简介基于LSTM网络的外汇预测模型项目包面向金融量化初学者与时序建模开发者提供一套从数据预处理、特征工程到模型训练、验证与预测的完整可运行框架。压缩包共27个文件核心包括4个ipynb流程化Notebook、2个py工具脚本、4个CSV行情数据集含USDJPY、GBPUSD的M1数据、bin/pb模型及缩放器文件还有XML配置与Markdown说明文档总大小约13.41MB。通过这些文件可直观理解LSTM门控机制、MSE损失函数与Adam优化器在汇率预测中的应用并借助已保存的模型快速开展单步/多步预测实验。项目附有数据划分与标准化处理脚本便于替换其他货币对或调整网络结构进行优化。目前已有119人学习下载适合希望从零搭建时序预测系统并验证LSTM效果的开发者。1. 为什么那么多外汇预测代码最后都躺在回收站里做外汇预测的人十有八九都经历过同一个循环下载一个 LSTM 模型代码包跑通 demo看到 loss 曲线下降觉得自己马上要财务自由了。然后换到真实品种、真实行情模型开始表演原地踏步——预测曲线基本是上一根 K 线的平移交易决策根本没法用。这个“基于LSTM网络的外汇预测模型.zip”能解决什么它把数据预处理、滑动窗口构造、LSTM 训练、回测评估这几段最容易写散架的代码收拢成一个可复现的工程。适合谁适合已经会用 Pandas 和 Keras/TensorFlow、但没系统做过时间序列预测的人也适合想快速验证“LSTM 到底能不能干这事”的量化新人。先说结论LSTM 做外汇预测不是不行但很多人翻车不是因为模型是因为数据泄漏和窗口构造错了。2. 先把原理和文件结构理清黑匣子不能从头黑到尾2.1 LSTM 凭什么被用来做外汇预测外汇价格序列有典型的自相关性今天的收盘价和昨天、前天的收盘价高度相关但相关性会衰减而且波动率有聚集效应。LSTM 的三个门结构——遗忘门、输入门、输出门——让它在处理这种中等长度的时序依赖时比普通 RNN 更能保留长距离信息又比 Transformer 这类需要大量数据的架构更“省着吃”。做外汇预测时LSTM 的常见做法是把过去 N 根 K 线的开高低收、成交量如果有、技术指标RSI、MACD、ATR 这类拼成一个特征矩阵然后预测未来 M 根 K 线的收盘价或者预测下一根 K 线的涨跌方向。这里有个关键认知预测价格数值的 LSTM 模型在实盘里基本很难直接用因为金融时序的非平稳性太强。但预测方向涨/跌/平或者预测波动率用来做仓位管理的模型落地概率要高得多。这个 zip 里的模型大概率是数值预测框架但你拿到手别急着跑先看它的 loss 函数是什么——MSE 拟合价格和二元交叉熵拟合涨跌方向完全是两套调参思路。我一般会先跑一个最简单的基线用昨天的收盘价做今日收盘价的预测如果 LSTM 连这个基线都打不过那说明数据预处理或者窗口长度有问题。2.2 zip 解压之后先摸清楚每个文件是干什么的zip 解压之后一般会看到这样的文件结构不同作者打包习惯略有差异但核心模块八九不离十forex_lstm/ ├── data/ │ ├── raw/ # 原始K线数据一般是 CSV按日期排序 │ ├── processed/ # 处理后的特征数据训练前生成 │ └── scaler.pkl # 归一化器的存档预测新数据时要用同一个 ├── src/ │ ├── data_loader.py # 读取 CSV、对齐时间戳、切分训练/验证集 │ ├── features.py # 技术指标计算、滑动窗口切片 │ ├── model.py # LSTM 模型定义Keras 或 PyTorch │ ├── train.py # 训练主脚本输出 checkpoint │ └── predict.py # 加载模型做预测输出结果 CSV ├── config.yaml # 超参数配置一般有 window_size, epochs, lr ├── requirements.txt # Python 依赖清单 └── README.md # 项目说明有时候写得含含糊糊先用浏览器无痕窗口下载 zip 包后第一件事不是解压而是核对文件完整性。很多网盘下载的 zip 会损坏解压报错“invalid zip archive: could not find eocd”基本就是文件没下全或者传输中断。这时用命令行工具校验一下# 在 Linux/macOS 下检查 zip 完整性 unzip -t forex_lstm.zip # 如果报错尝试用 Python 的 zipfile 模块看具体坏在哪 python -c import zipfile; zf zipfile.ZipFile(forex_lstm.zip); print(zf.namelist()); print(zf.testzip())unzip -t会逐个文件测试 CRC 校验输出“No errors found in compressed data”就说明包是好的。zf.testzip()返回第一个损坏文件的文件名如果是None就代表所有文件完整。这一步能省掉后面莫名其妙跑不起来的排查时间——别问我是怎么知道的。2.3 配置数据源外汇数据长什么样、能从哪里弄外汇原始数据一般是 CSV至少包含四列日期时间、开盘价、最高价、最低价、收盘价。有些数据源会附带成交量但零售外汇的成交量数据意义不大因为外汇是分散市场MT4/MT5 平台的 tick 成交量只代表该平台内部情况。