LSTM股票预测期末大作业高分指南：数据预处理到模型调优全流程复盘-育师

简介：本资源是一份基于LSTM神经网络的股票价格预测模型Python实现，专为高校计算机、金融工程或人工智能方向学生设计，适用于期末大作业、课程设计及毕业设计参考。项目已获97分高分评价，完整复现了数据预处理、序列建模、训练调优与可视化预测全流程，具备较强工程落地性与教学示范性。压缩包共12个文件，含3个核心Python源码（含主训练脚本与预测模块）、2个CSV历史行情数据（上证指数与单支股票）、1个Word版详细说明文档、1个模型检查点及配套meta/index文件，整体仅961KB，轻量易部署。已有1082人学习下载，内容结构清晰：从原始数据加载、滑动窗口构造、LSTM模型定义到结果绘图与误差评估一应俱全，附带可直接运行的demo脚本与编译缓存文件，显著降低复现门槛，是理解时序预测实战的优质入门范例。先把这个期末大作业当项目做，别当“交差”的作业做。同样是LSTM股票预测，有人拿95分，有人拿85分，差距不在模型本身，而在于你有没有把“预测”这件事讲透。

这篇内容我按完整的项目复盘来写，包含了我自己当时踩过的坑、查过的资料、最后总结出的高分套路，你可以直接照着复现，也可以在此基础上加自己的东西冲更高分。

1. 项目整体设计与评分点拆解

1.1 拿到题目后首先想清楚的事

LSTM股票预测这个题目，每年都有人做，但大多数人只是跑通了一个模型就交上去了。要想拿95分以上，你需要理解评分老师在看什么。期末大作业的评分维度通常分为以下几块：选题意义与问题定义（约15分）、数据获取与预处理规范性（约20分）、模型设计与参数解释（约25分）、实验对比与结果分析（约25分）、代码规范与报告撰写（约15分）。

很多人在第一块就吃了亏，开篇就写“股市风险大，预测很重要”，这话没错，但太空了。你要做的是把问题定义清楚：是预测收盘价，还是预测涨跌方向？是用前N天数据预测后一天，还是预测未来一周趋势？问题定义不同，模型设计完全不同，评分老师一眼就能看出你有没有想清楚。

1.2 技术选型：为什么选LSTM

时间序列预测的模型有不少选择，ARIMA、Prophet、XGBoost都能做，但LSTM在这个题目里有天然优势：

股票数据是典型的时间序列，存在长期依赖关系，LSTM的门控机制天然适合捕获这种依赖
LSTM能处理变长序列，不像ARIMA有严格的平稳性要求
相比普通RNN，LSTM解决了梯度消失问题，训练更稳定
深度学习模型的“黑盒”特性反而给了你更多分析空间（可视化、注意力等）

但要注意，用LSTM不意味着可以忽略传统方法。一个能拿高分的大作业，通常还包含一个对比实验：LSTM vs ARIMA vs 线性回归。哪怕ARIMA效果更好，你也需要通过分析来解释“为什么在这个数据集上LSTM没打赢传统模型”，这本身就是深度学习的价值体现。

1.3 项目目录与交付物的规划

先把目录结构规划好，避免中途写乱了：

stock_prediction_project/ ├── data/ # 原始数据与处理后的数据 │ ├── raw/ # 从tushare或yfinance下载的原始数据 │ └── processed/ # 归一化、滑窗后的数据 ├── src/ # 源代码 │ ├── data_fetcher.py # 数据下载模块 │ ├── preprocess.py # 数据预处理模块 │ ├── model.py # LSTM模型定义 │ ├── train.py # 训练脚本 │ ├── evaluate.py # 评估与可视化 │ └── utils.py # 工具函数 ├── checkpoints/ # 模型权重保存 ├── figures/ # 生成的图表（论文/报告用） ├── requirements.txt # 依赖清单 └── README.md # 项目说明

