基于时间序列分析与神经网络的股票预测实战：从数据清洗到LSTM模型

简介：这份资源围绕时间序列分析与神经网络在股票市场预测中的应用展开，面向金融数据分析方向的学生、研究者及量化投资初学者，帮助读者理解如何借助统计建模与神经网络方法刻画股价波动规律、提升预测精度。压缩包共收录75个文件，以61个PDF学术论文为主体，辅以9个GIF与5个HTM页面文件，构成便于浏览的论文资料集合，整体约4.89MB，体积轻巧、结构清晰。内容涉及金融市场剧烈波动案例的回顾，如1929年华尔街股市暴跌与1987年道·琼斯指数单日重挫，为预测建模提供现实背景与问题动机。已有156人学习浏览，适合作为课程设计、论文写作或课题入门阶段的参考文献库，读者可从中获取时间序列建模思路、神经网络预测框架及实证分析素材，快速建立对股票市场预测研究的整体认识。

1. 从一份压缩包说起：时间序列分析怎么落到股票预测上

打开这份压缩包，第一眼看到的不是某个炫技的深度学习框架，而是一条很朴素的工程链路：历史行情数据进来，经过时间序列分析做特征与平稳性处理，再喂给神经网络做预测，最后把结果画出来、算误差。它解决的是很多做量化入门、课程设计、毕业课题的开发者都会撞上的问题——手里有一堆 OHLCV 数据，却不知道从哪一步开始清洗、怎么构造滞后特征、模型输出又该怎么评估。这份资源适合两类人：一类是想照着跑通一条完整预测流水线的新手，另一类是准备在时间序列分析基础上做二次开发、换模型换指标的熟手。下面我按自己拆项目的顺序，把目录、核心代码、运行步骤和改造点讲清楚。

2. 项目结构与技术选型：一条从数据到预测的流水线

2.1 目录骨架与各模块职责

这类时间序列分析项目，目录通常不会太深，但每个文件夹都对应流水线上的一个环节。我拿到压缩包后一般先做一件事：不看代码，先把目录树打印出来，判断数据流是单向还是环形。单向说明是标准流水线，环形说明有回测或在线更新逻辑。按这个项目的定位，合理的结构大致如下：

stock-forecast/ ├── data/ │ ├── raw/ # 原始行情 csv，按股票代码或日期分文件 │ └── processed/ # 清洗、归一化、构造滞后特征后的数据 ├── src/ │ ├── data_loader.py # 读取 csv、缺失值处理、时间索引对齐 │ ├── features.py # 差分、滑动窗口、技术指标、滞后特征 │ ├── models/ │ │ ├── arima_baseline.py # 传统时间序列分析基线 │ │ └── lstm_model.py # 神经网络预测模型 │ ├── train.py # 训练入口，负责切分训练/验证/测试 │ └── evaluate.py # RMSE、MAE、方向准确率等指标 ├── notebooks/ # 探索性分析，画趋势、ACF/PACF ├── configs/ │ └── default.yaml # 窗口长度、学习率、batch size 等参数 ├── requirements.txt └── README.md

这个骨架的关键不在文件夹名字，而在数据流方向：data/raw只读不写，data/processed由脚本生成，src里的模块按data_loader → features → models → train → evaluate顺序被调用。我见过不少同学把特征工程直接写进训练脚本，结果换一个模型就要复制一遍清洗逻辑，后面调参调到怀疑人生。这个项目把特征单独抽出来，是它值得二次开发的地方。

2.2 技术栈与依赖选择

从项目标题里的“时间序列分析”和“神经网络”两个词，基本能确定技术栈是 Python 数据分析三件套加一个深度学习框架。常见组合是pandas + numpy + scikit-learn做数据处理和基线模型，statsmodels做 ARIMA 这类传统时间序列分析，torch或tensorflow做 LSTM/GRU 预测，matplotlib出图。依赖文件里通常还会出现yaml读配置、tqdm看训练进度。

这里有个选型细节值得说：为什么不用纯深度学习一把梭？因为股票价格序列是非平稳的，直接喂原始价格给神经网络，模型很容易学到“明天约等于今天”这种平凡解，误差看着小，实际没有预测能力。所以合格的做法是先做差分或收益率转换，让序列平稳，再构造滑动窗口。传统时间序列分析在这里不是摆设，它承担的是基线对照和平稳性检验的角色。我一般会保留 ARIMA 作为 baseline，神经网络跑完之后和它比，如果连基线都打不过，说明特征或切分有问题，先别急着调网络结构。

