tushare+TensorFlow2.0：用RNN/LSTM预测贵州茅台开盘价

简介：面向金融时序预测与深度学习入门人群，这份资源以贵州茅台历史行情为例，演示如何通过tushare获取真实A股数据，并基于TensorFlow 2.0搭建RNN和LSTM模型预测开盘价，完整覆盖数据抓取、清洗归一化、模型构建、训练评估与预测应用，适合具备一定Python基础、希望用真实股票数据快速上手序列建模的开发者，也可作为金融科技实践教学的项目参考。压缩包共5个文件，包含3个Python脚本（对应tushare数据下载、RNN预测、LSTM预测）、1个Markdown说明文档和1个CSV股票数据集，整体仅56KB，轻量易读；脚本分离清晰，便于按环节阅读修改。已有1912人学习下载。配套代码可直接运行复现实验，README梳理了环境准备与实现思路，CSV数据免去自行采集的麻烦，方便读者对比标准RNN与LSTM在相同任务上的预测表现，是入门时空序列预测的实用范例。

1. 用tushare拉取贵州茅台历史行情，再用tensorflow2.0搭RNN和LSTM预测开盘价：链路能走通，但瓶颈不在模型

把tushare拉到的贵州茅台日线数据，按时间窗口切成样本，喂给tensorflow2.0里搭的RNN和LSTM，用过去N天的开盘价预测第N+1天的开盘价，这是很多人在股票预测上迈出的第一步。反直觉的结论是：模型本身十几行就能跑通，真正决定成败的是数据口径、窗口构造和验证方式。比如tushare的daily接口返回的是不复权原始价，贵州茅台每年分红除权会产生虚假跳空；又比如归一化如果直接fit全量数据，测试集就相当于开卷考试。这篇笔记按数据获取、样本构造、RNN基线、LSTM替换、踩坑排查到回测验证的顺序展开，适合有Python和TensorFlow基础、想用真实金融数据做时间序列预测的从业者，把RNN和LSTM从概念落到可复现的代码上。

2. 用tushare拉取贵州茅台日线数据：token、前复权与倒序清洗三个关键点

2.1 申请token并用pro_bar接口：拉取600519.SH日线数据的最小配置

tushare现在主推的是pro接口，旧版的ts.get_k_data虽然还能用，但字段不规范、复权处理也很粗糙，做预测建模我不建议碰。标准做法是在tushare主页拿到一个token，用它初始化pro api，然后按股票代码拉日线。下面是拉取贵州茅台最近五年日线数据的最小代码。

import tushare as ts ts.set_token('把你在tushare主页申请的token填到这里') pro = ts.pro_api() # 贵州茅台在上交所，代码后缀是SH df = pro.daily(ts_code='600519.SH', start_date='20190101', end_date='20231231') print(df.shape) print(df.head())

set_token把token写进全局配置，换成你自己的字符串再运行。600519.SH是贵州茅台在tushare里的标准代码，SH后缀不能省，深交所股票是.SZ。daily接口返回的是不复权的原始日线，包含ts_code、trade_date、open、high、low、close、pre_close、change、pct_chg、vol、amount这些字段。单次调用tushare有行数上限，日线数据五年大概1200行，不会触顶；如果拉十年以上的分钟线或复权因子，要注意分批。token对应的积分决定你能调哪些接口，daily和pro_bar基础积分就够，不需要额外付费接口。如果调接口时报权限错误，先去tushare的控制台确认积分是否够用。

如果不想手动处理复权，tushare提供了pro_bar接口，代码只需要把daily换成pro_bar并传一个adj参数。

df = ts.pro_bar(ts_code='600519.SH', adj='qfq', start_date='20190101', end_date='20231231') print(df.head())

pro_bar返回的字段和daily基本一致，区别是价格会按复权因子调整。后面所有建模都用pro_bar的输出，就能绕开分红除权这个大坑。

2.2 前复权还是不复权：分红除权让开盘价序列出现虚假跳空

贵州茅台每年都有现金分红，股价在除权除息日会有一个向下的跳空。这个跳空反映的是股本和现金分红导致的价格调整，不是市场真实的下跌。但如果直接用不复权价格建模，RNN和LSTM会把某一天的突然低开当成真实特征，训练出来的模型会在每年分红日附近产生明显的尖峰误判。常见的做法是统一用前复权qfq，它把历史价格按最新复权因子整体调整，序列连续，不同年份之间的价格可对比。后复权hfq虽然也让序列连续，但早期价格数值特别大，对MinMaxScaler和模型训练都不够友好，我一般只在算收益率时才考虑它。