import pandas as pd # 读取原始数据示例 df pd.read_csv(data/raw/EURUSD_1h.csv, parse_dates[datetime]) df df.sort_values(datetime).reset_index(dropTrue) # 只保留做预测需要的列 df df[[datetime, open, high, low, close]] # 检查有没有缺失值或异常时间戳 print(f数据范围{df[datetime].min()} → {df[datetime].max()}) print(f总行数{len(df)}) print(f缺失值数量\n{df.isnull().sum()})这里要注意外汇数据经常在周末和节假日出现缺口如果直接把数据喂给 LSTM模型会学到“从周五到周一之间的隔夜跳空”这类噪声规律。常见做法是剔除所有跨时段的 K 线也就是把周五最后一根 K 线和周一第一根 K 线视为连续——但现实不是这样。更稳妥的做法是保留原始时间戳在构造滑动窗口时只选择同一交易时段内的连续数据。如果你的数据是小时级的最好把亚洲时段、欧洲时段、美洲时段分开建模或者至少在特征里加一个“当前时段”的 one-hot 编码。3. 把数据处理成 LSTM 能吃的格式滑动窗口与时序特征构造3.1 滑动窗口长度怎么选不是越长越好LSTM 的输入形状是(batch_size, window_size, feature_dim)window_size 就是回看的历史 K 线数量。这个参数是整个模型里最影响结果的一个但它没有标准答案。我见过有人用 30 根小时 K 线也有人用 240 根相当于 10 天核心矛盾在于窗口太短模型看不到中期趋势窗口太长模型把噪声也当成了特征而且训练数据量会指数级下降。一个比较实用的经验是先算数据的自相关系数看它衰减到 0 的滞后阶数。比如import pandas as pd import numpy as np # 计算收盘价的自相关系数 close df[close] lags range(1, 101) autocorr [close.autocorr(lag) for lag in lags] # 找到自相关系数衰减到 0.1 以下的第一个滞后阶数 threshold_lag next((i1 for i, ac in enumerate(autocorr) if abs(ac) 0.1), 100) print(f自相关系数在滞后 {threshold_lag} 阶后衰减到 0.1 以下)然后在这个滞后阶数附近做网格搜索比如筛选结果[24, 48, 72, 96]。对于 1 小时级数据48 到 72 通常是起步的合理区间对于日线级数据20 到 40 天更常见。窗口大小也可以思考为“模型能记住的最长依赖长度”比自相关衰减更慢的节奏模型很难单独从 K 线数据里学出来需要靠外部特征。3.2 归一化与数据泄漏这个坑能让你模型“看起来很强”时间序列预测最容易踩的坑就是用全量数据的均值和标准差来做归一化。这属于典型的数据泄漏——模型在训练时就已经偷看了未来数据的统计信息。正确做法是先在训练集上计算 Scaler 参数然后用同一套 Scaler 去变换验证集和测试集。sklearn 的 StandardScaler 如果不做fit_transform和transform的区分就会出现这个错误。以下是正确写法from sklearn.preprocessing import StandardScaler import numpy as np # 假设 train_df 是按时间顺序排列的训练数据 train_data train_df[[open, high, low, close]].values # 只在训练集上 fit scaler StandardScaler() train_scaled scaler.fit_transform(train_data) # 验证集和测试集只做 transform不再 fit val_scaled scaler.transform(val_df[[open, high, low, close]].values)还有一个容易被忽略的细节归一化时是否把每条样本的窗口内数据重新缩放一遍。有人喜欢在每个滑动窗口内部做 min-max 归一化理由是让模型关注“形态”而不是“绝对值”。这对外汇有一定道理因为不同年份的价格区间差异很大但这么做训练集和验证集窗口之间会有信息交叉——先算整个数据集的统计量再切片或者先切片再按窗口归一化两者结果差别很大。我个人的习惯是最外层做一次全局标准化然后在特征空间里加一列“当前价格相对过去 N 根的涨跌幅”让模型自己学会用相对值。3.3 把 Pandas DataFrame 切片成 LSTM 样本写一个不会越界的生成器训练 LSTM 时最怕内存爆掉。如果你的数据有十几万行每个样本是(window_size, feature_dim)一次性生成 NumPy 数组会占掉大量内存。常见做法是写一个生成器训练时逐个 batch 产出数据import numpy as np import pandas as pd def create_lstm_samples(data, window_size48, horizon1): 生成 LSTM 输入输出对。 