2.3 配置驱动的参数管理

项目里如果有configs/default.yaml，说明作者想让实验可复现。典型配置长这样：

data: ticker: "DEMO" start_date: "2018-01-01" end_date: "2023-12-31" window_size: 30 # 用过去 30 个时间步预测下一步 train_ratio: 0.8 model: hidden_size: 64 num_layers: 2 dropout: 0.2 learning_rate: 0.001 epochs: 100 batch_size: 32

window_size决定输入张量的时间维度，train_ratio决定切分点。注意时间序列不能随机打乱切分，必须按时间先后切，否则未来信息会泄漏到训练集，指标会虚高。这个坑后面单独讲。配置化的好处是换股票、换窗口长度不用改代码，跑实验时把 yaml 复制一份改参数就行，血泪经验是别在代码里硬编码日期和路径。

3. 核心模块拆解：数据清洗、特征构造与模型训练

3.1 数据加载与时间索引对齐

第一步永远是读数据。股票行情 csv 常见的坑是日期列格式不统一、停牌日缺失、多只股票拼在一起时索引重复。加载模块要做三件事：解析日期并设为索引、按时间排序、处理缺失值。

import pandas as pd import numpy as np def load_price_data(path: str) -> pd.DataFrame: df = pd.read_csv(path, parse_dates=["date"]) df = df.sort_values("date").set_index("date") # 只保留收盘价和成交量，避免多余列干扰 df = df[["close", "volume"]].copy() # 停牌或缺失日用前值填充，成交量填 0 df["close"] = df["close"].ffill() df["volume"] = df["volume"].fillna(0) # 去掉仍然为空的行（通常是文件头部） df = df.dropna(subset=["close"]) return df

parse_dates把字符串日期转成datetime64，后面做重采样和滑动窗口都依赖这个类型。ffill是前向填充，适合价格这种连续变量；成交量缺失填 0 更合理，因为没交易就是 0。这里没有用均值填充，原因是均值会引入未来信息，属于隐蔽的数据泄漏。加载完之后我习惯打印df.index.is_monotonic_increasing，确认索引严格递增，不然后面窗口会错位。

3.2 平稳性处理与滞后特征构造

原始收盘价是非平稳序列，直接建模效果差。常见做法是转成对数收益率，再做滑动窗口。特征模块的核心是把一维序列变成监督学习需要的(样本数, 时间步, 特征数)三维张量。

def make_windows(series: np.ndarray, window_size: int): X, y = [], [] for i in range(len(series) - window_size): X.append(series[i:i + window_size]) y.append(series[i + window_size]) return np.array(X), np.array(y) def build_features(df: pd.DataFrame, window_size: int = 30): # 对数收益率，近似平稳 log_ret = np.log(df["close"] / df["close"].shift(1)).dropna() # 标准化，用训练段统计量，避免测试集信息泄漏 mean, std = log_ret.mean(), log_ret.std() scaled = (log_ret - mean) / std X, y = make_windows(scaled.values, window_size) # LSTM 输入需要 (samples, timesteps, features) X = X.reshape((X.shape[0], X.shape[1], 1)) return X, y, (mean, std)

make_windows里y取的是窗口后一个点，这是单步预测的标准构造。reshape加最后一维是因为 LSTM 要求三维输入，哪怕只有一个特征也要显式写出。标准化用的mean和std必须来自训练段，如果拿全量数据算，测试集的分布信息就漏进去了，指标会好看但不真实。这个函数返回的(mean, std)要保存下来，预测时反标准化用。

