拓冰网站定制 
简介这份资源面向金融量化初学者与深度学习爱好者提供一套基于LSTM的股票价格预测完整实现帮助理解循环神经网络在时间序列上的建模思路。压缩包共19个文件约3.92MB以9个Python脚本为核心覆盖数据预处理、模型训练、参数选择、评估与绘图等环节另含2个CSV与1个Excel数据集、2个H5训练模型、2张结果对比图及说明文档结构清晰便于按模块复现。已有517人学习下载。读者可据此掌握从历史行情加载、归一化与序列化到Keras搭建LSTM、设置批大小与优化器、用MSE与MAE评估再到预测未来价格并绘制实际与预测对比曲线的完整流程同时接触移动平均、指数平滑等技术指标与模型融合思路是深度学习落地金融预测的实用案例。1. 从一份能跑通的 LSTM 股市预测源码说起很多人第一次接触 LSTM 时间序列预测都是被用深度学习预测股价这个说法吸引进来的但真正动手时才发现网上大部分代码要么缺数据集要么训练脚本和预测脚本对不上跑起来一堆路径报错。这份lstm_stock-master资源算是少见的全套齐活源码、训练好的.h5模型、沪深300 和单只基金的 CSV 数据、参数配置文件、可视化脚本都在一个包里run.py一条命令就能把训练到出图的链路走完。它解决的不是教你什么是 LSTM这种科普问题而是给你一套能复现、能改参数、能换自己数据的工程骨架。适合两类人一是刚学完 LSTM 理论、想找个完整项目练手的新手二是做量化或金融数据分析、想快速验证 LSTM 在收益率序列上表现的从业者。下面我按拆包顺序把这份资源的结构、跑法、参数和坑逐个讲清楚。2. 拆开压缩包目录结构与数据流走向2.1 文件清单与各自职责拿到lstm_stock-master.zip后先别急着解压运行花两分钟把目录结构看明白后面调参和排错会省很多事。这份资源的文件大致分四类数据文件、模型文件、脚本文件、配置与依赖文件。文件/目录类型作用data/hs300.csv数据沪深300 指数历史行情训练主数据data/001632.csv数据单只基金净值/行情数据用于换标的验证hs300.h5/001632.h5模型已训练好的 LSTM 权重文件可直接加载预测hs300.png/001632.png输出预测对比图实际值与预测值曲线run.py脚本主入口串联训练、评估、绘图流程get_data/get_jz.py脚本数据获取抓取基金净值get_data/choose_fund.py脚本基金筛选逻辑model/lstm_train.py脚本模型构建与训练model/lstm_predict.py脚本加载模型做预测model/model_evalute.py脚本评估指标计算MSE/MAE/RMSEmodel/lstm_choose_parameter.py脚本参数搜索/网格调参model/data_preprocess.py脚本数据清洗、归一化、序列化model/plot_graph.py脚本绘图parameter.xlsx配置超参数表改这里比改代码方便requirements.txt依赖Python 包版本清单从数据流看整条链路是get_data抓数 →data_preprocess清洗归一化 →lstm_train训练并保存.h5→model_evalute算指标 →lstm_predict预测 →plot_graph出图。run.py把这几个环节串起来所以理解run.py的调用顺序等于理解了整个项目。2.2 环境准备与依赖安装这份代码基于 Keras TensorFlow 后端属于比较经典的写法。建议单独建虚拟环境避免和你机器上已有的 TensorFlow 版本打架。# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv lstm_env # 激活Windows lstm_env\Scripts\activate # 激活macOS/Linux source lstm_env/bin/activate # 安装依赖 pip install -r requirements.txtrequirements.txt里通常锁定了tensorflow、keras、pandas、numpy、matplotlib、scikit-learn、openpyxl这几个包。这里有个血泪经验TensorFlow 2.x 和旧版 Keras 的 API 有差异如果lstm_train.py里用的是from keras.models import Sequential这种独立 Keras 写法而你装的是 TF 2.10 以上可能会报ImportError。常见做法是统一改成from tensorflow.keras.models import Sequential或者把 TF 版本降到 2.8 左右。装完先跑一句python -c import tensorflow as tf; print(tf.__version__)确认版本再往下走。