LSTM股票基金预测实战：从akshare数据到PyTorch模型回测

简介：这份资源是面向机器学习初学者与高校学生的LSTM股票/基金预测实战项目，适合用作课程设计、期末大作业或入门时序预测的练手案例。压缩包共11个文件，约155KB，包含3个Python脚本负责模型搭建与数据获取、5个xlsx表格存放训练集、测试集及预测结果、1份README说明文档，另有1张运行结果图和1个缓存文件，结构紧凑、开箱即用。项目围绕长短期记忆网络对基金与股票净值走势建模，涵盖数据读取、特征整理、模型训练与预测输出等完整环节，可直接对照代码理解LSTM在金融时序上的应用思路。目前已有224人学习下载，适合想快速跑通一个完整预测流程、积累项目经验的读者参考借鉴。

1. 从一份"高分项目"压缩包说起：LSTM 做股票/基金预测到底靠不靠谱

很多人第一次接触"基于机器学习 LSTM 的股票/基金预测模型"这个标题，是在课程设计、毕设选题或者简历项目里。压缩包解压出来通常是一份 Jupyter Notebook、一份 CSV 数据、一张预测曲线对比图，跑一遍发现拟合得还挺像，于是心里犯嘀咕：这玩意儿真能拿来炒股吗？先把结论摆前面——LSTM 做股票/基金预测，能做出一个工程上完整、指标上好看的模型，但它不是印钞机。它擅长的是从历史量价序列里学出短期趋势和波动模式，而不是预测明天涨停。这个方向真正值钱的地方，是让你完整走一遍"数据获取 → 特征工程 → 序列建模 → 回测评估"的量化流水线，这套能力放到设备寿命预测、销量预测、流量预测上都能复用。

适合读这篇的人有三类：一是要交课程设计或毕设、需要一份能跑通、能讲清楚原理的项目；二是想入门量化、用 Python 机器学习做点股票组合分析练手的工程师；三是已经会调sklearn，但没系统做过时间序列、想搞明白 LSTM 时间序列预测 Python 实现细节的人。下面我按自己实际做过的路径，把数据怎么拿、模型怎么搭、参数怎么调、哪里最容易翻车，一条条讲清楚。

2. 数据从哪来、怎么变成 LSTM 能吃的序列

2.1 用 akshare 获取股票数据：最小可用代码

做股票预测，第一步永远是数据。国内免费数据源里，akshare是这几年用得比较多的一个，接口稳定、字段全，取 A 股日线一行代码就够。我一般先拉一只票的日线，确认字段结构再批量拉。

import akshare as ak import pandas as pd # 拉取贵州茅台日线，adjust="qfq" 表示前复权 df = ak.stock_zh_a_hist( symbol="600519", period="daily", start_date="20180101", end_date="20241231", adjust="qfq" ) # 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(drop=True) print(df.shape, df.columns.tolist()) print(df.tail(3))

逻辑说明：stock_zh_a_hist返回的是中文列名，先重命名成英文，避免后面写特征时中英混用。adjust="qfq"是关键参数，前复权能消除分红送股造成的价格跳空，否则模型会把这些跳空当成真实波动去学，预测必然失真。period可选daily/weekly/monthly，做 LSTM 短期预测一般用日线。参数上start_date建议至少给 3 年以上，LSTM 是数据饥渴型模型，样本太少学不出东西。

提示：akshare接口偶尔会因为数据源调整而字段变动，跑之前先print(df.columns)确认一遍，别直接硬编码列名。

2.2 特征工程：别只喂收盘价

新手最容易犯的错，是把close一列丢进 LSTM 就完事。单变量序列能跑，但信息量太低，模型学不到量价关系。我一般会构造一组基础特征，让模型有东西可学：

df["ret_1"] = df["close"].pct_change() df["ma5"] = df["close"].rolling(5).mean() df["ma20"] = df["close"].rolling(20).mean() df["vol_ratio"] = df["volume"] / df["volume"].rolling(5).mean() df["high_low"] = (df["high"] - df["low"]) / df["close"] df["close_ma20"] = df["close"] / df["ma20"] - 1 # 预测目标：下一日收益率 df["target"] = df["close"].pct_change().shift(-1) df = df.dropna().reset_index(drop=True)