对比一下不复权和前复权的差异：把两套数据按trade_date对齐，打印除权除息日附近的open，能看到不复权价格出现一个台阶。为了让你在本地能快速验证，可以跑这样一段代码。

df_raw = pro.daily(ts_code='600519.SH', start_date='20220101', end_date='20231231') df_qfq = ts.pro_bar(ts_code='600519.SH', adj='qfq', start_date='20220101', end_date='20231231') raw_open = df_raw.sort_values('trade_date')['open'].reset_index(drop=True) qfq_open = df_qfq.sort_values('trade_date')['open'].reset_index(drop=True) # 对齐长度后，肉眼找一下每年分红除权日前后的open跳变 print((qfq_open - raw_open).describe())

选定qfq之后，整个训练和评估过程都要保持qfq，不要在中间切换口径。如果项目最终要求预测真实成交价，再单独研究复权因子的还原计算，但模型训练阶段统一用前复权是最省事的做法。

2.3 排序、去重与缺失交易日：tushare返回倒序，RNN需要严格的升序

tushare的daily和pro_bar返回结果都是按日期倒序排列，最新一天在最上面。RNN和LSTM是按时间顺序学习序列依赖的，必须先排序，否则模型学到的是一条倒着走的价格曲线。另一个坑是重复行，多次调用或合并数据时可能产生重复记录，直接去重。下面是我每次拉完数据都会做的标准清洗。

import pandas as pd # trade_date在tushare里是YYYYMMDD的字符串或整数 df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d') df = df.sort_values('trade_date').reset_index(drop=True) df = df.drop_duplicates(subset='trade_date', keep='last').reset_index(drop=True) print(df.head())

sort_values按交易日期升序排列，reset_index确保后续窗口切片的索引从0开始连续。drop_duplicates按trade_date去重，keep='last'保留最后拉取到的那一条记录。A股周五到周一之间有三天空档，遇到国庆春节更长，这是正常现象，不要用resample把缺失日期填平。填平之后的平开和零成交量会让模型误以为市场每天都在交易，反而引入噪声。这一步做完，df里的open就是一列按时间升序的前复权开盘价序列，可以直接进入下一章的样本构造。

3. tensorflow2.0构造序列样本：把贵州茅台开盘价变成RNN需要的时间窗口

3.1 窗口样本构造：用过去N个交易日预测第N+1天的开盘价

RNN和LSTM拿到的不是一条单独的价格，而是一段连续的历史。如果把每一天的开盘价当成独立样本喂给全连接网络，时间顺序信息就完全丢了。标准做法是滑窗采样：用一个长度为window_size的窗口在开盘价序列上滑动，窗口内的价格作为输入，窗口后一天的价格作为标签。下面是我常用的窗口构造函数。

import numpy as np def make_window(data, window_size=10): X, y = [], [] for i in range(len(data) - window_size): X.append(data[i:i + window_size]) y.append(data[i + window_size]) return np.array(X), np.array(y) # data是归一化后的开盘价一维数组，长度设为L X, y = make_window(data, window_size=10) print(X.shape, y.shape)

i从0取到len(data) - window_size - 1，一个窗口取data[i:i + window_size]共10个价格，标签取窗口之后那一天的data[i + window_size]。这里最容易写错的是边界：如果range写成len(data) - window_size + 1，最后一个样本的y就超出序列长度，训练时会报索引越界。X的初始shape是(样本数, window_size)，对RNN来说还需要扩展一个维度变成(样本数, window_size, 1)，这一步一般在喂给模型前用X.reshape(-1, window_size, 1)完成。窗口大小是后面最值得调的超参数：10代表用两周交易日的开盘价预测第11天，20代表一个月。窗口太小模型看不到趋势，窗口太大又引入与当前关系不大的历史噪声，建议以5、10、20、30做一组对比实验。