3.3 LSTM 模型定义与训练循环

神经网络部分，LSTM 是这类项目最常见的选型，因为它对序列依赖有记忆能力。模型定义不复杂，关键是输入维度、隐藏层和输出层的衔接。

import torch import torch.nn as nn class LSTMForecaster(nn.Module): def __init__(self, input_size=1, hidden_size=64, num_layers=2, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout, ) self.fc = nn.Linear(hidden_size, 1) def forward(self, x): # x: (batch, seq_len, input_size) out, _ = self.lstm(x) # 只取最后一个时间步的隐藏状态做回归 return self.fc(out[:, -1, :])

batch_first=True让输入维度是(batch, seq_len, feature)，和前面构造的窗口对齐。out[:, -1, :]取最后一个时间步，表示用整段窗口的信息预测下一个点。训练循环里要注意损失函数用MSELoss，优化器用Adam，并且每个 epoch 后在验证集上算一次损失，早停防止过拟合。

def train_one_epoch(model, loader, optimizer, criterion): model.train() total_loss = 0.0 for xb, yb in loader: optimizer.zero_grad() pred = model(xb).squeeze(-1) loss = criterion(pred, yb) loss.backward() optimizer.step() total_loss += loss.item() * xb.size(0) return total_loss / len(loader.dataset)

xb是(batch, window, 1)，yb是(batch,)，squeeze(-1)把模型输出从(batch, 1)压成一维才能和标签算损失。total_loss按样本数加权平均，比直接平均 batch loss 更准。训练时我一般把model.train()和model.eval()写死，dropout 和 batchnorm 的行为依赖这个开关，忘了切会导致验证指标忽高忽低，属于玄学问题的常见来源。

3.4 评估指标与基线对照

预测跑完不能只看 loss，要还原到价格尺度算误差。常见指标是 RMSE、MAE，再加一个方向准确率，因为股票预测里涨跌方向比绝对价格更有意义。

def evaluate(y_true, y_pred, mean, std): y_true = y_true * std + mean y_pred = y_pred * std + mean rmse = np.sqrt(np.mean((y_true - y_pred) ** 2)) mae = np.mean(np.abs(y_true - y_pred)) direction = np.mean(np.sign(np.diff(y_true)) == np.sign(np.diff(y_pred))) return {"rmse": rmse, "mae": mae, "direction_acc": direction}

反标准化用训练段的mean和std，这一步容易漏。direction_acc用相邻差分符号比较，衡量模型是否抓对涨跌方向。我一般会把 ARIMA 基线的指标放在同一张表里对比，如果 LSTM 的 RMSE 更低但方向准确率接近 0.5，说明它只是拟合了价格水平，没有预测能力，这时候要回头检查特征和窗口长度。

4. 跑起来：环境准备、训练与结果验证

4.1 环境安装与数据准备

拿到压缩包后先解压，进目录建虚拟环境。依赖不多，但版本要对齐，尤其是深度学习框架和 numpy 的兼容性。

python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txt

如果requirements.txt里没锁版本，我一般手动装一组稳定组合：numpy、pandas、scikit-learn、statsmodels、torch、matplotlib。数据方面，项目通常自带一份示例 csv 放在data/raw，没有的话按 README 的字段说明准备date, open, high, low, close, volume六列。日期格式统一成YYYY-MM-DD，编码用 UTF-8，避免读进来第一列变成乱码。

4.2 训练入口与参数调整

训练脚本一般接受配置文件路径作为参数，跑之前先确认configs/default.yaml里的日期范围和数据文件对得上。

python src/train.py --config configs/default.yaml

跑起来后终端会打印每个 epoch 的训练损失和验证损失。如果损失一直不降，先看学习率是不是太大，0.001是常用起点；如果验证损失先降后升，说明过拟合，把dropout调大或hidden_size调小。window_size从 30 改成 60 会显著增加单样本计算量，但可能捕捉更长周期，建议先用小窗口跑通再调。训练完模型权重通常存到checkpoints/或项目根目录，评估脚本加载权重后输出指标和图。

4.3 结果怎么看才算没白跑

评估脚本会生成预测对比图，横轴时间、纵轴价格，真实值和预测值两条线。看图时重点不是两条线贴得多紧，而是预测线有没有滞后。如果预测线整体比真实线晚一步，说明模型在复制前一天的价格，这是非平稳序列没处理好的典型表现。再看误差分布，如果残差有明显趋势，说明模型漏掉了某些周期性因素。我一般还会把测试集最后 30 个点的方向准确率单独算一遍，因为整体指标会被平稳段稀释，尾部才是真正考验。

