简介这是一份基于PSO-LSTM神经网络的股票调整收盘价预测Python源码面向需要完成期末大作业或课程设计的本专科学生也适合刚接触时间序列预测的初学者。资源利用粒子群算法优化LSTM超参数实现对多只股票调整收盘价的单步预测代码注释详细从数据读取、归一化、PSO超参寻优到LSTM训练与误差评估均有清晰标注方便新手快速理解建模流程。压缩包共10个文件包括1个主预测Python脚本、7个CSV行情数据集涵盖AAPL、DJI、IXIC、GSPC、000001.SS等美股、A股与贵金属标的、1个MD说明文件和1个TXT辅助文件整体仅490KB结构干净。目前已有171人学习下载并被评为满分大作业资源。下载后简单配置环境即可运行修改数据路径即可切换预测对象既可直接作为课程设计完整方案也能用于期末答辩演示或进一步扩展研究具有较高的实用与参考价值。1. 基于PSO-LSTM的股票调整收盘价预测先搞清楚这个方案值不值得跑拿到一份“基于PSO-LSTM神经网络的股票调整收盘价预测Python源码.zip”先别急着解压看代码得先确认这个组合到底在解决什么问题。PSO负责替LSTM搜索超参数——时间窗多长、神经元多少个、学习率设多大LSTM负责把调整收盘价的序列映射成下一交易日的预测值调整收盘价是经过除权除息复权后的价格这恰恰是股票时间序列建模里最容易被忽略、却也最影响结果的一个前提。这套方案适合谁手里有行情数据、想跑通第一版股价预测管线的量化初学者以及拿LSTM做毕业设计或竞赛、需要一个可解释基线的人。在 vscode 里把依赖装好从上到下跑一遍半天能出第一条完整预测曲线。2. 为什么拿PSO去搜LSTM超参数复权逻辑与网络结构选型2.1 调整收盘价和原始收盘价的差别复权不是给价格“打折”做股票序列预测第一步就是要搞清楚预测对象到底是谁。直接预测“收盘价”看似直观但一只股票在某个交易日除权除息比如每10股派5元价格会在一夜之间被“打掉”一块。K线上出现一个凭空向下的跳空这个跳空不代表公司市值蒸发只是钱从股价里被剥离送给了股东。如果拿着这种带着大量除权除息缺口的价格去做训练LSTM会非常困惑它以为股价发生了暴跌于是拼命去学习“暴跌后的反弹模式”实际上这个暴跌在历史上根本不存在。调整收盘价Adj Close就是为了抹平这类缺口而存在的。常见的数据源会用复权因子对历史价格做调整让所有交易日的价格在同一个“股本与分红假设”下可比。调整方式分前复权和后复权两种如下表复权方式基准点对历史价格的影响适合场景前复权当前日期历史价格被向下调整量化回测、预测建模常用后复权上市首日历史价格保持不变新价格被放大长期收益分析不复权无价格保留真实成交状态技术指标计算建模时更推荐用前复权数据因为它让序列在时间上连续且当前价格与真实行情一致预测结果能直接对接策略里的下单价。但要注意如果数据源给你的是“调整收盘价”列不代表它一定做了正确的复权。我拿到数据的第一件事从来不是建模而是校验复权因子这个动作放到第三章具体讲。有一点必须记住——训练、验证、回测只能锚定一种复权基准千万不能混着用否则模型的“规律”全是幻觉。2.2 PSO到底在搜什么一个超参数粒子就是一整套LSTM配置LSTM不是拿来就能用的模型它的表现对超参数极其敏感。时间窗太大模型学到太多噪声时间窗太小又抓不住趋势。神经元太少欠拟合太多过拟合且训练慢到让人想放弃。按传统的做法这种调参要么靠网格搜索要么靠人肉经验但网格搜索碰上一个6维的超参数空间假设每维取10个候选值那就是10的6次方次训练以每小时跑40个模型的速度计算要跑到明年。粒子群优化PSO解决的就是这个问题。它的思路很简单想象有N只鸟在6维空间里乱飞每只鸟的位置代表一组超参数每只鸟手里拿着“对讲机”既记得自己飞过的历史最佳位置个体最优 pbest也能听到群体当前发现的最佳位置全局最优 gbest。每次飞行时它往两个方向折中往自己曾经找到的最好位置飞一点再往群体最好位置飞一点同时保留一部分自己的惯性。用数学公式表达就是v w·v c1·r1·(pbest − x) c2·r2·(gbest − x)这里的w是惯性权重控制鸟是“漫游”还是“冲刺”c1和c2是加速常数分别代表对自己经验和群体经验的信任程度r1和r2是随机数让搜索带一点随机性避免所有粒子同步陷入同一个局部最优。位置更新就是 x x v。放在这个场景里一个粒子就是一组LSTM超参数粒子在搜索空间里飞行一圈就要训练一次完整的LSTM训练完用验证集损失作为它的“适应度”。