3.2 归一化与切分：先切分再fit MinMaxScaler，防止测试集泄漏

开盘价的绝对值从几百到一千七，量级对tanh激活函数不友好，必须先归一化。常见的错误是先对全量序列fit一遍MinMaxScaler再切分，这样测试集的min和max参与了训练时所用的缩放参数，测试集信息泄漏进了模型，验证结果会虚高。正确顺序是：先按时间切分，只对训练集fit，再用同一个scaler去transform测试集。

from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) train_size = int(len(open_qfq) * 0.8) train_raw = open_qfq[:train_size].reshape(-1, 1) test_raw = open_qfq[train_size:].reshape(-1, 1) scaler.fit(train_raw) train_scaled = scaler.transform(train_raw).flatten() test_scaled = scaler.transform(test_raw).flatten() print(train_scaled.min(), train_scaled.max())

MinMaxScaler要求输入是二维列向量，所以reshape成(-1, 1)。fit只计算训练集的min和max，transform对测试集套用同一组参数。这样测试集虽然也落在[0, 1]区间，但缩放边界完全来自训练集，不包含未来信息。打印train_scaled的最小值和最大值，确认训练集被压到[0, 1]。预测完成后要做inverse_transform还原，用的也必须是这一个scaler对象，不能重新fit。

3.3 搭建第一个SimpleRNN：tf.keras里跑通最小模型

数据准备好后，先搭一个最简单的RNN做baseline，网络不要复杂，目的是验证数据链路是否通。tensorflow2.0把RNN封装在tf.keras.layers里，SimpleRNN是最直接的循环层。在3.1的make_window和3.2的scaler基础上，把训练段和测试段分别做窗口化，再扩展成三维输入。

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import SimpleRNN, Dense X_train, y_train = make_window(train_scaled, window_size) X_test, y_test = make_window(test_scaled, window_size) X_train = X_train.reshape(-1, window_size, 1) X_test = X_test.reshape(-1, window_size, 1) model = Sequential([ SimpleRNN(units=32, activation='tanh', input_shape=(window_size, 1)), Dense(1) ]) model.compile(optimizer='adam', loss='mse', metrics=['mae']) model.summary()

units是循环层隐藏状态维度，32是起步值。activation默认就是tanh，不要换成sigmoid，RNN的梯度在sigmoid下衰减更快，序列稍长就学不动。input_shape=(window_size, 1)表示每个样本有window_size个时间步、每步1个特征。Dense(1)输出一个标量，作为下一个交易日的开盘价。损失用mse，回归任务默认口径。训练时加一个EarlyStopping，避免epoch设太大导致过拟合。

from tensorflow.keras.callbacks import EarlyStopping # 手动从训练集尾部切出最近10%作为验证集，保持时间顺序 val_size = int(len(X_train) * 0.1) X_val, y_val = X_train[-val_size:], y_train[-val_size:] X_train_fit, y_train_fit = X_train[:-val_size], y_train[:-val_size] early_stop = EarlyStopping(monitor='val_loss', patience=20, restore_best_weights=True) history = model.fit( X_train_fit, y_train_fit, epochs=200, batch_size=32, validation_data=(X_val, y_val), callbacks=[early_stop], verbose=1 )

这里没有用validation_split，而是手动按时间从训练集尾部切出最近10%作为验证集，避免随机抽样破坏时间顺序。validation_data直接传(X_val, y_val)，训练时EarlyStopping盯验证集loss，连续20个epoch不下降就停，并恢复到验证集最好的权重。batch_size=32对几千个样本够用。跑完后用model.evaluate看测试集mae，再把预测值inverse_transform回去画图。这个最简单的RNN预测曲线通常有明显滞后，不要慌，这是标量回归里常见的naive现象，下一章换上LSTM之后再做对比。

4. 从RNN到LSTM：用tensorflow2.0的门控机制解决梯度衰减和记忆不足

4.1 LSTM的三个门：遗忘、输入、输出在开盘价预测中的角色

SimpleRNN在时间步上做的是一个带tanh激活的全连接变换，权重连乘导致梯度指数衰减，序列一长，前面的开盘价对当前预测的影响就越来越弱。LSTM也就是长短期记忆网络，它在隐藏状态之外增加了一条细胞状态通道，用三个门控制信息的写入、保留和输出。用开盘价预测的场景来理解这三个门，比背公式直观得多。