2.3 数据格式与预处理逻辑data_preprocess.py是整个项目里最值得细看的一段因为 LSTM 预测效果好不好七成看预处理。这份资源的数据是日频行情字段一般包含日期、开盘、收盘、最高、最低、成交量。预处理做三件事缺失值处理、归一化、滑窗序列化。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler # 1. 读取数据parse_dates 把日期列转成时间索引 df pd.read_csv(data/hs300.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 2. 缺失值行情数据一般用前向填充别用均值填充 df df.fillna(methodffill).dropna() # 3. 归一化MinMax 把价格压到 [0,1]LSTM 对量纲敏感 scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(df[[close]].values) # 4. 滑窗用过去 look_back 天预测下一天 def create_dataset(data, look_back60): x, y [], [] for i in range(len(data) - look_back): x.append(data[i:i look_back, 0]) y.append(data[i look_back, 0]) return np.array(x), np.array(y) x, y create_dataset(scaled, look_back60) # LSTM 输入要求三维[样本数, 时间步, 特征数] x np.reshape(x, (x.shape[0], x.shape[1], 1))逻辑说明look_back60表示用 60 个交易日约三个月的历史收盘价预测下一天这个值直接决定输入张量的时间步维度。归一化必须用fit_transform在训练集上拟合预测时要复用同一个scaler做inverse_transform否则预测出来的价格量纲是错的——这是新手最容易翻车的地方。reshape那一步不能省Keras 的 LSTM 层只接受三维输入二维会直接报维度错误。参数上feature_range一般保持(0,1)如果你发现预测曲线整体偏移先检查是不是归一化和反归一化用了两个不同的 scaler 实例。3. 训练、评估与预测把 run.py 跑通3.1 模型结构与超参数配置lstm_train.py里搭的是一个典型的单层或双层 LSTM 结构配合 Dropout 防过拟合最后接 Dense 输出一个标量。parameter.xlsx里放的就是这些超参数改表比改代码安全。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential() # 第一层 LSTMunits 是隐藏单元数input_shape 对应 (时间步, 特征数) model.add(LSTM(units50, return_sequencesTrue, input_shape(x.shape[1], 1))) model.add(Dropout(0.2)) # 第二层 LSTMreturn_sequencesFalse 表示只输出最后一步 model.add(LSTM(units50, return_sequencesFalse)) model.add(Dropout(0.2)) # 全连接输出预测值 model.add(Dense(units1)) model.compile(optimizeradam, lossmean_squared_error) model.fit(x, y, epochs50, batch_size32, validation_split0.1) model.save(hs300.h5)参数说明units50是隐藏层维度太小欠拟合、太大过拟合且训练慢50~128 是常见区间return_sequencesTrue只在还有下一层 LSTM 时才需要最后一层 LSTM 必须设 False否则维度对不上Dropout(0.2)随机丢弃 20% 神经元金融序列噪声大这个值别超过 0.3epochs50、batch_size32是保守配置validation_split0.1留 10% 做验证。optimizeradam基本是默认选择学习率不用手动设。训练完model.save(hs300.h5)保存的是结构和权重后面lstm_predict.py直接load_model就能用。3.2 评估指标与预测出图model_evalute.py算的是回归任务的标准三件套MSE、RMSE、MAE。这三个指标都建立在反归一化之后的真实价格尺度上如果直接在归一化数据上算数值会小得离谱没有参考意义。