TensorFlow CNN股票预测全指南：数据预处理、模型搭建与避坑实战

简介：面向Python与TensorFlow股票预测学习者，这份压缩包围绕CNN与DQN深度学习模型预测股票走势展开，提供完整可运行的代码工程与教学配套，适合具备Python基础并希望深入实践深度学习的开发者。包内共34个文件，总大小5.16MB，以6个py脚本、5个ipynb笔记本和8张PNG结果图为主体，配套2份PDF说明文档，并附带数据文件、模型checkpoint与pyc缓存，方便直接复现数据预处理、模型训练与预测过程。已有1440人浏览学习，适合对时序预测、强化学习及指标可视化感兴趣的Python开发者。资源按CNN股票分类、DQN图像预测、KD价值分析等模块组织，覆盖数据预处理、模型搭建、训练评估与绘图展示全流程，notebook与脚本相互对照，可快速上手修改参数并重新训练，结合PDF大纲还能进一步掌握分布式TensorFlow与股票预测的整体思路。

1. TensorFlow CNN预测股票走势：从卷积核到K线的落地拆解

把卷积神经网络用在股票预测上，第一眼看上去像玄学——CNN不是用来识别猫狗图片的吗？但看完这套代码包你会发现，卷积的局部感受野恰好能捕捉连续几天K线组合形成的小形态，比如三连阳、长上影、量价背离。包里的内容分两条线：一条用CNN直接回归收盘价和KD值，一条把DQN和CNN组合到年线判断上。适合已经会调pandas、想往深度学习+量化方向踩第一脚的人。这篇文章会把数据预处理、模型参数、三个预测场景的代码逻辑和踩坑点拆开来讲。

2. 数据预处理与滑动窗口：把时间序列变成CNN能识别的二维输入

2.1 为什么CNN能用在股票时间序列上

很多人一听到"CNN预测股票"就觉得是噱头，其实CNN的本质是局部特征提取器。一张图片里，边缘、纹理这些局部模式组合成语义；一段K线里，连续几天的开盘、收盘、高低价组合，同样构成了有意义的局部模式。比如"连续三天收盘价逐步抬高且量能放大"这种形态，跟图像里的边缘特征在数学表达上是一致的——都是局部窗口内的数值关系。

这个项目里同时走了Conv1D和Conv2D两条路。Conv1D直接作用在价格序列上，每个卷积核扫过一个长度为window_size的窗口，提取出这个窗口内的价格形态；Conv2D则先把行情数据渲染成图片，再用图像卷积的思路去识别K线图上的视觉模式。后者在DQN_img_closePrice.py和DQN_kd_pic.py里体现得很明显，文件名里的"img"和"pic"就是证据。这种"把行情画成图再喂给卷积网络"的做法，在量化圈里并不少见，核心动机是让CNN在它最擅长的图像领域发挥优势。

但不管走哪条路，前提都是数据要整理成CNN能吃的样子。CNN不关心你输入的是不是价格，它只关心张量形状。所以第一步永远是数据处理。

2.2 滑动窗口构造样本：窗口长度、步长与标签对齐

时间序列预测和普通机器学习任务最大的区别在于样本构造方式。你不能像分类猫狗那样把每张图独立打乱，股票数据的每个样本天然带有时间顺序。常见做法是滑动窗口——用过去N天的数据预测下一天，窗口不断往后移，生成成百上千个样本。这个项目的数据预处理走的也是这个路子。

import numpy as np import pandas as pd def build_window_dataset(df, feature_cols, target_col='close', window_size=10, step=1): X, y = [], [] df = df.reset_index(drop=True) for i in range(window_size, len(df), step): X.append(df[feature_cols].iloc[i-window_size:i].values) y.append(df[target_col].iloc[i]) return np.array(X), np.array(y) # 假设df已经按日期排好序，包含open/high/low/close/volume列 feature_cols = ['open', 'high', 'low', 'close', 'volume'] X, y = build_window_dataset(df, feature_cols, target_col='close', window_size=10, step=1) print(X.shape) # (样本数, 10, 5) print(y.shape) # (样本数,)

这段代码的核心逻辑是：从第window_size行开始往后遍历，每次取前10行数据作为特征，当前行收盘价作为标签。step控制滑动步长，设为1表示每天都生成一个样本；如果想让训练样本更稀疏、降低相关性，可以调成2或3。X的形状是(样本数, window_size, 特征数)，这个三维张量正好是Conv1D的输入格式。