逻辑说明：pct_change把绝对价格转成收益率，这是时间序列建模的常规操作，因为价格是非平稳的，直接喂给模型容易过拟合趋势。shift(-1)是把"明天"的收益率对齐到"今天"这一行，这是构造监督学习标签的标准做法，方向千万别搞反，shift(1)就变成用未来预测现在了。dropna会砍掉前面均线没算出来的行，正常损失 20 行左右。

2.3 滑动窗口：把表格变成三维张量

LSTM 要的输入是(样本数, 时间步, 特征数)的三维张量，所以得用滑动窗口把二维表切成序列。窗口长度seq_len是核心参数，我一般取 20 或 30，对应一个月左右的交易日。

import numpy as np def make_sequences(data, target, seq_len=20): X, y = [], [] for i in range(len(data) - seq_len): X.append(data[i:i + seq_len]) # 过去 seq_len 天 y.append(target[i + seq_len]) # 第 seq_len+1 天的收益 return np.array(X), np.array(y) feat_cols = ["ret_1", "ma5", "ma20", "vol_ratio", "high_low", "close_ma20"] X, y = make_sequences(df[feat_cols].values, df["target"].values, seq_len=20) print(X.shape, y.shape) # (N, 20, 6)

逻辑说明：循环里data[i:i+seq_len]取窗口，target[i+seq_len]取窗口后一天，保证不泄露未来信息。seq_len太小（比如 5）模型看不到趋势，太大（比如 120）样本数骤减且容易过拟合，20~30 是日线数据的经验区间。特征维度这里是 6，后面模型输入层要跟它对齐。

注意：划分训练集/测试集时绝对不能随机打乱，时间序列必须按时间先后切，否则就是典型的数据泄露，测试集指标会虚高得离谱。

3. PyTorch LSTM 模型搭建与训练：从网络结构到早停

3.1 LSTM 单元在学什么：门控机制一句话讲透

LSTM（长短期记忆网络，Long Short-Term Memory）1997 年由 Hochreiter 和 Schmidhuber 提出，核心是三个门：遗忘门决定丢掉多少旧记忆，输入门决定写入多少新信息，输出门决定当前输出多少。相比普通 RNN，它靠这条"细胞状态"高速公路缓解了梯度消失，所以能记住几十步之前的信息。放到股票场景，就是让模型自己判断"20 天前的放量"对"明天涨跌"还有没有参考价值。你不需要手推公式，但要理解一点：LSTM 的记忆能力是有代价的，序列越长、参数越多，越容易在小样本上过拟合，这也是为什么股票预测里 LSTM 经常"训练集完美、测试集拉胯"。

3.2 一个能直接跑的 PyTorch LSTM 源码

下面是我常用的最小模型结构，两层 LSTM 加一层全连接，带 Dropout 防过拟合。

import torch import torch.nn as nn class LSTMModel(nn.Module): def __init__(self, input_size, hidden_size=64, num_layers=2, dropout=0.3): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, # 输入格式 (batch, seq, feature) dropout=dropout ) self.fc = nn.Linear(hidden_size, 1) def forward(self, x): out, _ = self.lstm(x) # out: (batch, seq, hidden) out = out[:, -1, :] # 只取最后一个时间步 return self.fc(out).squeeze(-1) model = LSTMModel(input_size=len(feat_cols)) print(model)

逻辑说明：batch_first=True让输入维度是(batch, seq_len, feature)，跟前面构造的X对齐，忘了设这个参数是最常见的翻车点，会报维度不匹配。out[:, -1, :]只取最后一个时间步的隐状态，因为我们要预测的是窗口之后那一天，前面时间步的输出对最终预测没直接用途。hidden_size=64、num_layers=2是中小数据集的稳妥起点，数据量上万条可以加到 128。dropout=0.3只在多层 LSTM 之间生效，单层时这个参数无效。

