简介：这份资源围绕股票价格分析与预测，演示如何用机器学习完成从数据清洗、特征构造到模型训练与评估的完整流程，适合具备一定Python基础、希望系统入门金融机器学习的开发者。压缩包体积仅45KB，共包含2个文件：一个可直接运行的Python实践脚本与一份依赖清单文本，前者承载建模主流程，后者标明运行环境所需组件。资源已被441人学习，属于小而精的实操案例。内容涉及数据预处理中的缺失值与异常值处理、标准化归一化及时间序列的移动平均/差分去趋势，特征工程涵盖MACD、RSI等技术指标构造，模型层面覆盖线性回归、决策树、随机森林、支持向量机与LSTM/GRU等算法，并给出训练/测试集划分、k折交叉验证、MSE/RMSE/R^2评估及网格搜索/随机搜索调参思路，便于对照代码理解从数据到预测的每个环节。同时强调政策变化、突发事件等非量化因素对模型的影响，提醒结合专业知识与风控策略使用，帮助读者建立更全面的建模认知。
1. 机器学习算法预测股票价格：先绕过那个最诱人的误区
每隔一段时间，就会有人把「基于机器学习算法的股票市场股票价格的分析及预测」这类项目从网上下载下来，打开压缩包，看到里面的 .ipynb 和 .py 文件，然后问同一个问题：这个能让我赚钱吗？我的回答通常泼冷水——如果这个包能稳定赚钱，作者不会把它传成压缩包。但它依然值得做，而且是个极其适合练手机器学习全流程的方向。因为股票数据的分析预测绕不开一整套真实的工作链：数据清洗、特征构造、模型选型、回测验证。这套链路的通用性极强，做完一次，你会真正理解什么是过拟合、什么是数据泄漏、为什么测试集的准确率是假的。这篇文章适合两类人：一是准备做课程设计或毕业设计，需要一个能讲清楚原理和代码的项目；二是刚入门机器学习，想找一个结构化程度高、数据免费可得的数据集来练手。目标很具体：让你把压缩包里的东西拆开、理解、改造，最终跑出一版属于自己的预测流程。
2. 股票数据预测的底层逻辑：先搞清你预测的到底是什么
2.1 预测目标不是涨跌，而是价格区间和概率
很多人拿到股票数据后第一件事就是跑回归，试图直接预测明天的收盘价。这个思路不是不对，但落地时会有个很尴尬的问题：价格预测的误差评估非常反直觉。今天股价是 10 块，模型预测明天是 10.05，误差 0.5%，看起来挺准。但股价的绝对数值包含了公司基本面、市场情绪、板块轮动等多种因素，而这些因素大多数不在你的特征矩阵里。你用一个只包含历史价格和成交量的模型去预测绝对价格，本质上是在用一个残缺的信息集预测一个完整信息集决定的结果，误差小是运气，误差大是常态。
我一般会在项目的第一步把预测目标改掉：不直接回归收盘价，而是构造一个二分类或三分类目标。比如「明日收盘价相对今日收盘价的涨跌幅是否超过 0.5%」，或者「未来 5 日最高价是否突破某个阈值」。这样做有两个好处。第一，分类问题的评估指标（准确率、F1、混淆矩阵）在汇报时远比回归的 MSE 好解释；第二，分类目标天然平滑了价格数值的噪声，模型更容易学到稳定的模式。如果你保留回归任务，也建议把预测目标从「绝对价格」换成「收益率」或者「对数收益率」，这两个序列的统计特性更平稳，也更适合作为机器学习的输入。
2.2 特征工程是决定模型上限的隐性环节
这个项目的特征工程，比选哪个模型更值得花时间。我见过太多人直接把「开盘价、收盘价、最高价、最低价、成交量」五列原始数据喂进随机森林，然后抱怨准确率上不去。这不是模型的问题，是特征里没有信息增量。常见做法是构造三类特征。
第一类是技术指标类，用 pandas 的 rolling 窗口计算。均线 MA5、MA10、MA20 反映趋势，RSI 反映超买超卖，MACD 的 DIF 和 DEA 反映动量变化，布林带的上中下轨反映波动区间。第二类是时序滞后类，把昨日的收盘价、今日的开盘价、过去 N 日的收益率均值作为特征。这类特征能让模型感知到「最近发生了什么」，而不仅仅是「当前是什么状态」。第三类是交叉特征，比如成交量与价格同时放大的信号、收盘价在布林带中的相对位置。这类特征量少但往往最关键。
需要注意的是，特征构造有个容易翻车的点：窗口计算时的边界填充。pandas 的 rolling 函数默认在窗口不足时产生 NaN，很多人直接 dropna() 删掉，导致早期样本全部消失。我建议用 min_periods 参数控制最小窗口数，比如df['MA10'] = df['close'].rolling(window=10, min_periods=5).mean()。这样前 4 行用不满 10 日的数据先算出一个弱化的均值，不至于直接砍掉一段样本。
3. 数据获取与预处理：拿到干净可用的股票数据
3.1 免费数据源的选择与取舍
写这类项目最常用的数据源是 yfinance（Yahoo Finance 的 Python 接口）和 Tushare。如果面向国内用户做课程设计，Tushare 更友好；如果追求零配置、跨平台，yfinance 更方便。我一般推荐一个混合方案：先用 yfinance 快速验证流程，再用 Tushare 拉 A 股数据做正式实验。原因是 yfinance 偶尔会出现数据缺失或停牌日处理不规范的情况，而 Tushare 的 A 股日线数据质量更稳定，但需要注册 token。
下面是一个用 yfinance 拉取数据的基准代码：