from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np # 预测并反归一化 pred model.predict(x_test) pred scaler.inverse_transform(pred) # 关键反归一化 true scaler.inverse_transform(y_test.reshape(-1, 1)) mse mean_squared_error(true, pred) rmse np.sqrt(mse) mae mean_absolute_error(true, pred) print(fMSE{mse:.4f}, RMSE{rmse:.4f}, MAE{mae:.4f})逻辑说明inverse_transform必须用训练阶段那个 scaler不能重新 fit。RMSE 和 MAE 的单位和股价一致看的时候直接和股价波动幅度对比——如果 RMSE 是 50而股价日均波动才 20说明模型基本没学到东西。plot_graph.py用 matplotlib 把true和pred两条曲线画在一张图上hs300.png就是这么来的。看图的技巧别只看整体趋势吻合重点看拐点处预测是否滞后LSTM 在趋势反转点普遍滞后 1~2 天这是模型特性不是 bug。3.3 换自己的数据跑一遍想验证这套代码能不能用在你手头的标的上最直接的办法是换 CSV。步骤是准备一份带date和close两列的 CSV放到data/下改run.py或data_preprocess.py里的文件路径重新跑训练。# 假设你把新数据存成 data/my_stock.csv # 修改 data_preprocess.py 中的读取路径后执行 python run.py注意几点新数据的日期要连续、按升序排列中间停牌造成的空缺用前向填充补上样本量至少 500 个交易日以上否则 LSTM 参数根本训不起来如果你的标的价格量级和沪深300 差很多比如几块钱的股票 vs 几千点的指数归一化会自动处理不用手动缩放。跑完对比my_stock.png和hs300.png如果新标的的 RMSE 明显更大多半是数据噪声或样本太短不是代码问题。4. 避坑与常见问题排查4.1 预测曲线是一条直线现象出图后预测值几乎不动像一条水平线。原因归一化后模型输出趋近均值或者学习率/训练轮数不够模型没收敛。解决先确认epochs是否够至少 50再看 loss 曲线是否还在下降如果 loss 早早平了把units调大或加一层 LSTM还有一种情况是look_back太小比如设成 5模型看不到足够历史改成 30~60 再试。4.2 反归一化后数值离谱现象预测价格是几万或负数和真实股价完全对不上。原因预测时用了新的MinMaxScaler实例或者inverse_transform的输入形状不对。解决确保训练和预测共用同一个 scaler 对象最稳妥的做法是把 scaler 用joblib.dump存下来预测时load回来inverse_transform要求输入是二维(n,1)一维数组要先reshape(-1,1)。4.3 加载 .h5 模型报错现象load_model(hs300.h5)抛ValueError或Unknown layer。原因保存模型和加载模型的 Keras/TF 版本不一致或者自定义层没注册。解决训练和预测用同一个虚拟环境如果跨版本重新训练保存一次比折腾兼容性更快。这份资源里的.h5是配套的直接用同环境加载一般没问题。4.4 中文路径或编码报错现象读 CSV 时报UnicodeDecodeError。原因Windows 下 CSV 可能是 GBK 编码而 pandas 默认 UTF-8。解决pd.read_csv(path, encodinggbk)或者用编辑器把文件另存为 UTF-8。路径里尽量别带中文和空格这是省事的做法。4.5 训练 loss 不下降现象跑了几十个 epochloss 一直在高位震荡。原因数据没归一化、学习率过大、或者输入特征本身没有可学习模式。解决先确认scaled数据在 [0,1] 区间把optimizer换成Adam(learning_rate0.001)显式指定如果换了几组参数都不行大概率是这个标的的价格序列本身接近随机游走LSTM 学不到东西这时候该接受现实而不是继续调参。5. 进阶用 parameter.xlsx 做网格调参把项目跑通只是第一步真正拉开差距的是调参。这份资源里lstm_choose_parameter.py和parameter.xlsx就是为这个准备的。我的习惯是把关键超参数列成一张表用循环批量跑记录每组参数对应的 RMSE最后挑最优组合。下面是一个可复用的网格搜索骨架。