这个结构向老师传递了一个信息：你是按工程化标准做的，不是把代码堆在一个.ipynb里。这也是加分项。

2. 环境配置与数据获取：把这些基础做到滴水不漏

2.1 Python环境配置的坑

环境配置是最容易翻车的地方，也是很多同学一开始就卡住的地方。建议直接用Anaconda创建独立环境，不要用系统全局的Python，因为后面装TensorFlow/PyTorch时会因为依赖冲突整得焦头烂额。

conda create -n stock_lstm python=3.9 conda activate stock_lstm pip install tensorflow pandas numpy matplotlib scikit-learn tushare

这里说一下版本选择的问题，TensorFlow的版本不要太新，很多老教程用的还是2.4/2.5，如果你装了2.10以上版本，有些API接口会不一样（比如tf.keras的使用方式），但from tensorflow.keras这种写法在2.x都兼容。如果你用PyTorch，也可以，但LSTM的搭建代码要相应调整。

提示：如果你的网络环境访问外网有问题，下载TensorFlow可能很慢，镜像源是最快的解决方案。用清华或阿里云的镜像源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow

2.2 数据源选择：免费且合规的获取方式

股票数据获取必须注意合规性问题。几个常见的数据源：

Tushare：国内最常用的免费数据源，注册即用，积分够的话可以获取很细粒度的数据
AKShare：完全免费，无需注册，但接口变动比较频繁
yfinance（Yahoo Finance）：需要能访问外网，不推荐
baostock：国内免费数据源，接口稳定，适合做期末作业

我的建议是用Tushare或者AKShare，因为数据是A股的真实行情，报告里可以写清楚“数据来源：Tushare Pro API”，导师看了觉得规范。

Tushare的代码示例：

import tushare as ts import pandas as pd # 需要先在tushare.pro注册获取token ts.set_token('你的token') pro = ts.pro_api() # 获取平安银行2020-2023年的日线数据 df = pro.daily(ts_code='000001.SZ', start_date='20200101', end_date='20231231') df = df.sort_values('trade_date').reset_index(drop=True) print(df.head())

如果你不想注册，也可以用AKShare：

import akshare as ak # 获取贵州茅台历史数据 df = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20200101", end_date="20231231", adjust="qfq") df = df.rename(columns={'日期': 'date', '收盘': 'close'}) print(df.head())

2.3 股票代码选择的思路

选择哪只股票也是有讲究的。建议选流动性好、数据量大、趋势相对明显的股票，比如贵州茅台（600519）、平安银行（000001）、招商银行（600036）。不要选ST股或次新股，因为数据可能有异常。

我当时选的是平安银行，原因很简单：数据平稳、受大盘影响明显，LSTM能学到一些规律。更重要的是，平安银行的历史数据里包含了几次明显的涨跌周期，这让预测结果可视化时看起来“有故事可讲”。

3. 数据预处理：这步决定了你模型的上限

3.1 缺失值与异常值处理

获取到的原始数据通常不会直接可用。我拿到数据后第一件事是做数据检查：

# 检查缺失值 print(df.isnull().sum()) # 检查数据量 print(f"数据量: {len(df)}") print(f"时间范围: {df['trade_date'].min()} ~ {df['trade_date'].max()}")

缺失值的处理方式：如果缺失的是非交易日（周末、节假日），不需要填充，因为股票数据本身就是按交易日排列的；如果是交易日缺失，用前向填充（ffill）或插值。

3.2 为什么一定要做归一化

这是很多初学者的知识盲区，但在报告里写清楚了是加分项。

LSTM使用tanh和sigmoid作为激活函数，它们的输出范围是[-1, 1]或[0, 1]。如果输入数据不归一化，股价动辄几十、几百，梯度会非常大，训练过程很容易震荡甚至发散。归一化让所有特征处在同一量纲下，模型收敛更快，训练更稳定。

常用的归一化方法有两种：

from sklearn.preprocessing import MinMaxScaler, StandardScaler # 方法1：MinMaxScaler，将数据缩放到[0,1] scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(df[['close']].values) # 方法2：StandardScaler，标准化为均值为0，方差为1 # scaler = StandardScaler() # scaled_data = scaler.fit_transform(df[['close']].values)