import yfinance as yf import pandas as pd # 拉取某只股票近两年的日线数据 df = yf.download( "600519.SS", # 贵州茅台，A股后缀 .SS start="2022-01-01", end="2024-01-01", auto_adjust=True # 自动复权，避免除权跳空影响 ) # 只保留需要的列，并重命名 df = df[["Open", "High", "Low", "Close", "Volume"]].copy() df.columns = ["open", "high", "low", "close", "volume"] # 检查缺失值比例 print(f"缺失值数量: {df.isnull().sum().sum()}") print(f"数据量: {len(df)} 行")yfinance 的auto_adjust=True参数值得专门说明。股票在除权除息日会产生价格跳空，如果不做复权处理，模型会把这种「假价格变化」当成真实信号，导致训练出的模型在实盘时频繁误判。auto_adjust会自动按复权因子修正历史价格，保证价格序列连续。这个开关一定要打开。
3.2 训练集与测试集的分割：不能用随机打乱
股票数据是有时间顺序的序列数据，分割时必须遵循时间顺序，绝不能像图像分类那样用train_test_split随机打乱。否则模型会看到未来的数据，测试集的准确率会虚高到让你误以为发现了圣杯。这是一个项目中最隐蔽但也最常见的错误。
推荐的划分方式是按时间切片：
# 按时间顺序分割：前 80% 训练，后 20% 测试 split_idx = int(len(df) * 0.8) train_df = df.iloc[:split_idx].copy() test_df = df.iloc[split_idx:].copy() # 特征列与标签列 feature_cols = ["open", "high", "low", "volume", "ma5", "ma10", "rsi", "momentum"] X_train = train_df[feature_cols].values y_train = train_df["target"].values X_test = test_df[feature_cols].values y_test = test_df["target"].values这里有个容易被忽略的坑：特征列中的均线、RSI 等指标是用整个数据集的滚动窗口算出来的。如果在分割数据集之后再计算特征，那么训练集前 N 行的均线值其实用到了测试集的数据，这属于特征泄漏，比标签泄漏更隐蔽。我一般会把「构造特征」这个步骤放在分割之前完成，但只在训练集上计算 rolling 均值，测试集的特征用训练集的统计量来填充。更严格的做法是分两段独立计算特征，先用前 80% 的数据算出一个基准窗口，再让测试集的特征从训练集末尾延续过来。
4. 算法选型与训练：从「十大机器学习算法」里挑适合股票预测的
4.1 先做算法横向对比：用一个小实验定方向
如果你在搜索引擎里搜「机器学习算法 股票价格预测」，会看到各种帖子把十大机器学习算法列了一遍，从线性回归到朴素贝叶斯，仿佛每个都能用。但实际上，经过我的反复测试，真正在股票这类带噪声、非平稳、弱信号的数据上表现稳定的，通常集中在三类模型里：集成树模型（XGBoost/LightGBM 或随机森林）、线性模型（逻辑回归用于分类目标）、以及长短期记忆网络 LSTM。支持向量机在小样本上表现尚可，但在金融时序上调整核函数的收益很低，性价比不如树模型。
我不建议上来就选 LSTM。原因很实际：LSTM 对数据量要求高、训练慢、调参维度多，课程设计的展示周期内很难调到理想状态。更务实的路线是先用随机森林或 XGBoost 跑出一个基线结果，如果效果不够再考虑 LSTM。下面用 scikit-learn 的随机森林配合简单网格搜索做演示：
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV from sklearn.metrics import accuracy_score # 定义模型与候选参数 model = RandomForestClassifier(random_state=42, class_weight="balanced") param_grid = { "n_estimators": [100, 200], "max_depth": [3, 5, 7], "min_samples_leaf": [5, 10] } grid = GridSearchCV( model, param_grid, scoring="f1", # 用 F1 而不是准确率，因为涨跌样本通常不平衡 cv=5, n_jobs=-1 ) grid.fit(X_train, y_train) best_model = grid.best_estimator_ y_pred = best_model.predict(X_test) print(f"最优参数: {grid.best_params_}") print(f"测试集 F1: {accuracy_score(y_test, y_pred):.4f}")用class_weight="balanced"是处理股票预测不平衡问题的关键参数。多数股票在多数交易日里涨跌幅都在 ±0.5% 以内，如果按涨/跌二分类，正负样本基本接近五五开，但如果按「大涨/大跌/震荡」三分类，震荡类经常占 70% 以上。不平衡样本下如果直接用准确率做网格搜索的评分，模型会倾向把所有样本都预测成多数类，F1 能更真实反映少数类的识别能力。