import pandas as pd from itertools import product # 定义搜索空间 look_backs [30, 60, 90] units_list [50, 100] epochs_list [50, 100] results [] for lb, units, ep in product(look_backs, units_list, epochs_list): x, y create_dataset(scaled, look_backlb) x np.reshape(x, (x.shape[0], x.shape[1], 1)) model build_lstm(units) # 封装好的建模型函数 model.fit(x, y, epochsep, batch_size32, verbose0) pred model.predict(x) pred scaler.inverse_transform(pred) true scaler.inverse_transform(y.reshape(-1, 1)) rmse np.sqrt(mean_squared_error(true, pred)) results.append({look_back: lb, units: units, epochs: ep, rmse: rmse}) df pd.DataFrame(results).sort_values(rmse) df.to_excel(parameter.xlsx, indexFalse) print(df.head())逻辑说明product做笛卡尔积把三组参数的所有组合跑一遍verbose0关掉每轮输出不然日志刷屏结果写回parameter.xlsx并按 RMSE 升序排第一行就是当前搜索空间里的最优组合。参数选择上look_back影响最大它决定模型能看多长的历史金融序列一般 20~60 比较合理太长会引入过多噪声units和epochs次之。要注意的是网格搜索出来的最优 RMSE 是在训练集上算的有过拟合风险严谨做法是留一段样本外数据做最终验证——我一般会把最后 20% 的数据完全隔离调参全程不碰最后只用它跑一次。还有个容易被忽略的点股票预测里单看 RMSE 会骗人。如果模型永远预测明天等于今天在平稳行情下 RMSE 也会很低但毫无交易价值。所以除了 RMSE我还会看预测值和真实值的涨跌方向一致率这个指标更接近实战。从那以后我每次调完参都强制把方向一致率也打出来光看误差指标就下结论翻车过不止一次。希望这份拆解能帮你少走点弯路把这份资源真正用起来。本文还有配套的精品资源点击获取 LSTM股市预测实战：从源码到调参的完整工程指南
简介这份资源面向金融量化初学者与深度学习爱好者提供一套基于LSTM的股票价格预测完整实现帮助理解循环神经网络在时间序列上的建模思路。压缩包共19个文件约3.92MB以9个Python脚本为核心覆盖数据预处理、模型训练、参数选择、评估与绘图等环节另含2个CSV与1个Excel数据集、2个H5训练模型、2张结果对比图及说明文档结构清晰便于按模块复现。已有517人学习下载。读者可据此掌握从历史行情加载、归一化与序列化到Keras搭建LSTM、设置批大小与优化器、用MSE与MAE评估再到预测未来价格并绘制实际与预测对比曲线的完整流程同时接触移动平均、指数平滑等技术指标与模型融合思路是深度学习落地金融预测的实用案例。1. 从一份能跑通的 LSTM 股市预测源码说起很多人第一次接触 LSTM 时间序列预测都是被用深度学习预测股价这个说法吸引进来的但真正动手时才发现网上大部分代码要么缺数据集要么训练脚本和预测脚本对不上跑起来一堆路径报错。这份lstm_stock-master资源算是少见的全套齐活源码、训练好的.h5模型、沪深300 和单只基金的 CSV 数据、参数配置文件、可视化脚本都在一个包里run.py一条命令就能把训练到出图的链路走完。它解决的不是教你什么是 LSTM这种科普问题而是给你一套能复现、能改参数、能换自己数据的工程骨架。适合两类人一是刚学完 LSTM 理论、想找个完整项目练手的新手二是做量化或金融数据分析、想快速验证 LSTM 在收益率序列上表现的从业者。下面我按拆包顺序把这份资源的结构、跑法、参数和坑逐个讲清楚。2. 拆开压缩包目录结构与数据流走向2.1 文件清单与各自职责拿到lstm_stock-master.zip后先别急着解压运行花两分钟把目录结构看明白后面调参和排错会省很多事。这份资源的文件大致分四类数据文件、模型文件、脚本文件、配置与依赖文件。