PSO迭代20轮、每轮10个粒子总共200次LSTM训练虽然听起来也不少但相比网格搜索已经是一个数量级的提速而且不需要人工设定“下一步试什么”。这套逻辑同样适用于其他深度模型只是配合LSTM这种“调参成本高、性能对超参数敏感”的网络收益最明显。2.3 LSTM结构怎么定单层起步双层看数据量确定好搜索算法就该确定网络结构本身了。LSTM是循环神经网络的一个变体专门解决标准循环网络在长序列上梯度消失或爆炸的问题。它内部通过输入门、遗忘门、输出门三个门控结构来控制信息的保留与丢弃让模型学会“哪些历史信息值得记住”。在股票价格预测里这意味着模型可以自己决定是记住十天前的低点还是只保留最近三天的动量。网络设计上不需要一上来就堆两层、三层。日线收盘价序列其实信息密度很低单层LSTM配一个全连接输出层就能处理大部分情况。如果数据量足够比如万级以上样本、序列本身有明显周期性再加第二层LSTM来提取更高阶的模式。这里有个现实考量每一层LSTM的参数量是4×units×(unitsfeatures)units取128时单层就有约6.7万个参数两层直接翻倍多而股票日线数据做预测时样本量往往只有几千条参数一多模型立刻开始死记硬背。激活函数和损失函数的选择也直接影响收敛。LSTM内部默认用tanh和sigmoid激活不需要额外改输出层因为是回归任务不要加任何激活函数直接输出一个线性值。损失函数用均方误差MSE它和验证集上的RMSE单调一致适合做PSO的适应度。反向传播的逻辑和BP神经网络一致通过链式法则计算损失对每个权重的偏导再沿梯度方向更新参数只不过LSTM的梯度要按时间展开这里的“残差计算”是在时间维度上反向传递的。想验证这个结构是否是唯一答案可以和普通BP神经网络做个基准对比你会发现单层LSTM在序列建模上的优势通常不是赢在拟合训练集而是赢在验证集上的泛化。3. 数据处理先行把行情序列变成PSO能搜索的训练样本3.1 先验证复权是否真实用复权因子反推除权除息日拿到源码后第一步永远是检查数据。很多公开数据的“Adj Close”列会因为数据源处理不当、复权因子缺失而变成和收盘价完全相同的复制这类数据拿来训练得到的模型实际上是在预测一个有跳空的原始价格方向全错。校验的办法很直接把除了价格以外的信息也算出来复权因子 Adj Close / Close。如果股票在某个交易日发生了分红送股这个比值应该在除权除息当天发生明显的阶跃变化如果整列比值永远等于1.0或者完全没有突变说明这份数据压根没有做复权处理。下面这段代码可以帮你快速定位import pandas as pd df pd.read_csv(stock_daily.csv, parse_dates[Date]).sort_values(Date) df[factor] df[Adj Close] / df[Close] # 复权因子有变化说明发生了除权除息变化幅度越大分红送股越猛 df[factor_chg] df[factor].pct_change().abs() jump_days df.loc[df[factor_chg] 0.05, [Date, Close, Adj Close, factor, factor_chg]] print(f共检测到 {len(jump_days)} 个疑似除权除息日) print(jump_days.head())这里的逻辑是复权因子本身应该是一条阶梯状曲线平时完全不变只有在分红送股时跳变。如果jump_days为空再看factor是否全为1.0——如果是就得回数据源确认复权列的真实性。如果数据源根本没有复权列退而求其次的办法是自行计算前复权先得到累计复权因子通常是close与adjust factor的乘积关系再用“调整价 原始价 × 当前因子 / 历史因子”做一次全量变换。但这条路容易出错优先还是找一份真正带复权因子的数据源。3.2 特征窗口与样本切分三个参数一次定死复权验证通过后开始构造训练样本。预测任务定义为用过去window天的调整收盘价预测第window1天的调整收盘价。window就是LSTM的时间步也是PSO要搜索的核心超参数之一。