对于股票数据，我推荐用MinMaxScaler，因为股票价格没有负值，而且MinMaxScaler在反归一化时更直观，预测结果能直接转换回真实价格。StandardScaler在做对比实验时也可以试一试，但在报告中要说明两种方法的差异。

注意：这里的Scaler必须只在训练集上fit，然后用同一个Scaler去transform测试集，严禁在整个数据集上fit。否则会造成数据泄漏，测试集的分布信息提前混进了训练过程，实验结果虚高，这在学术上是站不住脚的。

3.3 滑窗机制：构造有监督学习样本

LSTM不能直接吃一长串股价序列，需要把序列切割成“输入样本-标签”对。假设我们用过去look_back=60天的数据预测下一天的价格，具体做法是把数据做成：

X[0] = [t0, t1, ..., t59] -> y[0] = t60 X[1] = [t1, t2, ..., t60] -> y[1] = t61 ...

def create_sequences(data, look_back=60): X, y = [], [] for i in range(len(data) - look_back): X.append(data[i:i+look_back, 0]) y.append(data[i+look_back, 0]) return np.array(X), np.array(y) look_back = 60 X, y = create_sequences(scaled_data, look_back) print(f"X shape: {X.shape}, y shape: {y.shape}")

look_back是超参数中非常关键的一个。太小（比如5天），模型只看得到短期波动，学不到中期趋势；太大（比如250天，约一年交易日），训练数据的长度会不够，而且引入了太多历史噪声。我实测下来，60（约三个月交易日）是一个不错的平衡点。但你完全可以在报告里做一个look_back敏感性分析，每次改参数重新训练，画N张预测图对比，这种踏实劲导师不可能不给分。

3.4 数据集切分：训练集/验证集/测试集的划分原则

时间序列数据的划分和普通机器学习数据不一样，不能随机打乱，必须按时间顺序划分，否则就破坏了时间相关性，相当于作弊。

我采用的划分方式是：前80%做训练集，中间10%做验证集，最后10%做测试集。

train_size = int(len(X) * 0.8) val_size = int(len(X) * 0.1) X_train, y_train = X[:train_size], y[:train_size] X_val, y_val = X[train_size:train_size+val_size], y[train_size:train_size+val_size] X_test, y_test = X[train_size+val_size:], y[train_size+val_size:] # 调整shape为LSTM输入格式：(样本数, 时间步长, 特征数) X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_val = X_val.reshape((X_val.shape[0], X_val.shape[1], 1)) X_test = X_test.reshape((X_test.shape[0], X_test.shape[1], 1))

这里有一个容易被忽略的细节——只用收盘价做特征，还是加入其它特征？

只用收盘价，模型学到的模式相对有限，但思路清晰，便于解释。如果你想拿更高的分，可以尝试加入开盘价、最高价、最低价、成交量，甚至是一些技术指标（如MACD、RSI）。特征多了，模型输入维度从1变成N，需要调整模型结构，但报告的内容会更丰富。

我当时报告里做了一个对比：“单特征 vs 多特征”，多特征模型的RMSE略高（即更准），但训练时间多了将近一倍。这个实验极大的丰富了报告的深度，帮你拉开和同班同学的差距。

4. LSTM模型设计与训练调优

4.1 网络结构设计：如何确定层数和神经元数量

LSTM网络的结构设计是整个项目的核心环节。我的目标是要在“表达能力”和“过拟合风险”之间找到平衡点。

一个标准的LSTM回归模型长这样：

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau def build_lstm_model(look_back=60, n_features=1): model = Sequential([ LSTM(units=128, return_sequences=True, input_shape=(look_back, n_features)), Dropout(0.2), LSTM(units=64, return_sequences=False), Dropout(0.2), Dense(units=32, activation='relu'), Dense(units=1) ]) model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error', metrics=['mae']) return model model = build_lstm_model() model.summary()