4.2 时间序列交叉验证：网格搜索里的隐藏漏洞
上面的代码里有个隐藏问题：GridSearchCV默认使用 KFold 交叉验证，会随机打乱样本，这在时序数据上是错的。随机打乱意味着每折训练集中都混入了未来数据，验证分数会被抬高。正确做法是使用TimeSeriesSplit：
from sklearn.model_selection import TimeSeriesSplit # 用时间序列交叉验证替代默认 KFold tscv = TimeSeriesSplit(n_splits=5) grid = GridSearchCV( model, param_grid, scoring="f1", cv=tscv, n_jobs=-1 )TimeSeriesSplit的机制是：第一折用前 20% 训练、后 20% 验证；第二折用前 40% 训练、后 20% 验证，依此类推。这样每一折都严格保证训练数据在时间上先于验证数据。这种验证方式下的分数通常会比随机 KFold 低几个百分点，但更接近真实表现。如果你在汇报时只说「准确率 80%」而没说清楚验证方式，内行一听就知道是随机分割的虚高结果。
4.3 让 LSTM 作为进阶方案：什么时候值得换
如果树模型已经能在测试集上拿到稳定高于阈值的 F1，我通常不推荐再上 LSTM。但如果你的数据量超过两三年日线数据，且希望捕捉更复杂的时序依赖，LSTM 可以作为对比模型写进报告。下面是一个用 Keras 实现的最简结构：
import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout # 构造 3D 输入：样本数, 时间步长, 特征数 def make_sequences(X, y, seq_len=10): X_seq, y_seq = [], [] for i in range(seq_len, len(X)): X_seq.append(X[i - seq_len:i]) y_seq.append(y[i]) return np.array(X_seq), np.array(y_seq) # 需要先对特征做标准化，否则 LSTM 收敛很慢 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) X_train_seq, y_train_seq = make_sequences(X_train_scaled, y_train, seq_len=10) X_test_seq, y_test_seq = make_sequences(X_test_scaled, y_test, seq_len=10) model = Sequential() model.add(LSTM(64, return_sequences=True, input_shape=(10, X_train.shape[1]))) model.add(Dropout(0.3)) model.add(LSTM(32, return_sequences=False)) model.add(Dense(1, activation="sigmoid")) model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"]) model.fit( X_train_seq, y_train_seq, epochs=20, batch_size=32, validation_data=(X_test_seq, y_test_seq) )LSTM 有几个必调的参数：seq_len是时间窗口长度，我试过 5、10、20，日线数据上 10 天窗口最常见；return_sequences=True是为了堆叠第二层 LSTM，单层时可删除；Dropout层必须加，否则训练几轮后损失下降很快但验证集不降，这是典型的时序过拟合。这里的StandardScaler必须只 fit 训练集，不能对整个数据集标准化后再切分，否则又是数据泄漏。
5. 股票预测项目的避坑指南：回测里最常见的 5 个翻车现场
5.1 未来函数泄漏：正确率 95% 但是废模型
现象：用随机森林训练后，测试集准确率高达 95%，怎么看都不对劲。检查特征和标签后发现问题出在「当日收盘价」同时出现在特征和标签里。如果目标变量包含当日收盘价，而特征矩阵也包含当日收盘价，模型实际上是在读答案。
原因：构造特征时把目标日期的已知信息误当作特征输入了。最常见的是用 T 日的 close 预测 T 日的涨跌，但 close 本身就是涨跌的结果。
解决：把特征统一前移。典型做法是用 T 日及之前的数据构造特征，预测 T+1 日的标签。即在代码里执行y = df["target"].shift(-1)，然后丢弃最后一行。这个shift(-1)是股票预测项目里最重要的数据操作之一。