构造窗口样本的代码很固定import numpy as np WINDOW_MAX 30 # 预生成最大窗口样本后续PSO搜索时直接切片取子窗口 def make_samples(price_series, window): X, y [], [] for i in range(window, len(price_series)): X.append(price_series[i-window:i]) # 长度为window的历史窗口 y.append(price_series[i]) # 窗口下一个交易日的价格 return np.array(X, dtypenp.float32), np.array(y, dtypenp.float32) X, y make_samples(scaled_price, WINDOW_MAX) print(X.shape, y.shape) # 输出示例: (2486, 30) (2486,)之所以预先生成30天的最大窗口而不是为每个window都重新构造一份数据是为了在PSO搜索时能快速取子序列当粒子把window设为14直接取X[:, -14:]即可不用重新跑一遍循环。这个细节能节约大量预处理时间尤其当PSO要评估几十个粒子时。样本切分也有讲究。时间序列数据严禁随机打乱——训练集必须是时间上靠前的部分。这里采用的是“先切测试集再切验证集”的两段式total len(X) split_test int(total * 0.8) X_train_val, y_train_val X[:split_test], y[:split_test] X_test, y_test X[split_test:], y[split_test:] split_val int(len(X_train_val) * 0.75) X_train, y_train X_train_val[:split_val], y_train_val[:split_val] X_val, y_val X_train_val[split_val:], y_train_val[split_val:] print(X_train.shape, X_val.shape, X_test.shape)测试集必须是一个连续的尾部时间段否则你无法模拟“模型面向未来做预测”的真实场景。验证集用来给PSO评估粒子适应度测试集只在整个搜索结束后评估一次最终模型提前碰测试集等于把答案泄露给了调参过程。3.3 归一化的隐藏坑scaler 只能 fit 在训练区间归一化是这类预测任务里最容易出问题的一步。价格序列数值动辄几十到几百直接喂给LSTM梯度会震荡到根本无法收敛。常见做法是MinMaxScaler把序列压缩到0和1之间。但这里藏着一个典型的偷看未来的错误有些人先对全序列做fit_transform再切分训练和测试集这样scaler在计算最小值和最大值时已经“看”了测试集的数据。正确做法是只让scaler在训练集上fit然后用训练集学到的min和max去transform验证集和测试集from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) train_series df[Adj Close].values[:split_train].reshape(-1, 1) scaler.fit(train_series) # 只统计训练段的最小值和最大值 all_series df[Adj Close].values.reshape(-1, 1) scaled_price scaler.transform(all_series).reshape(-1)computing细节如果未来某一天的价格超过了训练样本的最大值transform后会出现大于1的异常值。这不叫bug反而说明模型需要外推能力。类似的边界情况下你也可以用StandardScaler做z-score标准化但价格序列的非平稳特性让它不如MinMax适配。记住这条铁律scaler的所有统计量只能来自训练集这是整个数据预处理里天花板级别的红线。4. 全套Python实现从粒子编码到最优模型训练的完整代码4.1 适应度函数选RMSE还是IC这一步决定搜索方向PSO的搜索质量完全取决于适应度函数的定义。最顺手的方案是用验证集上的RMSE均方根误差它直观且与MSE损失同方向模型训练时降低损失验证集RMSE也同步降低PSO的收敛曲线非常好看。但如果你想把这个模型真正接到量化策略里RMSE未必是最好的选择。股价预测的绝对误差受价格尺度影响大一只50元的股票误差1元和一只500元的股票误差10元RMSE贡献完全不成比例。