结构的关键点：

第一层LSTM需要return_sequences=True，因为要输出完整的序列到下一层LSTM
Dropout层防止过拟合，0.2的含义是在训练时随机丢弃20%的神经元连接
最后一层是Dense(1)，因为我们要输出一个连续值（下一天的股价），不是分类，所以没有激活函数
损失函数用MSE，因为这个任务本质是回归问题，MSE对大的预测误差敏感，能有效指导模型优化

关于神经元数量，没有绝对的公式，但有一个经验法则：输入特征的8~16倍。单特征下用32~128都合理。神经元翻倍计算量会翻4倍（因为LSTM的矩阵乘法是输入维度和单元数同时影响参数量），所以不要盲目选大的。

4.2 训练参数的配置与理由

训练的核心参数包括batch size、epochs、学习率和早停机制。我推荐的配置如下：

batch size = 64：比较中庸的选择，在训练速度和梯度稳定性之间折中。太大（如256）会让梯度方向过于“平均”，错过最优解；太小（如16）训练不稳定、震荡大
epochs = 100：训练100轮，同时配合早停
learning rate = 0.001：Adam优化器的默认学习率，通常不需要动
EarlyStopping patience=15：如果验证集loss连续15个epoch没有下降，就提前停止，防止过拟合

early_stopping = EarlyStopping(monitor='val_loss', patience=15, restore_best_weights=True) reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5, min_lr=1e-6) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=100, batch_size=64, callbacks=[early_stopping, reduce_lr], verbose=1 )

ReduceLROnPlateau是个很实用的调参技巧。当验证损失进入平台期，学习率自动减半，让模型在小步长下继续精细搜索。这个细节写进报告里，能显得你很懂调参。

4.3 训练过程中的损失曲线解读

训练完成后，第一件事就是画损失曲线。这是报告中最基础也是最重要的图之一。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Model Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.savefig('figures/loss_curve.png', dpi=300, bbox_inches='tight') plt.show()

那到底怎么解读这张图呢？

如果训练损失和验证损失都持续下降并趋于平稳，说明模型健康，没有过拟合
如果训练损失还在下降，但验证损失已经开始上升，说明过拟合了，需要加大Dropout、减小模型规模、或者增加早停的力度
如果两条曲线都不降，或者震荡得非常厉害，说明学习率可能太高，或者数据归一化没做好

我当时训练到第50轮左右早停就触发了，模型恢复到了best weights。整个训练过程不到3分钟（GTX 1660显卡），CPU也不慢。这个训练成本对学生党很友好。

4.4 预测与反归一化

训练完成后做预测，注意一个细节：预测时也要做滑窗，不能一次性把整个测试集丢进去（那是作弊）。需要像“滚动预测”一样，用已知的真实数据点逐个生成预测结果。

不过，为了简单且有效，大部分期末作业的做法是一次性把测试集X_test丢进模型，得到每个样本点的预测序列，再反归一化回真实股价。我这个阶段也是这么做的。如果你追求更高阶的玩法，可以尝试“多步递归预测”：预测出下一天的股价后，把预测值拼进输入序列，继续迭代预测未来5天。这样更像真实的交易场景，但误差会累积。

# 模型预测 predicted_prices = model.predict(X_test) # 反归一化：把预测值和真实值都还原到原始价格尺度 predicted_prices = scaler.inverse_transform(predicted_prices.reshape(-1, 1)) real_prices = scaler.inverse_transform(y_test.reshape(-1, 1))

值得说明的是，scaler.inverse_transform的输入必须和fit时的shape一致，所以这里都会reshape(-1, 1)一下。这个细节在报告里可以提一下，因为很多同学代码报错就在这种小地方。