输入data形状 (n_samples, n_features) 输出X (样本数, window_size, n_features), y (样本数, horizon) X, y [], [] for i in range(len(data) - window_size - horizon 1): X.append(data[i:iwindow_size]) y.append(data[iwindow_sizehorizon-1, 3]) # 假设第 3 列是 close return np.array(X), np.array(y) # 使用示例 features np.hstack([train_scaled, train_df[[hour_sin, hour_cos]].values]) X_train, y_train create_lstm_samples(features, window_size48, horizon1) print(fX_train shape: {X_train.shape}, y_train shape: {y_train.shape})这个生成器有个边界条件要特别小心range的上界是len(data) - window_size - horizon 1如果写成len(data) - window_size会漏掉最后几条样本如果写成len(data)data[iwindow_sizehorizon-1]会越界。另外y的取法这里用的是data[iwindow_sizehorizon-1]意思是预测未来 horizon 步后的收盘价。如果你用shift(-horizon)的 Pandas 写法也要保持一致——这两者的对齐错一位模型会学到“用当前价格预测当前价格”等于没学。4. 搭建与训练 LSTM 模型从 Keras 到 PyTorch 的配置要点4.1 Keras 入门版用 Sequential 快速搭一个能跑的最小模型如果是第一次跑通这个方向Keras 的 Sequential API 最省事。典型的三层 LSTM Dense 结构就能作为起点from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau model Sequential([ LSTM(units64, return_sequencesTrue, input_shape(window_size, n_features)), Dropout(0.2), LSTM(units32, return_sequencesFalse), Dropout(0.2), Dense(units16, activationrelu), Dense(units1, activationlinear) # 回归任务预测价格 ]) model.compile(optimizeradam, lossmse, metrics[mae]) model.summary()参数说明第一个 LSTM 层的return_sequencesTrue是为了把完整时间步序列传给第二个 LSTM 层最后一个 LSTM 层的return_sequencesFalse只输出最后一个时间步的隐状态。Dropout(0.2)在时间序列里一般放在 LSTM 层之间而不要放在输入层之前。要不要用两层 LSTM取决于数据量——如果你只有一两年的小时级数据一层 LSTM 往往就够了两层会明显过拟合。4.2 训练配置早停、学习率衰减和 batch size 的血泪选择LSTM 训练比普通全连接网络更容易震荡。常见做法是配合早停机制和动态学习率衰减from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau callbacks [ EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), ReduceLROnPlateau(monitorval_loss, factor0.5, patience5, min_lr1e-6) ] history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs50, batch_size128, callbackscallbacks, shuffleFalse, # 时间序列不要 shuffle verbose1 )这里最容易被忽略的是shuffleFalse。时间序列数据一旦打乱顺序训练集和验证集之间会混入未来信息模型验证集指标会虚高回测时直接暴露原形。batch_size的选择也有讲究外汇小时数据通常有较强的自相关batch 太小会导致梯度噪声大、loss 曲线像锯齿batch 太大比如 512 或更大会让模型盯着短期均值学不到变化。128 是我常用的起点如果数据量在几万级别256 也可以接受。4.3 PyTorch 进阶版如果你需要更大灵活性的预测模型Keras 适合快速验证但做研究或者要改网络结构时PyTorch 更顺手。核心模型代码如下import torch import torch.nn as nn class ForexLSTM(nn.Module): def __init__(self, n_features, hidden_size64, num_layers2, dropout0.2): super(ForexLSTM, self).