更贴近策略语义的做法是预测收盘价的变化率涨跌幅然后用RankIC预测值与实际收益率的秩相关系数作为适应度。RankIC衡量的是“模型预测的排序能力”它不关心你预测的是1%还是10%只关心预测值高的样本是不是真的涨得多。稳定在0.05以上的RankIC已经是一个可以支撑策略的信号。为了兼顾通用性和代码可读性下面的实现按最常用的验证集RMSE作为适应度但把损失改为MSE差异只是开根号的一步。你需要知道这个选择的方向性后果RMSE最低不代表模型可交易只代表预测误差的绝对值最小。4.2 粒子编码与PSO参数一张表看清整个搜索空间PSO负责搜索的每个粒子是6维向量window、units、layers、dropout、learning_rate、batch_size。其中learning_rate做了特殊处理——不直接在线性域搜索而是搜索其以10为底的指数-4到-2解码时再换算这样学习率在小数值区域如0.0003到0.0005也能有足够的分辨率。粒子编码与PSO超参设定如下参数范围类型说明window5 ~ 30整数历史时间窗长度units16 ~ 128整数每层LSTM神经元数layers1 ~ 2整数LSTM层数两层以上在数据量不足时慎用dropout0.0 ~ 0.4浮点置于LSTM输出层之后log10(lr)-4 ~ -2浮点解码为lr 10 ** pbatch_size16 ~ 64整数训练批次大小PSO自身参数采用业界最常用的一组种群规模10数据量大、显存充足可调到16最大迭代6轮惯性权重从0.9线性衰减到0.4加速常数c1c22.0速度上限取各维边界宽度的20%。这一组配置在多数股票预测任务里都能在可接受的时间内收敛不需要频繁改动。4.3 完整训练脚本直接把源码包重新组织成最小可复现工程下面这段代码把整个流程串起来按顺序从上到下执行即可。你在vscode里新建一个py文件把前面的数据准备代码复制进来接着跑下面的部分。代码里加了比较详细的注释便于修改参数。import numpy as np 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 from sklearn.metrics import mean_squared_error # ---------- 构建LSTM模型 ---------- def build_lstm(window, units, layers, dropout_rate, lr): model Sequential() if layers 1: model.add(LSTM(units, input_shape(window, 1))) else: model.add(LSTM(units, return_sequencesTrue, input_shape(window, 1))) model.add(LSTM(units)) # 第二层LSTM不返回序列 model.add(Dropout(dropout_rate)) model.add(Dense(1)) # 回归输出不加激活函数 model.compile(optimizerAdam(learning_ratelr), lossmse) return model # ---------- 解码粒子为超参数 ---------- def decode_particle(p): window int(round(p[0])) units int(round(p[1])) layers int(round(p[2])) dropout float(np.clip(p[3], 0.0, 0.4)) lr float(10 ** p[4]) # 学习率在log域搜索这里解码回来 batch int(round(p[5])) return window, units, layers, dropout, lr, batch # ---------- 适应度函数验证集RMSE ---------- def fitness(p): window, units, layers, dropout, lr, batch decode_particle(p) # 从最大窗口样本里截取当前window对应的子序列 X_train_w X_train[:, -window:].reshape(-1, window, 