5. 评估指标与结果可视化

5.1 回归预测的核心指标：MAE、RMSE、MAPE

评估模型性能时，最常用的三个指标是：

MAE（平均绝对误差）：误差绝对值的均值，直观反映平均偏差多少“元”
RMSE（均方根误差）：误差平方的均值的开方，对大误差更敏感，能放大模型在某些极端点上的失误
MAPE（平均绝对百分比误差）：误差占真实值的百分比，可以说是最直观的指标，衡量误差的相对大小

from sklearn.metrics import mean_absolute_error, mean_squared_error import numpy as np mae = mean_absolute_error(real_prices, predicted_prices) rmse = np.sqrt(mean_squared_error(real_prices, predicted_prices)) mape = np.mean(np.abs((real_prices - predicted_prices) / real_prices)) * 100 print(f"MAE: {mae:.4f}") print(f"RMSE: {rmse:.4f}") print(f"MAPE: {mape:.2f}%")

打个比方，假设平安银行股价在10~15元之间波动，模型算出来的RMSE如果是0.3元，MAPE大概是2%上下，这意味着平均每次预测误差只有两三毛钱，精度已经很不错了。如果你计算出MAPE在1%以内，那这个模型足以惊艳大多数评分老师。

5.2 可视化结果：如何画一张能“讲出故事”的图

预测曲线和真实曲线的对比图是整份报告的灵魂。这张图画得好不好，直接影响观感。

plt.figure(figsize=(16, 6)) # 划分绘图区间：训练集/测试集 train_predict_dates = df['date'].values[look_back:look_back+len(X_train)] val_predict_dates = df['date'].values[look_back+len(X_train):look_back+len(X_train)+len(X_val)] test_predict_dates = df['date'].values[look_back+len(X_train)+len(X_val):] # 绘制真实价格曲线 plt.plot(test_predict_dates, real_prices, label='Real Price', color='#1f77b4', linewidth=2) # 绘制预测价格曲线 plt.plot(test_predict_dates, predicted_prices, label='Predicted Price', color='#ff7f0e', linewidth=2, linestyle='--') plt.title('LSTM Stock Price Prediction - Test Set', fontsize=16) plt.xlabel('Date', fontsize=12) plt.ylabel('Price (CNY)', fontsize=12) plt.legend() plt.grid(True, alpha=0.3) plt.xticks(rotation=45) plt.tight_layout() plt.savefig('figures/prediction_result.png', dpi=300, bbox_inches='tight') plt.show()

在报告里对这张图的解读应该是：模型的预测曲线（橙色虚线）和真实曲线（蓝色实线）走势基本一致，模型成功捕捉到了从上行到下行的趋势转折点，但在局部高峰和低谷处存在一定滞后，这是LSTM模型基于历史数据滚动预测的固有特性。

有一说一，这句话写到报告里，比单纯贴一张图有说服力一百倍。

5.3 误差分布分析

除了预测-真实曲线，建议再加一张误差分布图，这会让你的报告在“分析深度”上远超同学：

errors = (real_prices - predicted_prices).flatten() plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.hist(errors, bins=30, edgecolor='black', alpha=0.7) plt.title('Prediction Error Distribution') plt.xlabel('Error (CNY)') plt.ylabel('Frequency') plt.subplot(1, 2, 2) plt.plot(errors) plt.title('Error Sequence Over Time') plt.xlabel('Sample Index') plt.ylabel('Error (CNY)') plt.tight_layout() plt.savefig('figures/error_analysis.png', dpi=300) plt.show()

误差基本围绕0值对称分布，说明模型没有系统性偏差；误差随时间的变化没有明显的模式，说明误差是随机的，模型能力已经在当前特征和结构下得到了充分挖掘。

6. 常见问题与排查技巧实录

6.1 典型报错：维度不匹配

在调整数据shape、输入模型时最容易遇到维度错误：

ValueError: Input 0 of layer "lstm" is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: (None, 60)

原因：LSTM层期望三维输入(batch_size, time_steps, features)，但传进去的X_train是二维的，说明忘了reshape。解决办法就是上面代码里那行：

X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))

