE是5.0，MAPE是1.5%。这意味着模型预测收盘价的平均绝对误差约为1.5%。这个数字本身没有绝对好坏，需要结合市场波动率来看。如果该股票日均波动就有3%，那么1.5%的预测误差可能具有参考价值；如果日均波动只有0.5%，那这个模型误差就太大了。

6.3 可视化分析

将预测走势和真实走势画在一起，是最直观的评估方式。

import matplotlib.pyplot as plt plt.figure(figsize=(14, 6)) # 注意对齐时间索引。测试集预测的起始日期是原数据中 test_df 的第 TIME_STEPS 天。 test_dates = test_df.index[TIME_STEPS:] # 确保日期长度与 y_test_real 一致 plt.plot(test_dates, y_test_real, label='Actual Price', alpha=0.7, linewidth=2) plt.plot(test_dates, y_pred_real, label='Predicted Price', alpha=0.7, linestyle='--') plt.title('Stock Price Prediction vs Actual (Test Set)') plt.xlabel('Date') plt.ylabel('Price') plt.legend() plt.grid(True, alpha=0.3) plt.show()

观察图形，看模型是能大致捕捉趋势，还是仅仅滞后于真实价格（这可能是模型只学会了简单的移动平均），或者在转折点频繁出错。

6.4 策略回测：从预测到交易信号

预测出价格只是第一步。更重要的是，如何根据预测制定交易策略并检验其盈亏。一个最简单的策略是：如果模型预测下一日上涨（预测价格 > 当前价格），则于收盘时买入，并于下一日收盘时卖出。

我们需要在测试集上模拟这个策略：

获取每一天的预测价格pred_tomorrow。
获取当天的实际收盘价price_today。
如果pred_tomorrow > price_today，则在price_today买入。
第二天以实际收盘价price_tomorrow卖出，计算这次交易的收益率。
累计所有交易的收益率，计算总收益、胜率、夏普比率等。

# 假设我们已有对齐的预测价格序列 pred_series 和实际价格序列 actual_series # 注意：pred_series[i] 对应的是 actual_series[i+1] 的预测值 returns = [] positions = [] # 记录每天是否持仓 capital = 10000 # 初始本金 capital_curve = [capital] # 资金曲线 for i in range(len(actual_series) - 1): current_price = actual_series[i] predicted_next_price = pred_series[i] # 注意索引对齐 actual_next_price = actual_series[i + 1] # 生成交易信号 if predicted_next_price > current_price: # 买入信号 daily_return = (actual_next_price - current_price) / current_price positions.append(1) # 持仓 else: # 持有现金，无收益 daily_return = 0.0 positions.append(0) # 空仓 returns.append(daily_return) capital = capital * (1 + daily_return) capital_curve.append(capital) # 计算策略表现 total_return = (capital_curve[-1] - capital_curve[0]) / capital_curve[0] annualized_return = (1 + total_return) ** (252 / len(returns)) - 1 # 假设252个交易日 volatility = np.std(returns) * np.sqrt(252) # 年化波动率 sharpe_ratio = annualized_return / volatility if volatility != 0 else 0 win_rate = len([r for r in returns if r > 0]) / len(returns) if len(returns) > 0 else 0 print(f"总收益率: {total_return:.2%}") print(f"年化收益率: {annualized_return:.2%}") print(f"夏普比率: {sharpe_ratio:.2f}") print(f"胜率: {win_rate:.2%}")

回测的意义：它把抽象的“预测精度”转化成了实实在在的“投资表现”。一个RMSE很低的模型，其交易策略可能因为高换手率、高交易成本（回测中通常忽略，但实际存在）或是在关键转折点预测错误而导致亏损。回测是检验模型实用性的终极考场。

重要提示：这个简单策略忽略了交易费用、滑点、涨停跌停无法买卖等现实约束，属于“理想情况”。更严谨的回测需要引入这些因素。此外，严禁使用未来数据。在计算信号时，pred_series[i]必须是在actual_series[i]收盘时（或之前）就已经做出的预测。

7. 常见问题、陷阱与调优实战

在实际构建过程中，你会遇到各种各样的问题。下面是我总结的一些典型陷阱和解决思路。

7.1 模型预测结果是一条直线或滞后曲线

现象：预测曲线几乎是真实曲线的平移（滞后），或者是一条几乎没有波动的直线。原因与解决：

数据未打乱（正确）但信息泄露：确保在划分训练、验证、测试集时严格按时间顺序，且归一化Scaler只拟合训练集。这是最常见的原因。
模型过于简单或训练不足：尝试增加LSTM层数或单元数，增加训练轮次（配合早停法）。
特征不够有力：原始价格序列噪声太大，模型学不到规律。尝试加入强有力的技术指标特征（如MACD、布林带宽度）、波动率特征，或者将预测目标从绝对价格改为价格变化率或未来N日的涨跌方向（分类问题）。
时间步长不合适：TIME_STEPS太小可能看不到长期趋势，太大可能引入过多噪声。可以尝试30, 60, 120等不同长度。