3.3 训练循环与早停：参数怎么设

from torch.utils.data import TensorDataset, DataLoader # 按时间切分，前 80% 训练，后 20% 测试 split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] train_ds = TensorDataset(torch.tensor(X_train, dtype=torch.float32), torch.tensor(y_train, dtype=torch.float32)) train_loader = DataLoader(train_ds, batch_size=64, shuffle=False) # 不打乱 criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) best_loss, patience, wait = float("inf"), 10, 0 for epoch in range(200): model.train() for xb, yb in train_loader: optimizer.zero_grad() loss = criterion(model(xb), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) # 梯度裁剪 optimizer.step() model.eval() with torch.no_grad(): val_loss = criterion(model(torch.tensor(X_test, dtype=torch.float32)), torch.tensor(y_test, dtype=torch.float32)).item() if val_loss < best_loss: best_loss, wait = val_loss, 0 torch.save(model.state_dict(), "best_lstm.pt") else: wait += 1 if wait >= patience: print(f"early stop at epoch {epoch}") break print(f"epoch {epoch}, val_loss {val_loss:.6f}")

逻辑说明：shuffle=False在时间序列里很重要，打乱会破坏时序依赖。clip_grad_norm_把梯度范数限制在 1.0，LSTM 在收益率这种小数值上训练时梯度容易爆炸，这个操作能显著稳住训练。学习率1e-3是 Adam 的常用值，如果 loss 震荡就降到5e-4。早停patience=10表示验证损失连续 10 轮不降就停，这是防过拟合最省事的手段。batch_size=64在几千条样本上比较合适，样本少就降到 32。

提示：收益率数值很小（0.01 量级），MSE 损失会非常小，看 loss 时别被0.0001这种数字迷惑，重点看它有没有持续下降、测试集有没有反弹。

4. 评估与回测：模型预测股票涨跌为什么每次结果不一样

4.1 别只看 MSE，方向准确率才是关键

MSE 小不代表能赚钱。收益率预测里，模型很容易学成"永远预测接近 0"，MSE 很低但毫无用处。真正要看的是方向准确率：预测涨、实际也涨的比例。

model.eval() with torch.no_grad(): pred = model(torch.tensor(X_test, dtype=torch.float32)).numpy() direction_acc = ((pred > 0) == (y_test > 0)).mean() print(f"方向准确率: {direction_acc:.4f}") # 简单策略回测：预测涨就持有，预测跌就空仓 strategy_ret = np.where(pred > 0, y_test, 0) cum_strategy = (1 + strategy_ret).cumprod() cum_buyhold = (1 + y_test).cumprod() print(f"策略累计: {cum_strategy[-1]:.4f}, 买入持有: {cum_buyhold[-1]:.4f}")

逻辑说明：方向准确率能到 52%~55% 就已经算有信号了，别指望 70%，那是过拟合或者数据泄露。回测里np.where(pred > 0, y_test, 0)是最朴素的择时策略，预测涨就吃当天收益，预测跌就空仓。对比"买入持有"基准很重要，很多模型跑不赢躺平不动。

4.2 结果每次不一样：随机性从哪来

"模型预测股票涨跌每次结果不一样"是高频疑问，原因有三：一是 PyTorch 权重随机初始化，二是 DataLoader 即使shuffle=False，某些操作仍有非确定性，三是 Dropout 在训练时随机丢弃神经元。要复现结果，固定随机种子：

import random def set_seed(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False set_seed(42)

逻辑说明：cudnn.deterministic=True会让 GPU 卷积算法确定化，代价是速度略降。固定种子后同一份数据、同一份代码结果可复现，但换一段测试区间结果还是会变，这是市场本身的问题，不是 bug。评估模型要跑多个时间窗口取平均，单次结果没有说服力。

4.3 基金预测和股票预测的差别

基金（尤其指数基金）的净值序列比个股平滑得多，噪声小、趋势性强，LSTM 在基金净值上的方向准确率通常比个股高几个点。但代价是波动小、可套利空间也小。做基金预测时我一般把seq_len拉长到 30~60，因为基金趋势持续时间更长；特征里加上跟踪指数的收益率、市场整体涨跌作为外部变量，效果比纯净值序列好。个股则相反，seq_len短一点、特征里多放量价关系更合适。