1) X_val_w X_val[:, -window:].reshape(-1, window, 1) tf.random.set_seed(7) # 保证同参数下结果可复现 model build_lstm(window, units, layers, dropout, lr) early_stop EarlyStopping(monitorval_loss, patience8, restore_best_weightsTrue) model.fit(X_train_w, y_train, validation_data(X_val_w, y_val), epochs60, batch_sizebatch, callbacks[early_stop], verbose0) pred model.predict(X_val_w, verbose0) rmse float(np.sqrt(mean_squared_error(y_val, pred))) return rmse # ---------- PSO主循环 ---------- bounds np.array([ [5, 30], # window [16, 128], # units [1, 2], # layers [0, 0.4], # dropout [-4.0, -2.0], # log10(lr) [16, 64] # batch_size ], dtypefloat) N_PARTICLES 10 N_DIMS 6 MAX_ITERS 6 W_MAX, W_MIN 0.9, 0.4 C1, C2 2.0, 2.0 particles np.zeros((N_PARTICLES, N_DIMS)) velocities np.zeros((N_PARTICLES, N_DIMS)) pbest np.zeros_like(particles) pbest_fit np.full(N_PARTICLES, np.inf) gbest np.zeros(N_DIMS) gbest_fit np.inf # 边界宽度用于限制速度上限 span bounds[:, 1] - bounds[:, 0] for i in range(N_PARTICLES): for d in range(N_DIMS): particles[i, d] np.random.uniform(bounds[d, 0], bounds[d, 1]) velocities[i, d] np.random.uniform(-0.2 * span[d], 0.2 * span[d]) pbest[:] particles for it in range(MAX_ITERS): w W_MAX - (W_MAX - W_MIN) * it / (MAX_ITERS - 1) # 惯性权重线性衰减 for i in range(N_PARTICLES): fit_i fitness(particles[i]) if fit_i pbest_fit[i]: pbest_fit[i] fit_i pbest[i] particles[i].copy() if fit_i gbest_fit: gbest_fit fit_i gbest particles[i].copy() r1 np.random.rand(N_DIMS) r2 np.random.rand(N_DIMS) velocities[i] (w * velocities[i] C1 * r1 * (pbest[i] - particles[i]) C2 * r2 * (gbest - particles[i])) vmax 0.2 * span velocities[i] np.clip(velocities[i], -vmax, vmax) particles[i] velocities[i] particles[i] np.clip(particles[i], bounds[:, 0], bounds[:, 1]) print(f第 {it1} 轮迭代完成目前全局最优RMSE: {gbest_fit:.5f}) best_params decode_particle(gbest) print(最优超参数:, best_params)这段代码的逻辑拆开看就是两个过程的嵌套外层PSO负责产生新的超参数组合内层LSTM负责按这组超参数训练并返回验证集RMSE。