文件/目录类型作用data/hs300.csv数据沪深300 指数历史行情训练主数据data/001632.csv数据单只基金净值/行情数据用于换标的验证hs300.h5/001632.h5模型已训练好的 LSTM 权重文件可直接加载预测hs300.png/001632.png输出预测对比图实际值与预测值曲线run.py脚本主入口串联训练、评估、绘图流程get_data/get_jz.py脚本数据获取抓取基金净值get_data/choose_fund.py脚本基金筛选逻辑model/lstm_train.py脚本模型构建与训练model/lstm_predict.py脚本加载模型做预测model/model_evalute.py脚本评估指标计算MSE/MAE/RMSEmodel/lstm_choose_parameter.py脚本参数搜索/网格调参model/data_preprocess.py脚本数据清洗、归一化、序列化model/plot_graph.py脚本绘图parameter.xlsx配置超参数表改这里比改代码方便requirements.txt依赖Python 包版本清单从数据流看整条链路是get_data抓数 →data_preprocess清洗归一化 →lstm_train训练并保存.h5→model_evalute算指标 →lstm_predict预测 →plot_graph出图。run.py把这几个环节串起来所以理解run.py的调用顺序等于理解了整个项目。2.2 环境准备与依赖安装这份代码基于 Keras TensorFlow 后端属于比较经典的写法。建议单独建虚拟环境避免和你机器上已有的 TensorFlow 版本打架。# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv lstm_env # 激活Windows lstm_env\Scripts\activate # 激活macOS/Linux source lstm_env/bin/activate # 安装依赖 pip install -r requirements.txtrequirements.txt里通常锁定了tensorflow、keras、pandas、numpy、matplotlib、scikit-learn、openpyxl这几个包。这里有个血泪经验TensorFlow 2.x 和旧版 Keras 的 API 有差异如果lstm_train.py里用的是from keras.models import Sequential这种独立 Keras 写法而你装的是 TF 2.10 以上可能会报ImportError。常见做法是统一改成from tensorflow.keras.models import Sequential或者把 TF 版本降到 2.8 左右。装完先跑一句python -c import tensorflow as tf; print(tf.__version__)确认版本再往下走。2.3 数据格式与预处理逻辑data_preprocess.py是整个项目里最值得细看的一段因为 LSTM 预测效果好不好七成看预处理。这份资源的数据是日频行情字段一般包含日期、开盘、收盘、最高、最低、成交量。预处理做三件事缺失值处理、归一化、滑窗序列化。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler # 1. 读取数据parse_dates 把日期列转成时间索引 df pd.read_csv(data/hs300.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 2. 缺失值行情数据一般用前向填充别用均值填充 df df.fillna(methodffill).dropna() # 3. 归一化MinMax 把价格压到 [0,1]LSTM 对量纲敏感 scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(df[[close]].values) # 4. 滑窗用过去 look_back 天预测下一天 def create_dataset(data, look_back60): x, y [], [] for i in range(len(data) - look_back): x.append(data[i:i look_back, 0]) y.append(data[i look_back, 0]) return np.array(x), np.array(y) x, y create_dataset(scaled, look_back60) # LSTM 输入要求三维[样本数, 时间步, 特征数] x np.reshape(x, (x.shape[0], x.shape[1], 1))逻辑说明look_back60表示用 60 个交易日约三个月的历史收盘价预测下一天这个值直接决定输入张量的时间步维度。归一化必须用fit_transform在训练集上拟合预测时要复用同一个scaler做inverse_transform否则预测出来的价格量纲是错的——这是新手最容易翻车的地方。reshape那一步不能省Keras 的 LSTM 层只接受三维输入二维会直接报维度错误。参数上feature_range一般保持(0,1)如果你发现预测曲线整体偏移先检查是不是归一化和反归一化用了两个不同的 scaler 实例。