有几个细节要留意。第一，df必须按时间升序排好，否则窗口切出来的数据是乱的；第二，target_col既可以是收盘价本身，也可以是未来第N天的价格，取决于你想预测"明天"还是"未来一周"；第三，如果你想预测涨跌方向而不是具体价格，y应该改成np.where(df['close'].shift(-1) > df['close'], 1, 0)这样的二值标签。

2.3 数据标准化与训练集/验证集划分：防止未来数据泄漏

标准化在股票预测里是个容易翻车的环节，尤其是用StandardScaler或MinMaxScaler时，稍不注意就会把验证集信息提前泄漏到训练集里。正确的做法是：先切分数据，再在训练集上fit标准化器，然后用同一个标准化器去transform验证集和测试集。

from sklearn.preprocessing import StandardScaler train_size = int(len(X) * 0.7) val_size = int(len(X) * 0.15) 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:] # 注意：scaler按特征维度fit，需要先reshape成2D scaler = StandardScaler() X_train_2d = X_train.reshape(-1, X_train.shape[-1]) scaler.fit(X_train_2d) def transform_X(arr): shape = arr.shape return scaler.transform(arr.reshape(-1, shape[-1])).reshape(shape) X_train = transform_X(X_train) X_val = transform_X(X_val) X_test = transform_X(X_test)

这里容易犯两个错。第一个是把所有数据混在一起fit_scaler，导致验证集的最大值、均值参与了一训练集的归一化计算，模型在评估时看到的分布是"被剧透过"的，验证集指标虚高。第二个是随机打乱样本——train_test_split默认会洗牌，这在时间序列场景下会破坏时间连续性，模型等于"偷看"了未来数据。正确做法是直接按时间顺序切片，像我上面这样。

标准化之后，还需要把标签也保存好原始尺度。因为模型预测出来的是标准化后的价格，要还原成真实价格才能画图、算收益。这个"反标准化"的步骤需要保留 scaler 的mean_和scale_属性，或者干脆用inverse_transform。项目里closePrice_rst.PNG那些结果图，就是预测完反标准化之后画出来的。

3. 搭建CNN回归模型：从Sequential到卷积核参数的完整配置

3.1 Conv1D和Conv2D怎么选：先看输入数据的形状

项目代码包里CNN_Classifier.ipynb用的是分类思路，而DQN_img_closePrice.py则把数据渲染成了图片。这意味着项目本身对两种输入格式都有尝试。选型逻辑其实很直接：如果你的X是(样本数, 窗口长度, 特征数)，用Conv1D；如果你把每天的行情画成了(高度, 宽度, 通道数)的图片，用Conv2D。

Conv1D的优点是结构简单、训练快，对纯时间序列数据来说是更自然的选择。Conv2D的优势在于能捕捉K线图上的空间形态——比如影线长度、阳线阴线的视觉比例，这些在像素层面有体现。但代价是数据渲染过程引入了额外的主观性：图片怎么画、像素多大、颜色通道怎么编码，都会影响模型效果。我一般建议先从Conv1D起步，把预测流程打通之后，再考虑Conv2D做对比实验。

3.2 模型骨架：卷积核数量、池化窗口、dropout怎么配

这个场景下模型深度不用太夸张，因为输入本身只有10到20个时间步，总共就几十个特征维度。堆太深反而容易过拟合。下面这个结构是我按这套代码的常见风格搭的一个基线模型，适用于收盘价回归任务。

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, Dropout, BatchNormalization model = Sequential([ Conv1D(filters=64, kernel_size=3, activation='relu', padding='same', input_shape=(10, 5)), BatchNormalization(), MaxPooling1D(pool_size=2), Conv1D(filters=32, kernel_size=3, activation='relu', padding='same'), BatchNormalization(), MaxPooling1D(pool_size=2), Flatten(), Dense(64, activation='relu'), Dropout(0.3), Dense(1) # 回归任务，输出层不加激活函数 ]) model.compile(optimizer='adam', loss='mse', metrics=['mae']) model.summary()