6.2 训练损失不下降或震荡

原因可能有三个：

数据没有归一化，或归一化方式不对（比如fit和transform混在一起）
学习率过大（从0.01改成0.001试试）
数据量太少，模型无法拟合（增加历史数据的时间范围，从3年加到5年）

6.3 预测结果是一条“平移的线”，完全滞后于真实曲线

这是LSTM做股票预测时最经典的现象。模型学到的规律往往是“今天的股价≈昨天的股价”，所以预测结果看起来像真实曲线整体向右平移了一天。

出现这种情况，说明模型没有学到真正的趋势模式，只是在拟合一个“惯性”。解决思路：

调整look_back，拉长历史视野
加入更多特征（成交量、开盘价、最高价、最低价），让模型有更多信息可用
尝试差分处理，预测的不是价格本身，而是价格的变化量（明天的价格减去今天的价格）

6.4 安装TensorFlow失败

如果在Windows上安装TensorFlow遇到Failed to load the native TensorFlow runtime，大概率是Visual C++运行库没装，去官网下载“Visual C++ Redistributable”安装即可。如果遇到No module named 'tensorflow'，检查当前环境的pip是否指向了正确路径：

pip list | grep tensorflow python -c "import tensorflow as tf; print(tf.__version__)"

6.5 反归一化后的预测值出现负值

预测出的价格变成负数，明显不合理，但反归一化之后确实可能遇到，因为模型在极端情况下可能输出负值。解决办法：加一层ReLU或abs，或者在评估时直接忽略这种异常值，也可以用numpy.clip把预测值clip到最低0。

7. 冲95分以上的报告撰写技巧与后续扩展

7.1 报告结构与篇幅分配

一份高分报告，结构应该严格遵循学术论文的规范：

摘要：300字以内，说清楚研究目标、方法、主要结果
引言：200-500字，说明研究背景和意义
相关工作/理论基础：500-800字，解释LSTM的原理，配上门控结构的示意图
数据与预处理：500-800字，来源、范围、归一化、滑窗
模型设计：500-800字，结构图、参数表、超参数选择理由
实验结果与分析：800-1200字，指标表、预测图、误差分析、对比实验
总结与展望：300字以内，说清模型局限性
参考文献：至少8-10篇

其中结果分析部分是最能拉分的。单纯把指标列出来不算分析，你要讨论“为什么RMSE偏高”、“哪个时间段预测效果差、为什么”、“如果换一只股票结果会怎样”。

7.2 对比实验

如果想让分数突破95，建议加一个对比模型。最简单的做法是用sklearn的线性回归或者支持向量回归，跑同样的数据，对比RMSE、MAPE。这么做的意义在于，展示了你的批判性思维：LSTM不一定在所有场景下都比传统模型好，你能客观分析优劣，这就是研究能力。

7.3 后续可以怎么玩

如果你拿了95分还想继续深化，方向很多：用注意力机制改造LSTM、用Transformer/Informer做时间序列预测、做多因子选股、搭建一个自动交易的回测框架。期末作业不是终点，它是你入门“AI+金融”的第一步。

7.4 关于“代码复用”和“防止千篇一律”的最后提醒

基于LSTM的股票预测，是全网教程最多的Python项目之一。如果你照着别人的代码改个股票代码就交上去，大概率会和同学撞车，甚至被老师看出是模板。高分的前提是：你能讲清每一步为什么这么做，加入自己的实验，体现出自己的思考。

换句话说，代码可以借鉴，但报告里的深度、图表、对比分析，都应该是你自己亲手产出的。

我个人在实际操作中的体会是：这个项目的难点其实不在LSTM本身，而是在于各项细节的把控。数据是否规范、归一化是否泄露、滑窗大小是否有依据、指标解读是否到位，每一个细节差一点，总分就拉开了10分。把这份复盘里的每一个坑都避开，你的期末大作业就已经站在了优秀线上。

本文还有配套的精品资源，点击获取

LSTM股票预测期末大作业高分指南：数据预处理到模型调优全流程复盘