把公式压缩成两行的话：C_t = f_t × C_{t-1} + i_t × C~_t，h_t = o_t × tanh(C_t)。f、i、o分别是遗忘门、输入门、输出门。LSTM给循环网络配了一个可学习的记忆读写器，这也是它处理时间序列比普通RNN更稳的核心原因。代价是参数量和计算量上去了，训练时间变长。对贵州茅台这种千元价位的股票，开盘价序列里既有长期趋势，又有分红除权留下的短期扰动，LSTM的记忆机制理论上比SimpleRNN更适合吃下这种混合信号。

4.2 一层LSTM替换SimpleRNN：代码差异与参数量变化

在tf.keras里把SimpleRNN换成LSTM只改一行。下面是和3.3对应的完整模型定义。

from tensorflow.keras.layers import LSTM model = Sequential([ LSTM(units=32, input_shape=(window_size, 1)), Dense(1) ]) model.compile(optimizer='adam', loss='mse', metrics=['mae']) model.summary()

LSTM默认activation='tanh'，recurrent_activation='sigmoid'，一般不用改。参数量相比SimpleRNN大约变成四倍：32单元的SimpleRNN参数量是32×(32+1+1)=1088，LSTM因为内部有三组门加一个候选状态共四套权重，是32×(32+1+1)×4=4352。训练代码和3.3完全一样，EarlyStopping照用。跑完之后把SimpleRNN和LSTM在同一份测试集上的MAE放在一起对比，重点不是看谁训练loss低，而是看谁对测试集末尾的滞后更小。窗口小于10时LSTM的优势通常不明显，窗口拉到20甚至30时，LSTM的长期记忆优势才会真正体现出来。

4.3 堆叠LSTM与Dropout：两层模型的标准配法

一层LSTM的表示能力有限，很多场景下堆两层效果更稳。两层LSTM和一层的关键差异是：第一层要为第二层输出每个时间步的隐藏状态，所以必须return_sequences=True；最后一层LSTM只输出最后一个时间步的结果给Dense。标准配法如下。

from tensorflow.keras.layers import LSTM, Dropout model = Sequential([ LSTM(units=64, return_sequences=True, input_shape=(window_size, 1)), Dropout(0.2), LSTM(units=32), Dropout(0.2), Dense(1) ])

第一层LSTM返回完整的时间步序列，shape是(batch_size, window_size, 64)；第二层LSTM默认只返回最后一个时间步的输出，直接接到Dense(1)。两个Dropout加在LSTM输出之后，ratio取0.2作为起步。如果数据量只有几百个交易日、窗口又不大，两层LSTM很容易在训练集上记住噪声，验证集和测试集反而变差。我一般会先跑一层32单元，看训练曲线是否过拟合，再决定要不要加层和加dropout。LSTM层也自带dropout参数，比如LSTM(units=32, dropout=0.2, recurrent_dropout=0.2)，效果类似，但recurrent_dropout会让训练明显变慢，数据量不大时优先用Dropout层更省时间。

5. 避坑：tushare与tensorflow2.0组合下预测开盘价的5个常见翻车点

5.1 归一化泄漏：scaler.fit全量数据导致测试集变成开卷考试

现象：训练集loss正常下降，测试集预测曲线紧贴真实曲线，但一换到新的时间区间就崩。

原因：对全量序列先fit MinMaxScaler再切分，测试集的min和max已经写进缩放参数，模型等于提前见过测试集的价格区间，验证结果虚高。

解决：先按时间切出训练集和测试集，只在训练集上fit，测试集只transform。第3.2节的代码顺序就是为这个服务的，切分和fit两步的顺序不能调换。

5.2 除权跳空：tushare的daily返回不复权价格，分红日附近出现虚假下跌

现象：预测序列每年固定某个时间段出现一个明显向下的大误差，过了这个时间段又恢复正常。

原因：贵州茅台每年分红除权，不复权价格在除权日出现跳空，RNN把除权当成了真实暴跌，学习到错误的下跌模式。

解决：用ts.pro_bar(adj='qfq')拉前复权数据，训练、验证、测试全链路统一用qfq口径，中途不要混用不复权价格。如果项目要求预测真实成交价，再单独研究复权因子的还原计算。