每个粒子每轮迭代都要评估一次所以总训练次数是10×660次LSTM训练。在只有CPU的机器上每个模型用早停策略跑十几秒整体大约需要12到20分钟属于可接受的等待范围。几个值得注意的细节。第一tf.random.set_seed必须在每次构建模型前调用否则即便超参数完全相同模型初始化权重不同适应度会有较大抖动PSO会把这种随机噪声当成真实的性能差异。第二early stopping的patience设为8max epochs设为60目的是让每个粒子的评估尽量在10秒左右结束而不是花30分钟去精调一个中间候选。第三代码里的X_train、y_train等变量来自第三章的数据准备运行顺序不能颠倒。4.4 训练中的收敛监控什么样的搜索过程算“健康”PSO搜完之后不能只看最终RMSE还得看收敛过程是否正常。通常会出现两种异常情况。第一种是gbest_fit从第一轮开始就不再下降说明粒子群可能全都飞到了一个比较差的区域或者适应度函数本身噪声太大模型初始化的随机性盖过了超参数差异。解决方式是调大种群规模到16或者加大惯性权重初始值让粒子在前期有更强的探索能力。第二种是gbest_fit下降得极快到第三轮就稳定了这可能让人高兴但也可能意味着搜索空间设计得太窄最优点就在边界附近。这时检查一下gbest的每一维是否贴近边界如果units一直顶在128没有下降过说明模型容量还有空间可以把范围上限拉到256再搜一轮如果window一直贴着5说明短期动量比长期趋势更有效可以再缩小范围做一次细搜。收敛监控的价值在于告诉你PSO是在“正常工作”还是在“撞运气”。我习惯在每轮迭代后把gbest的6个维度值一起打印出来观察是否只有某一个维度在剧烈变化其他维度原地不动。这种情况通常说明某些超参数之间存在强耦合固定其中一个维度后其他维度也能被快速优化。5. 避坑指南PSO-LSTM预测股票最容易翻车的五个坑5.1 复权除权日出现“价格跳崖”数据源没给你算干净现象训练出来的LSTM在验证集上误差不小画出预测曲线后发现模型在特定日期前会“提前抢跑”往下跌而这些日期往往是分红除权日。 原因某数据源的Adj Close列实际没有复权一旦遇到高分红价格瞬间跌去几个百分点LSTM把这个虚假下跌当作真实的趋势信号去学习。部分数据接口为了避免小数精度问题会直接让Adj Close Close。 解决在3.1节留了复权因子校验务必跑一遍。如果确认数据没复权先手动计算前复权价格再进模型。这步不做后面的所有调参都建立在虚假的规律上。5.2 归一化在全序列上fit未来统计量悄悄泄进训练集现象验证集RMSE低到出奇测试集表现却差一大截回测更是没法看。 原因MinMaxScaler对整个序列调用fit_transformscaler已经见过测试集的最大值和最小值等于模型在白嫖未来的价格上下限。价格整体上涨的股票尤其明显——测试段的新高已经在训练段的缩放比例上体现过了。 解决严格遵守“fit在训练集transform到其余数据”的原则。这段代码虽然只有三行但关于它的讨论永远值得多花五分钟。不要觉得测试集的极端值超出0到1范围就不舒服那反而是模型真正面对未来的样子。5.3 数据切分时shuffle验证集等于被剧透现象所有指标都好得离谱换一段新行情立刻失效。 原因在构造完滑动窗口样本后有人习惯性地用了train_test_split(shuffleTrue)切分打乱后测试样本里混入了训练样本紧邻的序列。滑动窗口样本天然有重叠第100个样本的结束点就是第101个样本的开始点打乱后测试集和训练集的样本高度相关LSTM等于看着答案做考卷。 解决只按时间顺序切分训练集时间最早、验证集其次、测试集最晚。如果觉得这样会浪费尾部数据可以改用时间序列交叉验证TimeSeriesSplit但无论如何不要shuffle。5.4 PSO串行训练慢到怀疑人生种群规模成了性能瓶颈现象种群规模设了20迭代设了10算下来200次LSTM训练每次还得跑几十个epochCPU机器直接跑一夜。 原因PSO-LSTM的开销本质上是“粒子数量 × 迭代次数 × 单次LSTM训练时间”。PSO本身很快瓶颈全在LSTM训练上。 解决先按参数表里的配置跑10个粒子、6轮迭代、max epochs 60、patience 8。把单次LSTM训练时长控制在10秒量级整体30分钟内出结果。