5. 避坑与排查：时间序列项目里最容易翻车的几件事

5.1 数据泄漏：随机切分和全量标准化

现象是测试集指标好得离谱，RMSE 低到不合常理。原因通常有两个：一是用train_test_split随机打乱切分，未来数据混进了训练集；二是标准化时用了全量数据的均值和方差。解决方法是严格按时间顺序切分，前 80% 做训练、后 20% 做测试，标准化统计量只从训练段计算，然后应用到测试段。这个坑我踩过不止一次，指标虚高会让人误以为模型很行，实际上线就露馅。

5.2 非平稳序列直接建模

现象是模型预测值几乎等于前一天收盘价，方向准确率接近 0.5。原因是原始价格有趋势和单位根，神经网络学到的最优策略就是输出上一个值。解决办法是先做一阶差分或对数收益率转换，用 ADF 检验确认平稳后再构造窗口。如果做完差分还是不稳，考虑季节性差分或加入移动平均特征。传统时间序列分析里的平稳性检验在这里不是学术摆设，是实打实的排查工具。

5.3 窗口错位与标签对齐

现象是训练 loss 正常但预测图整体偏移一个时间步。原因是构造窗口时X和y的索引没对齐，比如y取成了窗口最后一个点而不是后一个点。解决方法是把make_windows里的y.append(series[i + window_size])写死并加单元测试，用一小段已知序列验证输出形状和对应关系。另外画图时时间轴要用原始日期索引，不能用range(len)，否则偏移看不出来。

5.4 依赖版本冲突导致训练中断

现象是import torch报 numpy 版本不兼容，或者 LSTM 前向传播时报维度错误。原因是深度学习框架对 numpy 版本有要求，不同版本间 API 也有差异。解决办法是建独立虚拟环境，按requirements.txt安装，装完先跑一个最小前向传播测试。维度错误多半是batch_first没设或reshape少了一维，打印x.shape就能定位。我习惯在训练脚本开头加一段形状断言，早失败比跑一半崩强。

5.5 过拟合与早停缺失

现象是训练损失持续下降，验证损失几个 epoch 后开始上升，最终测试指标很差。原因是模型容量相对数据量太大，或者训练轮数没控制。解决办法是加早停，验证损失连续若干轮不降就停，同时保留验证损失最低的权重。dropout和权重衰减也可以加，但别一上来就堆正则，先把数据切分和特征做对。股票数据信噪比低，模型越复杂越容易记住噪声，这是这个场景的固有难点。

6. 二次开发：换模型、加特征与验证改造是否有效

这份项目的价值不在跑出一个多准的预测，而在它给了一条可替换的流水线。二次开发我一般从三个方向入手，每个方向都要有对照实验，不然改了也不知道有没有用。

第一个方向是换模型。把LSTMForecaster换成 GRU 或 Transformer，接口保持不变，只改models/下的文件和配置里的模型名。改造时注意输入输出形状要和train.py对齐，新模型同样接收(batch, seq_len, 1)、输出(batch, 1)。验证方法是固定随机种子，在同一份切分上跑新旧模型，比较 RMSE 和方向准确率，别只跑一次就下结论，时间序列对初始化敏感，跑三到五次取均值更稳。

第二个方向是加特征。除了收盘价，可以把成交量、换手率、移动平均线、RSI 等作为多通道输入，input_size从 1 改成特征数，build_features里把多个序列按列拼起来再滑窗。这里有个细节：不同特征的量纲差异大，要分别标准化，不能整体减一个均值。验证时先加一个特征看指标变化，有效再加下一个，一次加一堆分不清是谁的贡献。

第三个方向是改评估方式。单步预测改成多步滚动预测，用预测值喂回窗口继续预测，更接近真实使用场景，但误差会累积，指标下降是正常的，要看下降幅度是否可接受。也可以加一个简单的交易策略回测，按预测方向做多空，算累计收益和最大回撤，比纯误差指标更有说服力。

改造过程中我养成了一个习惯：每次动代码前先把当前版本的指标和配置存一份，改完对比，不然改着改着就忘了基线是多少。还有一点，别在测试集上反复调参，调多了测试集就变成验证集了，留一段完全没看过的数据做最终确认。从那以后我每次做时间序列项目，都强制先跑通基线、再动模型，指标不升就回滚，不给自己留“再调调就好了”的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取