5.3 验证集切分随意：validation_split与shuffle结合破坏时间顺序

现象：模型在验证集上loss很低，换成自己留的测试集后指标明显变差。

原因：model.fit里用validation_split并保留默认shuffle，验证集可能来自被打乱后的随机位置，时间顺序被破坏，验证分数不可信。

解决：手动按时间顺序切分验证集，比如把训练集最后10%的样本作为验证集，通过validation_data传入，同时保持训练数据本身按时间升序。

5.4 用MAE当唯一指标：股价上千元时，20元的误差看起来很大其实很准

现象：LSTM的测试MAE一直在20到30元之间，感觉模型完全没用。

原因：贵州茅台价格在千元以上，20元误差对应的MAPE只有2%左右，而股价正常波动一天就能有20元，绝对误差不能直接反映模型质量。

解决：同时记录MAE、MAPE和RMSE，并加一个naive baseline：用t-1的开盘价直接当t时刻开盘价的预测值。LSTM如果连这个zero-shot baseline都打不过，先别调网络结构，回到数据口径和窗口构造上查问题。

5.5 预测阶段窗口不够长：在线预测时报维度错误

现象：模型训练完，拿最新一天的真实数据去predict，输入维度报错。

原因：预测明天开盘价时，需要用截至今天为止的最近window_size个开盘价作为输入，如果只取了不到window_size个样本，reshape出来的维度就不对。

解决：写一个取最近窗口的函数，输入完整序列和当前position，从position - window_size取到position作为输入。预测目标永远是窗口之后那一天的标签，不要把当天的开盘价提前塞进输入。

6. 用滑窗回测验证LSTM预测贵州茅台开盘价：把准不准变成可对比的数字

模型训练完，只看最后一次测试集loss没有说服力。我的习惯是做滑窗回测：在测试期从第一天开始，每次只用截止到当前时刻之前的数据构造窗口，预测下一天，然后向前滚动一步，把整段测试期的预测值和真实值拼起来，再统一算指标。这一步能把模型大概能跑变成每个位置预测偏差多少。

def rolling_predict(model, scaler, series_scaled, window_size): preds = [] for i in range(window_size, len(series_scaled)): win = series_scaled[i - window_size:i].reshape(1, window_size, 1) pred = model.predict(win, verbose=0)[0, 0] preds.append(pred) return scaler.inverse_transform(np.array(preds).reshape(-1, 1)).flatten()

series_scaled是归一化后的序列，窗口从i - window_size取到i，i对应真实标签的位置。predict用verbose=0避免刷屏，最后把预测值统一还原成元。拿到pred之后再和真实测试段对齐，rolling_predict返回的第一个值对应测试期第window_size个位置之后的第一个点。接着算MAE、MAPE和naive baseline。

from sklearn.metrics import mean_absolute_error, mean_squared_error mae = mean_absolute_error(actual, pred) mape = np.mean(np.abs((actual - pred) / actual)) * 100 # naive baseline：用t-1的开盘价直接当t时刻的预测 naive_mae = mean_absolute_error(actual[:-1], actual[1:]) print(f"LSTM MAE={mae:.2f} MAPE={mape:.2f}% | naive MAE={naive_mae:.2f}")

naive_mae用t-1时刻的真实值当t时刻的预测，这一步能立刻看出LSTM是否只是学到了跟着前一天走。建议把不同参数组合的结果记录成一张表，比如：

只要记录过一次，你会发现很多调参决策不需要凭感觉。这个流程跑通之后，我对预测类项目的态度变了很多。最开始我用tushare拉数据、tf.keras搭LSTM，训练曲线漂亮得不行，拿到新时间段一滚回来就翻车，问题全出在数据泄漏和验证集切分上，网络结构反而是最后才需要动的地方。现在我的标准动作是：先固定前复权口径，再按时间切分，跑naive baseline，最后才轮到RNN和LSTM之间的对比。窗口、层数、dropout都放在回测结果后面去说明，结论才站得住。这套方法论对开盘价有效，对收盘价、最高价等其他序列同样适用，希望帮到你。

本文还有配套的精品资源，点击获取