3. 训练、评估与预测把 run.py 跑通3.1 模型结构与超参数配置lstm_train.py里搭的是一个典型的单层或双层 LSTM 结构配合 Dropout 防过拟合最后接 Dense 输出一个标量。parameter.xlsx里放的就是这些超参数改表比改代码安全。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential() # 第一层 LSTMunits 是隐藏单元数input_shape 对应 (时间步, 特征数) model.add(LSTM(units50, return_sequencesTrue, input_shape(x.shape[1], 1))) model.add(Dropout(0.2)) # 第二层 LSTMreturn_sequencesFalse 表示只输出最后一步 model.add(LSTM(units50, return_sequencesFalse)) model.add(Dropout(0.2)) # 全连接输出预测值 model.add(Dense(units1)) model.compile(optimizeradam, lossmean_squared_error) model.fit(x, y, epochs50, batch_size32, validation_split0.1) model.save(hs300.h5)参数说明units50是隐藏层维度太小欠拟合、太大过拟合且训练慢50~128 是常见区间return_sequencesTrue只在还有下一层 LSTM 时才需要最后一层 LSTM 必须设 False否则维度对不上Dropout(0.2)随机丢弃 20% 神经元金融序列噪声大这个值别超过 0.3epochs50、batch_size32是保守配置validation_split0.1留 10% 做验证。optimizeradam基本是默认选择学习率不用手动设。训练完model.save(hs300.h5)保存的是结构和权重后面lstm_predict.py直接load_model就能用。3.2 评估指标与预测出图model_evalute.py算的是回归任务的标准三件套MSE、RMSE、MAE。这三个指标都建立在反归一化之后的真实价格尺度上如果直接在归一化数据上算数值会小得离谱没有参考意义。from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np # 预测并反归一化 pred model.predict(x_test) pred scaler.inverse_transform(pred) # 关键反归一化 true scaler.inverse_transform(y_test.reshape(-1, 1)) mse mean_squared_error(true, pred) rmse np.sqrt(mse) mae mean_absolute_error(true, pred) print(fMSE{mse:.4f}, RMSE{rmse:.4f}, MAE{mae:.4f})逻辑说明inverse_transform必须用训练阶段那个 scaler不能重新 fit。RMSE 和 MAE 的单位和股价一致看的时候直接和股价波动幅度对比——如果 RMSE 是 50而股价日均波动才 20说明模型基本没学到东西。plot_graph.py用 matplotlib 把true和pred两条曲线画在一张图上hs300.png就是这么来的。看图的技巧别只看整体趋势吻合重点看拐点处预测是否滞后LSTM 在趋势反转点普遍滞后 1~2 天这是模型特性不是 bug。3.3 换自己的数据跑一遍想验证这套代码能不能用在你手头的标的上最直接的办法是换 CSV。步骤是准备一份带date和close两列的 CSV放到data/下改run.py或data_preprocess.py里的文件路径重新跑训练。# 假设你把新数据存成 data/my_stock.csv # 修改 data_preprocess.py 中的读取路径后执行 python run.py注意几点新数据的日期要连续、按升序排列中间停牌造成的空缺用前向填充补上样本量至少 500 个交易日以上否则 LSTM 参数根本训不起来如果你的标的价格量级和沪深300 差很多比如几块钱的股票 vs 几千点的指数归一化会自动处理不用手动缩放。跑完对比my_stock.png和hs300.png如果新标的的 RMSE 明显更大多半是数据噪声或样本太短不是代码问题。4. 避坑与常见问题排查4.1 预测曲线是一条直线现象出图后预测值几乎不动像一条水平线。原因归一化后模型输出趋近均值或者学习率/训练轮数不够模型没收敛。