5.2 紧贴训练集的测试集：模型的记忆性幻觉
现象：测试集紧挨着训练集的最后一天，测试集前几天的预测准确率明显高于测试集后半段。整体指标还行，但越往后越差。
原因：树模型记住了训练集末尾的模式，测试集初期与训练集尾部模式相似，因而得分虚高。时间序列交叉验证下这个问题会被放大，因为每一折的训练集都覆盖到验证集的前一天。
解决：训练集和测试集之间强制留出隔离带，比如空出 10 个交易日不用于训练也不用于验证。这 10 天的数据相当于模型从未见过的过渡期，能有效检验模型的泛化能力，而不是短期记忆。
5.3 技术指标参数不同导致数据不一致
现象：把数据从日线改为周线后，模型表现骤降，但训练代码完全没动。
原因：MA5、RSI 这些指标的窗口参数是按天数设定的，改成周线后 MA5 等于 5 周均线，含义完全变了。而股票数据缩采样后样本量也缩小数倍，模型训练不充分。
解决：数据频率改变后必须同步调整特征参数，同时重新做网格搜索。这个坑不深但容易忘，层数多了以后很难排查。
5.4 用未来数据填充缺失值
现象：数据集里某只股票停牌两天，用fillna(method="ffill")填充后没有报错，但最后预测结果漂移严重。
原因：前向填充在前场数据缺失时是合理的，但如果在切分之后才做填充，填充值可能用到测试集的信息。更隐蔽的是用interpolate()线性插值，插值结果同时参考了前后两个方向的数据。
解决：缺失值填充必须在数据集切分之前完成，并且记录填充规则。停牌日的数据不能凭空造，最简单可靠的方案是直接删除停牌日行，只在连续交易日的序列上做特征计算。
5.5 模型调参只盯训练集准确率
现象：手动调整随机森林的max_depth从 3 调到 10，训练集准确率从 60% 涨到 90%，于是认为模型变好了，但测试集分数反而下降。
原因：这是标准的过拟合路径。max_depth增加时，模型从「学习模式」变成了「背数据」，训练集上的提升是背诵能力的体现，不是预测能力的提升。
解决：每次调参后同时打印训练集分数和测试集分数，观察两者的差距。当训练集提升而测试集停滞时，立即停止增加复杂度。我在做这类项目时习惯把max_depth控制在 3 到 7 之间，min_samples_leaf不小于 5，这两个参数是控制随机森林过拟合最有效的旋钮。
6. 把预测结果落地成一个可用的信号：用序列收益曲线验证策略
预测模型跑完不是终点。如果你要拿这个项目去答辩或写报告，最有力的交付物不是准确率数字，而是一张累计收益曲线。做法很简单：把模型预测结果视为交易信号，预测「涨」就持币买入，预测「跌」就空仓。然后计算按此信号交易后的资金曲线，与「买入持有」策略对比。
# 生成交易信号：预测涨则持有，否则空仓 test_df["signal"] = y_pred test_df["daily_return"] = test_df["close"].pct_change() test_df["strategy_return"] = test_df["daily_return"] * test_df["signal"] # 累计收益 test_df["strategy_cum"] = (1 + test_df["strategy_return"]).cumprod() test_df["benchmark_cum"] = (1 + test_df["daily_return"]).cumprod() # 计算年化收益与最大回撤 def max_drawdown(series): return (series / series.cummax() - 1).min() strategy_annual = test_df["strategy_cum"].iloc[-1] ** (252 / len(test_df)) - 1 benchmark_annual = test_df["benchmark_cum"].iloc[-1] ** (252 / len(test_df)) - 1 print(f"策略年化收益: {strategy_annual:.2%}") print(f"买入持有年化收益: {benchmark_annual:.2%}") print(f"策略最大回撤: {max_drawdown(test_df['strategy_cum']):.2%}")这段代码的输出有两个关键观察角度。第一，策略年化收益不一定高于买入持有，能高于就已经很好了，因为股票整体是上涨的，空仓本身就会跑输。第二，最大回撤比年化收益更能说明模型的实际价值。机器学习模型在这类任务中的真正贡献不是每次都预测对，而是在市场剧烈下跌时给出正确的不交易信号，从而压低回撤。我在复盘这类项目时的最深刻感受是：用机器学习做股票分析，最大的实际收获不是赚钱策略，而是建立了一套「永远区分训练表现和真实表现」的评估习惯。如果回测指标没有把交易成本、滑点和印花税算进去，那再漂亮的曲线也只是纸面富贵。加一个固定的每日交易成本，比如单边 0.1%，你的曲线会立刻诚实很多。这也正是这类压缩包项目的价值所在——它逼迫你去面对很多远比模型本身更影响结果的东西，希望这些经验能帮你在自己的项目里少走几步弯路，少交一点学费。
本文还有配套的精品资源，点击获取