Conv1D的第一个参数filters=64是卷积核数量，可以理解成模型想从窗口里提取64种不同的局部模式。kernel_size=3表示每个卷积核看3个连续时间步的组合，这是时间序列里常用的经验值，相当于只观察"三天内的价格关系"。padding='same'保持序列长度不变，避免卷积之后窗口尺寸缩得太快。

BatchNormalization加在卷积层和激活函数之后，作用是稳定训练、加速收敛，尤其当你的数据标准化不够完美时，它能兜底。MaxPooling1D(pool_size=2)把序列长度减半，降低计算量的同时强制模型关注更粗粒度的特征。两个卷积层之后接Flatten把二维特征图拉平，再接两个全连接层。Dropout(0.3)在全连接层之前随机丢弃30%的神经元连接，这是对付过拟合最常见的手段。

最后一层Dense(1)没有加激活函数，因为回归任务希望输出任意实数域的价格值，而不是被sigmoid或者tanh限制在某个范围内。这一点和分类任务不一样——分类的最后一层通常是softmax，而回归就是裸的线性输出。

3.3 编译与训练：损失函数、优化器和训练参数怎么定

回归任务默认用mse（均方误差）作为损失函数，这没问题，但有个隐患：如果价格序列里有极端值（比如某天暴涨暴跌），MSE会给这些样本非常大的梯度权重，导致模型被几个极端样本带偏。稳健一点的替代方案是mae（平均绝对误差），它对离群点没那么敏感。我自己的习惯是loss='mae'、metrics=['mae']，因为股票数据的尾部波动本来就大，没必要让模型拼命拟合那几次极端行情。

优化器直接选adam，初始学习率默认0.001就行。如果你的训练loss波动很大，可以把学习率降到0.0005或者配合ReduceLROnPlateau回调动态调整。训练轮数上，epochs=50配batch_size=64是一个比较稳妥的起点，EarlyStopping 放到监控验证集loss上。

from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau callbacks = [ EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True), 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=50, batch_size=64, callbacks=callbacks, verbose=1 )

EarlyStopping的patience=10表示如果验证集loss连续10个epoch没有改善，就提前终止训练，并自动恢复到验证集最优时的权重。ReduceLROnPlateau在loss停滞时把学习率减半，帮助模型跨过局部极小点。这两个回调组合起来，基本能避免"训练集越训越好、验证集越训越差"的困境。

训练完之后，评估要用测试集做一次彻底的体检：

test_loss, test_mae = model.evaluate(X_test, y_test, verbose=0) print(f"Test MAE: {test_mae:.4f}") pred = model.predict(X_test).flatten()

model.predict返回的是标准化尺度下的预测值，别忘了反标准化。这一步很多人会漏，结果画出来的预测曲线和真实价格差了十万八千里。

4. 项目实战走读：收盘价、KD值、年线三条预测线的代码逻辑

4.1 closePrice预测：CNN直接回归收盘价

项目里的DQN_img_closePrice.py和DQN_CNN_image目录盯的都是收盘价。收盘价是股票市场最基础的标签，模型的目标是给出"明天收在多少"或"未来N天收在多少"的预测值。如果你打开DQN_img_closePrice.py，会发现它走的路径是：先取历史行情，把收盘价序列和开高低收四条线画到一张图上，然后CNN对这个图像做特征提取，最后输出一个价格数值。

这个思路比直接用Conv1D更重，但有个隐性优势——图像渲染天然包含了K线的视觉结构，比如阳线实体的长度、上下影线的比例，这些几何信息在纯数值序列里需要通过多列特征组合才能表达。如果你是刚入门，建议先用前面第3章的Conv1D模型跑通收盘价预测，再去看这个文件里图像是怎么渲染的。图像渲染代码的核心就两步：拿到matplotlib的Figure对象，然后canvas.draw()转成numpy数组，作为CNN输入。

用收盘价做回归预测，最直接的评估指标不是MSE，而是方向准确率——预测值和真实值相比，涨跌方向对不对。这个指标在交易里比数值误差更重要：你预测明天收盘价是10.5元，实际是10.4元，数值只差了0.1元，但如果方向判断反了，做多就亏钱。所以后半段要单独设一个阈值来判断方向。

4.2 KD值预测：输出从"价格"换成"随机指标"

DQN_KD_value目录下有一组和KD指标强相关的文件：KD_draw.py、DQN_kd_pic.py。KD指标是随机指标（Stochastic Oscillator），由K线和D线组成，取值在0到100之间，用来衡量当前收盘价在最近一段涨跌区间中的相对位置。KD指标本身不是价格，它是一个技术分析信号，但很多量化策略把它当因子用，所以直接建模预测KD值的人也不少。