__init__() self.lstm nn.LSTM( input_sizen_features, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Dropout(dropout), nn.Linear(32, 1) ) def forward(self, x): # x: (batch, seq_len, features) out, (h_n, c_n) self.lstm(x) last_out out[:, -1, :] # 取最后一个时间步的输出 return self.fc(last_out)PyTorch 里要注意batch_firstTrue这样输入张量的维度才是(batch, seq_len, features)不设置的话默认是(seq_len, batch, features)很容易搞混。另外nn.LSTM的dropout参数只有在num_layers 1时才生效单层 LSTM 传 dropout 会被忽略且不会报错。4.4 训练循环梯度裁剪是 LSTM 的常用“后悔药”LSTM 训练时梯度爆炸比梯度消失更常见虽然大家说 LSTM 是为了解决梯度消失。对外汇这种长序列任务梯度裁剪几乎是标准配置optimizer torch.optim.Adam(model.parameters(), lr0.001) criterion nn.MSELoss() clip_value 1.0 # 梯度裁剪阈值 model.train() for epoch in range(50): epoch_loss 0 for X_batch, y_batch in train_loader: optimizer.zero_grad() predictions model(X_batch) loss criterion(predictions.squeeze(), y_batch) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), clip_value) optimizer.step() epoch_loss loss.item() print(fEpoch {epoch1}, Loss: {epoch_loss / len(train_loader):.6f})clip_grad_norm_的参数是一个范数上限设为 1.0 意味着梯度向量的 L2 范数超过 1 就被缩回 1。这个值我在外汇预测上通常从 0.5 到 5.0 之间做一次粗调如果 loss 前期就 NaN先从梯度和学习率两头查。5. 模型评估与回测避坑验证集表现好不等于能赚钱5.1 方向准确率 vs. 价格误差你该看哪个指标这是最常踩的坑——用 MSE 训练模型然后看预测曲线是否贴合真实价格曲线。问题是外汇价格高度自相关模型只要把上一根 K 线的价格“平移”到当前时刻MSE 就已经很好看了但这完全是废的。import numpy as np def evaluate_direction(y_true, y_pred): 评估方向预测准确率 比较预测价格相对上一时刻的涨跌方向与真实方向是否一致 if len(y_true) ! len(y_pred): raise ValueError(两个数组长度不一致) real_diff np.diff(y_true) pred_diff np.diff(y_pred) correct np.sum(np.sign(real_diff) np.sign(pred_diff)) accuracy correct / len(real_diff) return accuracy # 假设 y_true 是测试集真实价格y_pred 是模型预测价格 acc evaluate_direction(y_true, y_pred) print(f方向准确率: {acc:.4f})这里有个隐形问题如果测试集里大多数时间价格是上涨的两年牛市数据哪天模型全喊涨也能到 60% 的准确率。所以只看整体方向准确率不够要拆分到每个交易时段看而且要和“随机预测”或“动量基线”对比。5.2 回测的 3 个必调参数滑点、手续费和数据切片方式回测结果和实盘差距最大的三个原因没算滑点、没算手续费、数据切片方式不对。常见做法是给每次交易加上固定的点差成本SPREAD_COST 0.0001 # 假设 EURUSD 点差为 1 个 pip COMMISSION 0.00005 # 每单位交易量的佣金成本 def backtest_with_cost(predictions, close_prices, direction_threshold0.0001): 简单回测框架预测涨跌幅超过阈值才开仓否则空仓 position 0 # 0 空仓1 做多-1 做空 equity 1.0 # 初始资金设为 1 trade_count 0 for i in range(1, len(predictions)): predicted_change (predictions[i] - close_prices[i-1]) / close_prices[i-1] real_change (close_prices[i] - close_prices[i-1]) / close_prices[i-1] # 开仓逻辑预测涨幅超过阈值才做多 if position 0 and predicted_change direction_threshold: position 1 trade_count 1 equity * (1 - SPREAD_COST - COMMISSION) # 支付交易成本 # 持有多单时按真实涨跌幅计算盈亏 if position 1: equity * (1 real_change) # 如果预测方向反了平仓 if position 1 and predicted_change 0: position 0 equity * (1 - SPREAD_COST - COMMISSION) return equity, trade_countdirection_threshold设得越小交易越频繁手续费影响越大。