如果机器允许并行可以把粒子分布到多核上跑但注意同时启动多个TensorFlow进程会占用大量内存建议先用multiprocessing的进程池做3到4路并发确认内存吃得住再逐步加。训练完一轮还不够理想拿到当前最优粒子附近做局部细搜比盲目加大种群规模更划算。5.5 验证集损失最低的粒子回测却跑不动现象PSO选出的模型在验证集上RMSE最低但把它接到一个简单策略里回测收益曲线还不如不做预测地死拿。 原因RMSE是统计指标不是策略指标。最小化RMSE会让模型倾向于预测价格的平均水平也就是“猜测一个温和的值”这样绝对值误差最小。但策略赚钱靠的是预测涨跌的能力哪怕预测误差大只要排序正确照样能赚钱。两者目标并不一致。 解决如果目标是建模研究RMSE没问题如果目标是后续做策略信号把适应度换成预测值和实际涨跌幅的RankIC。方法是复用fitness外层的所有逻辑只把return rmse换成计算秩相关系数。这一步改动不大但对模型的行为方向有质的影响。6. 别盯着拟合曲线自我感动三个验证方法确认模型真的有效6.1 随机游走暴力基线跑不赢它就别谈深度学习很多人在看到LSTM的预测曲线贴着实际价格走势时便兴奋得不行。但只要把图放大你会发现预测曲线基本就是“昨天的价格平移一点点”。这不算预测这是LSTM学到的懒惰策略——在价格平稳时预测值等于最近观测值会让误差最小。所以基线必须残酷用“最后一天收盘价作为明天预测价”这个随机游走模型当分母。同样在测试集上算它的RMSE如果LSTM没有显著低于这个基线说明时序里的有效信号没有被学到。# 测试集上随机游走基线 baseline_pred X_test[:, -1, 0] # 用窗口最后一天价格预测下一天 baseline_rmse np.sqrt(np.mean((baseline_pred - y_test) ** 2)) print(f随机游走基线 RMSE: {baseline_rmse:.5f})把LSTM的测试RMSE和这个数比一比差距小于10%就要警惕模型实际价值有限。股票序列信噪比低LSTM能赢基线5%到15%都算正常发挥。6.2 滚动前推验证模拟模型每周都在更新的真实节奏固定切分的测试集只能证明“这个时间段里有效”不能证明“在下一个月仍然有效”。股票市场风格切换频繁半年前有效的模型可能早已失效。滚动前推验证walk-forward是量化领域比较公认的做法把数据按时间切成多个窗口每个窗口用前一段训练、后一段验证窗口整体逐步前移。实现思路不复杂for step in range(6): train_end base_cut step * step_size val_start train_end val_end val_start step_size model.fit(train_data[train_start:train_end], ...) val_rmse evaluate(model, val_data[val_start:val_end]) print(f第 {step1} 段验证 RMSE: {val_rmse:.5f})每次只用历史数据训练验证永远面向未来的数据段。滚动前推的结果稳定性比单次切分更有说服力6段验证里有4到5段RMSE稳定才说明模型有真实的预测能力只有偶尔一段特别突出多半是运气。6.3 残差自相关检查预测误差里还藏着多少“可学”信息最后一个验证从残差入手。把测试集上的真实值减预测值得到残差序列计算残差的lag-1自相关系数。如果残差之间还有显著的相关性说明模型遗漏了可利用的时序结构如果残差看起来是白噪声说明该捕捉的结构基本都被抓干净了。resid y_test - model.predict(X_test_reshaped)[:, 0] lag1_acf np.corrcoef(resid[:-1], resid[1:])[0, 1] print(f残差lag-1自相关系数: {lag1_acf:.4f})绝对值超过0.1就需要回到特征工程去补充信息成交量、成交额、波动率这些都可能填补这部分空缺低于0.05则可以认为模型已经把当前特征下的主要规律用尽。我自己做这类预测时的习惯是把这套随机游走对比、滚动前推、残差检查当作固定流程只有三关全过才敢把模型从实验环境挪到策略代码里。调参只是让性能再往上走一步验证框架才是决定这件事值不值得做的关键。希望帮到你。本文还有配套的精品资源点击获取