用CNN预测KD值，思路和预测收盘价完全一致，只是标签从原始价格换成了KD指标值。需要注意的是KD值本身做过平滑处理，有粘性——今天的K值很大程度上取决于昨天的K值，所以CNN很容易"偷懒"，直接记住前一天的值就能把loss压得很低，但这不代表模型真的学到了新的市场模式。做一个baseline对比就明白了：用y_pred = y_shifted_by_one（也就是直接预测"等于前一天值"），如果这个简单策略的误差和CNN差不多，说明模型没有学到额外信息。

预测KD值有一个实际用途：当K值从低位上穿D值时，常被视为买入信号。如果你能提前一到两天预测出这个上穿动作，就有了先手优势。但要把"预测KD数值"转化成"预测上穿事件"，需要另外加一层规则判断，而不是直接看数值误差。

4.3 yearline年线判断：引入DQN强化学习思路

项目里最有意思的应该是DQN_yearline_reward.py和DQN_draw_yearline.py。年线通常指250日均线，是判断长期趋势的重要参考线。这个文件没有走标准的监督学习路径，而是引入了DQN（Deep Q-Network）——一种强化学习算法。它不是直接预测"年线上方还是下方"作为标签，而是让模型在模拟环境里做动作（比如买入、持有、卖出），reward是动作带来的收益变化，DQN通过最大化累计收益来学会判断年线趋势。

DQN在这套代码里的角色，可以理解成一个把行情图像当作状态的决策器：状态是当前和历史K线渲染出来的图像，动作是交易决策，奖励是账户收益的变化。saved_year_r目录里的文件应该是训练好的模型权重或者reward曲线数据。这种做法的优点是模型目标更贴近真实交易——它学的不是"预测对错"，而是"赚不赚钱"；缺点是强化学习训练不稳定，reward尺度、折扣因子gamma、经验回放池大小任何一处设置不当，都会导致训练发散。

我用一个表格来梳理三条预测线的差异：

三条线的数据预处理有一个共同点：都是先把行情转成图像再进网络。这也是这套代码包和普通CNN股票预测教程最大的区别——别人用的是Conv1D直接吃数值，这套代码把K线渲染成了图片，跑Conv2D。两种方式各有利弊，前者简单直接，后者能利用CNN在图像识别上积累的成熟经验，但渲染环节多出来的自由度（图片尺寸、线条颜色、是否画均线）本身就是一组需要调的超参数。

5. 股票预测避坑指南：数据泄漏、滞后预测与模型失效的排查

5.1 训练集loss很低，验证集却一路走高

现象：model.fit打印出的loss从0.1降到0.01，但val_loss不仅不降，还在往上跳。

原因：这个症状八成是数据泄漏。最常见的手法是先对全量数据做标准化再切分，或者用train_test_split默认的随机切分，导致验证集的信息提前进入了训练过程。另外一个隐蔽问题是标签错位——在构造y时用了np.roll或shift(-1)没处理边界值，等于把当天数据同时放进了X和y里，模型直接"抄袭"了答案。

解决：标准化只fit训练集，验证集和测试集用同一个scalertransform；切分必须按时间顺序走，不shuffle；检查标签构造逻辑，确认X窗口的最后一天是y的前一天，两者没有重叠列。如果怀疑是标签错位，打印一条X[-1]和y[-1]的日期对比一下就知道。

5.2 预测曲线总比真实价格慢半拍

现象：把预测值和真实价格画在一张图上，预测曲线形状和真实曲线几乎一样，但整体向右平移了一到两根K线，像影子一样滞后。

原因：这是时间序列回归的经典陷阱。因为窗口里的最后一天和预测目标高度相关，模型学到的不是"预判未来"，而是"复制昨天的收盘价"。如果昨天涨了，模型就预测今天涨；今天继续涨，模型就预测明天涨——在单边趋势里看起来命中率很高，一进入震荡行情就原形毕露。

解决：把标签从明天收盘价改成未来N日平均价格或者未来N日的收益率方向，迫使模型必须预测更远的未来而不是复读当天值。另一个做法是在评估时单独统计方向准确率，别只看MSE或MAE。方向准确率低于52%的模型，基本可以判定存在滞后效应，需要重新设计标签和窗口结构。