5. 避坑与排查：LSTM 股票预测最常见的 5 个翻车现场

5.1 现象：测试集准确率高得离谱，实盘完全不行

原因：数据泄露。最常见的是归一化时用了全量数据的均值和方差，或者划分数据集时随机打乱，让模型"看到"了未来信息。解决：归一化参数只能用训练集算，再应用到测试集；切分严格按时间顺序。检查方法很简单——把测试集整体后移一天，如果指标暴跌，说明之前泄露了。

5.2 现象：loss 一直不降，或者变成 nan

原因：学习率太大、收益率数值太小导致梯度问题，或者输入里有 NaN。解决：先把学习率降到1e-4试；加梯度裁剪；训练前assert not np.isnan(X).any()检查数据。收益率量级小的时候，也可以把 target 放大 100 倍（用百分比表示），训练完再缩回去。

5.3 现象：训练集 loss 很低，测试集 loss 高得吓人

原因：过拟合。LSTM 参数量相对几千条样本还是偏大。解决：减小hidden_size（64 降到 32）、增大dropout（0.3 提到 0.5）、加 L2 正则（优化器里设weight_decay=1e-4）、缩短seq_len。如果还不行，说明特征太多，砍到 3~4 个核心特征。

5.4 现象：预测曲线是一条几乎水平的直线

原因：模型学成了"预测均值"，因为收益率本身接近零均值，MSE 损失下这是局部最优。解决：换损失函数，用方向性的损失或者对涨跌样本加权；或者把任务从回归改成分类（涨/跌二分类），用交叉熵，模型会更愿意给出有倾向的预测。

5.5 现象：换一只股票就要重调所有参数

原因：不同股票波动率差异巨大，统一参数不通用。解决：对每只票做单独的标准化，或者用波动率归一化收益率（收益率除以滚动标准差）。做股票组合分析时，我一般按行业或市值分组，组内共享一套超参数，比全市场一套参数稳得多。

6. 把单模型升级成能用的信号：几个我压箱底的技巧

单只 LSTM 跑出来的预测噪声很大，直接拿来交易基本是送钱。我实际做的时候会加两层处理。第一层是多模型集成：用不同随机种子训练 5 个 LSTM，把预测取平均，方向准确率通常能稳 2~3 个点，因为单模型的随机波动被平滑掉了。第二层是信号过滤：只在模型预测的绝对值超过某个阈值时才动手，比如预测收益率绝对值大于 0.5% 才认为有信号，否则视为噪声空仓。这个阈值用验证集调，别用测试集。

# 多模型集成 + 阈值过滤 preds = [] for seed in [42, 7, 123, 2024, 999]: set_seed(seed) m = LSTMModel(input_size=len(feat_cols)) # ... 训练代码同上，省略 ... m.load_state_dict(torch.load(f"best_lstm_{seed}.pt")) m.eval() with torch.no_grad(): preds.append(m(torch.tensor(X_test, dtype=torch.float32)).numpy()) ensemble_pred = np.mean(preds, axis=0) threshold = 0.005 signal = np.where(np.abs(ensemble_pred) > threshold, np.sign(ensemble_pred), 0) strategy_ret = signal * y_test print(f"集成后方向准确率: {((ensemble_pred > 0) == (y_test > 0)).mean():.4f}")

逻辑说明：np.sign把连续预测转成 -1/0/1 的仓位信号，threshold控制交易频率，阈值越高交易越少、越保守。这个组合在回测里通常能把最大回撤压下来，代价是错过一些小幅上涨。参数上阈值别设太大，0.5%~1% 是日线级别的合理区间。

还有一个容易被忽略的点：滚动重训。市场风格会变，一个模型训完就不管，几个月后必然失效。我的习惯是每 60 个交易日重新训练一次，用最近 3 年数据，这样模型能跟上最新的波动特征。这套流程跑下来，你会发现 LSTM 股票预测真正的价值不在预测精度，而在于它逼你把数据管道、特征、回测、风控整条链路都搭明白——这套东西迁移到任何时间序列任务上都成立。我自己踩过最深的坑就是一开始迷信模型精度，花两周调网络结构，最后发现把数据泄露修掉、把回测做扎实，比换十个模型都管用。希望帮到你。

本文还有配套的精品资源，点击获取