7.2 验证损失震荡剧烈或早早就停止下降

现象：训练损失持续下降，但验证损失波动大，或很早就进入平台期。原因与解决：

过拟合：金融数据噪声大，模式易变，过拟合是常态。
- 增强正则化：增大Dropout比率（如0.3, 0.5），在LSTM层中添加recurrent_dropout参数（注意，这会显著增加训练时间）。
- 简化模型：减少LSTM层数和单元数。
- 获取更多数据：使用更长历史时期的数据，或考虑使用多只股票的数据进行预训练（迁移学习思路）。
学习率不合适：使用ReduceLROnPlateau回调自动调整，或尝试不同的优化器（如RMSprop有时对RNN效果更好）。
批量大小（Batch Size）不合适：尝试更小的batch size（如16），可能带来正则化效果。

7.3 预测结果出现极端值或超出合理范围

现象：预测出的价格是负数，或者远远超出历史价格范围。原因与解决：

激活函数问题：输出层使用了不合适的激活函数。对于回归问题，如果数据被归一化到[0,1]，输出层可以用sigmoid；如果归一化到其他范围，通常不使用激活函数（线性激活），让模型自由输出任何值。
梯度爆炸：虽然LSTM缓解了梯度消失，但梯度爆炸仍可能发生。可以尝试梯度裁剪（在model.compile中设置clipvalue或clipnorm参数）。
数据异常值：检查原始数据中是否有价格或成交量的极端错误值（如“闪崩”或数据源错误），并进行适当的缩尾处理或剔除。

7.4 如何处理基金数据？

基金净值预测与股票原理相同，但有一些细节差异：

数据频率：基金净值通常是每日公布一次，与股票日线数据类似。
特征：基金净值本身波动可能比股票小。除了净值序列，可以加入其持仓股票的综合指数特征、所属行业板块数据、市场情绪指标等作为额外特征。
目标：预测基金净值未来的涨跌百分比可能比预测绝对净值更有意义。
回测：基金申购赎回有滞后性（T+1确认），回测规则需相应调整。

7.5 超参数调优实战建议

手动调参效率低，可以尝试用KerasTuner或Optuna进行自动化超参数搜索。重点关注的参数包括：

LSTM单元数（units）：[32, 64, 128, 256]
LSTM层数：[1, 2, 3]
Dropout比率：[0.1, 0.2, 0.3, 0.5]
学习率：[1e-2, 1e-3, 1e-4]
时间步长（TIME_STEPS）：[20, 30, 60, 90]

调优策略：先固定其他参数，调整units和层数，找到一个表现尚可的模型结构。然后在此基础上调整Dropout和学习率来对抗过拟合和优化收敛。最后再微调时间步长。

8. 超越基础：思路拓展与高级技巧

当基础模型跑通后，可以考虑以下方向进行深化：

8.1 多变量与多任务学习

多变量输入：我们已经在使用开盘、收盘、成交量等多个特征，这就是多变量输入。可以进一步加入更多维度的数据，如同一行业其他龙头股的价格、大盘指数、宏观经济指标（如利率、CPI，需注意数据频率对齐）、甚至新闻情感分析得到的情绪分数。
多任务学习：让一个模型同时预测多个目标。例如，同时预测下一日的收盘价、最高价和最低价。这可以迫使模型学习更通用、更强大的特征表示，可能提升主任务的性能。在Keras中，这可以通过在输出端定义多个Dense层并指定不同的损失函数来实现。

8.2 注意力机制与Seq2Seq架构

注意力机制：对于长序列，LSTM可能仍会“遗忘”很早之前的重要信息。注意力机制可以让模型在解码（预测）时，动态地“回顾”编码（历史输入）中所有时间步的信息，并给予不同时间步不同的权重。这在股价预测中，可能有助于模型更关注那些与当前市场状态相似的历史时期（如同样处于震荡市或牛市）。
Seq2Seq架构：如果我们不是预测未来1天，而是预测未来5天、10天的序列，可以使用编码器-解码器（Seq2Seq）架构。编码器LSTM将输入序列编码为一个上下文向量，解码器LSTM根据该向量逐步解码出未来多步的预测序列。这对于中短期走势预测更有意义。

8.3 结合传统时间序列模型

深度学习并非万能。可以尝试将LSTM与经典时间序列模型的优势结合：

残差学习：先用ARIMA或Prophet模型对序列进行预测，然后将原始序列与经典模型的预测值相减得到残差序列。用LSTM来学习这个残差序列（其中可能包含了非线性、非平稳的复杂模式）。最终预测值为经典模型预测值加上LSTM的残差预测值。
特征融合：将经典模型（如GARCH模型）预测出的波动率作为一个重要特征，输入到LSTM中，帮助模型理解市场风险状态。

构建一个用于股票和基金预测的LSTM模型，是一个充满挑战但也极具成就感的工程实践。它完美地串联了数据处理、特征工程、深度学习建模、模型评估和策略回测这一整套机器学习流水线。记住，这个项目的核心价值不在于找到一个“印钞机”，而在于通过亲自动手，深刻理解金融市场数据的特性、掌握时间序列预测的建模方法、并学会用严谨的、可量化的方式去评估一个预测模型的有效性。在实际操作中，你会对“过拟合”、“数据泄露”、“回测幻觉”这些概念有刻骨铭心的认识，这些经验远比任何一个现成的模型代码都宝贵。最后，务必保持理性，市场永远充满不确定性，任何模型都只是辅助决策的工具之一。

本文还有配套的精品资源，点击获取

LSTM时间序列预测实战：从金融数据到股票价格预测模型