5.3 换一只股票模型就崩了

现象：模型在A股票上训练，MAE很小、趋势拟合很好；换成B股票测试，预测结果完全不着调，甚至方向准确率只剩40%。

原因：模型过拟合到了A股票的波动特性。每只股票的波动率、涨跌节奏、跳空习惯都不一样，如果训练数据只有一只股票，CNN提取的特征大概率是这只股票的"专属规律"，而不是通用的市场规律。另外一个原因是训练集覆盖的市场环境太单一——比如只训练了上涨行情，模型没见过下跌和横盘。

解决：训练集至少要包含3到5只不同行业、不同波动特征的股票，并且覆盖至少一个完整的牛熊周期。更稳妥的做法是把多只股票的数据混合在一起训练，每只股票按时间顺序切分，验证集从没参与训练的股票里取。代码包里如果能同时跑通两只不同的股票，模型才算有一点泛化能力。

5.4 DQN训练不收敛或reward震荡剧烈

现象：DQN_yearline_reward.py训练时累计收益曲线上下乱跳，几万个step之后也没有稳定上升的趋势，有时候奖励值突然从正变成负。

原因：DQN对超参数比CNN敏感得多。reward尺度不统一是最常见的问题——如果一笔交易的盈利是100，另一笔是0.1，模型会把注意力全放在大额盈利上，小波动直接被忽略。折扣因子gamma设得太大（接近1）会让模型过度关注远期收益，在长周期策略里反而学不到东西；设太小则只顾眼前利益。

解决：控制reward尺度，把每次交易的收益除以一个基准数值，或者用np.tanh把收益压到-1到1之间。gamma建议从0.9起步，观察如果训练发散就调到0.8以下。经验回放池buffer_size通常不能小于一个epoch的样本总量，采样时用优先经验回放（之前TD误差大的样本更常被抽到）效果更好。如果这些都不见效，干脆先跑通CNN基础上加一层简单的决策规则，不要一上来就碰强化学习。

6. 让预测结果可验证：一个简单的方向一致率评估方法

训练完模型，别急着下结论说"能用来交易"。我习惯先做一个方向一致率检查，这是验证预测模型有没有价值的最快方式。原理很简单：不看模型预测的价格准不准，只看它预测的涨跌方向和真实方向是否一致。

def direction_accuracy(y_true, y_pred, threshold=0.0): y_true = np.asarray(y_true).flatten() y_pred = np.asarray(y_pred).flatten() if len(y_true) != len(y_pred): raise ValueError("长度不一致") true_dir = np.diff(np.concatenate(([y_true[0]], y_true))) pred_dir = np.diff(np.concatenate(([y_pred[0]], y_pred))) correct = ((true_dir > threshold) & (pred_dir > threshold)) | \ ((true_dir < -threshold) & (pred_dir < -threshold)) return np.mean(correct) acc = direction_accuracy(y_test_original, y_pred_original) print(f"Direction Accuracy: {acc:.2%}")

这个函数有两个隐藏细节。第一，因为diff会丢一个值，我用concatenate把预测首日作为基准，保持序列对齐。第二，threshold用来忽略微小波动——如果预测涨0.01元、实际跌0.005元，这种"方向错误"本来就没什么参考意义，把threshold设成当日振幅的0.1或0.2，过滤掉噪声。我一般会把threshold调成0.5 * 当日平均波动幅度，这样方向准确率不会因为几个擦边样本而失真。

把方向准确率算出来之后，还要结合滞后性检查一起看。我会把预测值和真实值画在同一张图上，缩放之后直接叠在一起，放大看波峰波谷处预测是不是普遍提前或滞后。如果预测曲线的波峰总是比真实波峰晚出现一两天，说明模型大概率在复读行情，方向准确率再高也不可信。

从那以后我每次训练完模型，都强制走一遍"方向准确率 + 滞后性可视化"这个流程，不给模型自吹自擂的机会。这套代码包的价值不在于帮你直接赚钱，而在于把CNN到DQN的完整链路走通，让你在真实数据上对比不同预测目标的区别。希望这份拆解能帮你避开我踩过的那些坑，下载后少走弯路。

本文还有配套的精品资源，点击获取