解决先确认epochs是否够至少 50再看 loss 曲线是否还在下降如果 loss 早早平了把units调大或加一层 LSTM还有一种情况是look_back太小比如设成 5模型看不到足够历史改成 30~60 再试。4.2 反归一化后数值离谱现象预测价格是几万或负数和真实股价完全对不上。原因预测时用了新的MinMaxScaler实例或者inverse_transform的输入形状不对。解决确保训练和预测共用同一个 scaler 对象最稳妥的做法是把 scaler 用joblib.dump存下来预测时load回来inverse_transform要求输入是二维(n,1)一维数组要先reshape(-1,1)。4.3 加载 .h5 模型报错现象load_model(hs300.h5)抛ValueError或Unknown layer。原因保存模型和加载模型的 Keras/TF 版本不一致或者自定义层没注册。解决训练和预测用同一个虚拟环境如果跨版本重新训练保存一次比折腾兼容性更快。这份资源里的.h5是配套的直接用同环境加载一般没问题。4.4 中文路径或编码报错现象读 CSV 时报UnicodeDecodeError。原因Windows 下 CSV 可能是 GBK 编码而 pandas 默认 UTF-8。解决pd.read_csv(path, encodinggbk)或者用编辑器把文件另存为 UTF-8。路径里尽量别带中文和空格这是省事的做法。4.5 训练 loss 不下降现象跑了几十个 epochloss 一直在高位震荡。原因数据没归一化、学习率过大、或者输入特征本身没有可学习模式。解决先确认scaled数据在 [0,1] 区间把optimizer换成Adam(learning_rate0.001)显式指定如果换了几组参数都不行大概率是这个标的的价格序列本身接近随机游走LSTM 学不到东西这时候该接受现实而不是继续调参。5. 进阶用 parameter.xlsx 做网格调参把项目跑通只是第一步真正拉开差距的是调参。这份资源里lstm_choose_parameter.py和parameter.xlsx就是为这个准备的。我的习惯是把关键超参数列成一张表用循环批量跑记录每组参数对应的 RMSE最后挑最优组合。下面是一个可复用的网格搜索骨架。import pandas as pd from itertools import product # 定义搜索空间 look_backs [30, 60, 90] units_list [50, 100] epochs_list [50, 100] results [] for lb, units, ep in product(look_backs, units_list, epochs_list): x, y create_dataset(scaled, look_backlb) x np.reshape(x, (x.shape[0], x.shape[1], 1)) model build_lstm(units) # 封装好的建模型函数 model.fit(x, y, epochsep, batch_size32, verbose0) pred model.predict(x) pred scaler.inverse_transform(pred) true scaler.inverse_transform(y.reshape(-1, 1)) rmse np.sqrt(mean_squared_error(true, pred)) results.append({look_back: lb, units: units, epochs: ep, rmse: rmse}) df pd.DataFrame(results).sort_values(rmse) df.to_excel(parameter.xlsx, indexFalse) print(df.head())逻辑说明product做笛卡尔积把三组参数的所有组合跑一遍verbose0关掉每轮输出不然日志刷屏结果写回parameter.xlsx并按 RMSE 升序排第一行就是当前搜索空间里的最优组合。参数选择上look_back影响最大它决定模型能看多长的历史金融序列一般 20~60 比较合理太长会引入过多噪声units和epochs次之。要注意的是网格搜索出来的最优 RMSE 是在训练集上算的有过拟合风险严谨做法是留一段样本外数据做最终验证——我一般会把最后 20% 的数据完全隔离调参全程不碰最后只用它跑一次。还有个容易被忽略的点股票预测里单看 RMSE 会骗人。如果模型永远预测明天等于今天在平稳行情下 RMSE 也会很低但毫无交易价值。所以除了 RMSE我还会看预测值和真实值的涨跌方向一致率这个指标更接近实战。从那以后我每次调完参都强制把方向一致率也打出来光看误差指标就下结论翻车过不止一次。希望这份拆解能帮你少走点弯路把这份资源真正用起来。本文还有配套的精品资源点击获取