这个阈值建议以 ATR 为基准来设置不要拍脑袋。另一个关键概念是训练、验证、测试三段数据的划分必须严格按照时间顺序不能用随机打乱。外汇市场存在 regime shift市场状态切换2020 年疫情初期的数据训练出来的模型放到 2023 年可能完全失效。5.3 常见问题排查训练 loss 下降但验证 loss 上升怎么办这是 LSTM 时间序列预测中最高频的问题。现象训练集的 loss 每轮都在降验证集 loss 前几轮降后几轮开始反弹。原因通常是过拟合——模型在记忆训练集里的噪声而不是学习可泛化特征。解决手段按优先级排降低模型复杂度。把两层 LSTM 换成一层hidden_size 从 64 降到 32 试一下。增加 Dropout 比例。从 0.2 调到 0.4但不要超过 0.5。提前止损。EarlyStopping的patience从 10 降到 5。检查是不是数据泄漏。如果验证集比训练集还低那大概率不是模型强而是训练集和验证集之间有信息交叉。观察是否出现“预测值滞后于真实值”的现象。如果预测曲线总是滞后期价格的重复不是超参数问题是模型结构问题——可以考虑换方向预测或加注意力机制。提示Keras 训练时打开validation_data如果 val_loss 是 NaN优先检查数据里有没有 NaN 值没清理干净其次降低学习率到原来的 1/10看看是否还有 NaN。6. 把模型用起来预测新数据的完整流程与三个落地细节6.1 新数据进来后要复现训练时的预处理步骤预测实盘新数据时最大的坑是“预处理不一致”。训练时你做了什么归一化、什么特征构造预测时就要原样复现不能差一步。常见做法是保存 Scaler 和特征工程参数import joblib # 训练结束后保存预处理对象 joblib.dump(scaler, forex_lstm/scaler.pkl) # 预测新数据时加载同一个 Scaler scaler joblib.load(forex_lstm/scaler.pkl) def preprocess_new_data(raw_df, scaler, window_size48): 对新到来的 raw_df 做与训练时完全一致的预处理。 raw_df 必须包含 [open, high, low, close] 列并按时间升序排列 features raw_df[[open, high, low, close]].values scaled scaler.transform(features) # 注意是 transform不是 fit_transform # 构造一个样本 sample scaled[-window_size:].reshape(1, window_size, scaled.shape[1]) return sample6.2 滚动预测 vs. 一次性预测它们的结果为什么完全不一样预测未来多个时间步时有两种做法。一种是一次性预测未来 h 步另一步是滚动预测——先用模型预测第 1 步然后把预测值作为输入接着预测第 2 步循环往复。后者误差会累积但短期内往往更好用。def rolling_forecast(model, sample, steps10): 滚动预测 每次用模型输出的预测值替换当前样本的最新“价格” 并保持其他特征列不变简化版技术指标列需要重新计算 predictions [] current_sample sample.copy() for _ in range(steps): # 预测下一个价格 next_price model.predict(current_sample)[0, 0] predictions.append(next_price) # 更新样本把原来的窗口前移一格最后一行用新预测值填充 # 这里假设 close 在第 3 列索引为 3 current_sample np.roll(current_sample, -1, axis1) current_sample[0, -1, 3] next_price return predictions滚动预测有累积误差的问题步数越长越不靠谱。如果一份代码里是直接输出一整段未来价格而不见滚动逻辑那它多半是“一次性多步输出”这种在长期预测中一般不准。实盘建议只预测 1 到 3 根 K 线不要贪多。6.3 最后的验证方法用一个“看不懂”的品种和时段检验模型泛化能力在投入实战之前最后做一件事拿一段模型没见过的年份、甚至一个没见过的外汇品种比如用 EURUSD 训练用 GBPUSD 测试跑一遍全流程。如果预测方向准确率和训练集接近说明模型学到了“外汇定价的底层规律”而非“某个品种的记忆”。如果准确率掉回 50% 上下那说明模型没有泛化能力不建议直接实盘。我自己的习惯是至少跑一个“跨品种验证”和“跨时间验证”两者都过了才考虑小仓位实盘。跨时间验证尤其重要——用 2018-2020 年训练2021-2022 年做验证看结果是否还算稳定。如果没有这层检验任何单一时段的回测结果都只是自我安慰。这个方向的成长曲线不会很陡却不意味着不值得投入。读懂数据泄漏、搞清楚窗口对齐、尊重交易成本这些省不掉的功夫会在你每一版模型的下降 loss 之外带来一点真正靠得住的认知。希望帮到你。本文还有配套的精品资源点击获取