tushare+TensorFlow实战：LSTM股票开盘价预测全流程解析

简介：一份面向金融时序预测学习者的完整示例，整合tushare数据接口与TensorFlow 2.0，以贵州茅台历史行情为样本，实现RNN和LSTM对开盘价的预测。资源包含数据获取、预处理、建模、训练与评估全流程代码。压缩包共5个文件：3个Python脚本（tushare数据下载脚本、RNN训练脚本、LSTM训练脚本）、1个CSV格式的茅台历史数据文件（SH600519.csv）和1个README说明文档，整体大小56KB，结构清晰便于对照学习。已有1912人学习下载，适合正在入门深度学习时序预测、或希望用真实金融数据演练TensorFlow 2.0模型的开发者参考。通过这份代码，可以快速理解日期编码与开盘价归一化的处理方式，掌握构建循环层、设置损失函数和优化器的关键步骤；同时，README与脚本注释提供了tushare接口调用和RNN/LSTM单元选择的思路，方便在此基础上扩展其他股票或预测目标。

1. 股票开盘价预测为什么选 tushare + TensorFlow 2.0 这套组合

股票开盘价预测，是时序预测里最常被拿出来验证 RNN 和 LSTM 的“标准练习”，也是新手最容易跑出个曲线、却说不清模型到底有没有用的场景。这篇笔记的路径很直接：用 tushare 拉贵州茅台的日线行情，按交易日顺序把数据切成带时间窗口的序列样本，再用 TensorFlow 2.0 分别实现一个 SimpleRNN 和一个 LSTM，预测“下一个交易日开盘价”，最后把验证方法、结果对比、常见翻车点一次性讲透。它能解决的是“网上代码一堆，但没有一份能从头到尾跑通”的困境。适合正在做毕设、刚入门时序预测、以及想在正式上量化之前先用一张真实股票表评估 RNN/LSTM 能力边界的人。

2. 用 tushare 拉贵州茅台日线数据：token 配置、数据清洗与节奏控制

预测开盘价的第一步不是建模，而是先把数据拿对、存好、看清字段。tushare 的 pro 接口是目前国内散户和研究者拿 A 股日线最顺手的通道，贵州茅台的代码是600519.SH，调用一次就能拿到上市以来的日线。这里我会把从 token 配置到数据落盘、检查缺失的完整流程写出来，顺手说明几个不写就会踩坑的细节。

2.1 注册 token 与首次调用

tushare pro 与老版本不同，所有接口都需要先持有 token。你在 tushare 网站注册后，在个人主页能看到一串 token 字符串，把它填到下面的代码里。注意 token 是账号维度的权限标识，积分不够时部分接口只能访问最近一段时间的数据，这点我们在 2.3 里再展开。

import tushare as ts import pandas as pd TOKEN = "你的token字符串" ts.set_token(TOKEN) pro = ts.pro_api() df = pro.daily( ts_code="600519.SH", start_date="20150101", end_date="20231231" ) df = df.sort_values("trade_date").reset_index(drop=True) print(df.head())

说明两点。ts.set_token()是全局生效的，之后每次ts.pro_api()都会带上该 token；pro.daily()返回的字段包括ts_code、trade_date、open、high、low、close、pre_close、change、pct_chg、vol、amount。trade_date是形如20230101的字符串，必须手动按它排序，因为 tushare 不同接口返回顺序并不一致，不排序会导致后面的滑窗样本错位。排序后重设索引，是为了让 DataFrame 的行与时间顺序严格对应。

从 2015 年到 2023 年，贵州茅台大概有两千个交易日左右。这个量级对于单变量序列模型偏少，但做一次完整的流程验证完全够用。如果你拿到的数据行数明显比预期少很多，先不要怀疑代码，去看 tushare 官网的积分文档，大概率是权限不足。

2.2 把日线数据落成本地 CSV

数据拉下来之后，第一时间落盘。这样后续调模型不必反复请求接口，也避免了在实验过程中因为网络波动或限流导致数据丢失。

df.to_csv("gzmoutai_daily.csv", index=False) df_check = pd.read_csv("gzmoutai_daily.csv") print(df_check.shape) print(df_check.dtypes)

index=False是关键，不要把手动生成的RangeIndex写进 CSV，否则后面读回来会多一列无意义索引。读回后建议打印shape和dtypes：trade_date应为object，数值列应为float64。如果你看到amount是整型或trade_date混入了时间格式，就先在这里修好，不要拖到建模阶段。

实际项目里我会再检查一遍股票代码是否对：600519.SH中的.SH表示上交所，A 股代码与交易所错配是 tushare 新手最高频的报错来源之一。拿到的数据如果只有 K 线没有成交量，后面第 3 章的多特征方案就做不了，所以落盘时至少确认vol和amount两列非空。

2.3 数据检查与缺失处理

日线数据最常见的“缺失”不是 NaN，而是停牌导致的交易日空缺。茅台的流动性极好，极少停牌，但遇到重大事项停牌时，那一周在 DataFrame 里就是整行消失，而不是 NaN。这种缺失不要用fillna去补，补出来的价格没有真实交易含义，反而会污染滑窗样本。

df["trade_date"] = pd.to_datetime(df["trade_date"]) df = df[df["close"].notna()].reset_index(drop=True) print(df.isnull().sum()) print(df.groupby(df["trade_date"].dt.year).size())

这里把trade_date转成datetime是为了后续画图、对齐日期时方便。notna()过滤仅用于处理极少数字段缺失，但注意：如果你发现某一行close缺失而open有值，这行数据就应整行删除，因为滑窗样本要求每行特征完整。按年份统计样本数可以快速发现某个年份是否异常少，比如某一年只有几十条，就要回到 tushare 检查是不是权限只开放了部分区间。

提示：日线数据只按交易日排列，不要用pd.date_range()按自然日补全周末和节假日。RNN/LSTM 的输入序列代表“相邻交易日之间”的关系，春节、国庆造成的间隔不需要用日期填充来模拟。

做完这一步，手里就是一份干净的、按时间升序排列的贵州茅台日线表。下一步把它变成模型能吃的序列。

3. 把历史行情变成 RNN / LSTM 能学的序列样本

模型不认 DataFrame，只认张量。把历史行情喂给 TensorFlow 之前，必须完成两件事：确定特征集合，以及把“过去的 10 个交易日的多个特征”与“下一日开盘价”组成监督学习样本。这章写的每一步错了，后面模型再漂亮都白搭。

3.1 特征选择：预测开盘价看哪些字段

预测 T 日开盘价，输入只能用 T 日之前已知的信息。也就是说，T 日的high、low、close、vol、amount都不能进特征，因为它们在开盘之后才发生。很多入门代码把当日全部字段一股脑塞进去，训练时 loss 极低，一实盘就完蛋，因为那是用未来预测当下。

我一般保留以下字段作为特征：

目标是open列在 T 日的值。这样构造出的每个样本，输入窗口的最后一根 K 线一定是 T-1 日，而预测目标是 T 日，不存在时间穿越。

vol和amount有时候被新手忽略，但贵州茅台这类高价股的日内波动与成交量、成交额相关性明显，加上它们能让模型多一个判断流动性的维度。不要只拿open一个序列做“单变量预测自己”，那样模型很容易退化成“上一个值复制”。

3.2 归一化：为什么不能直接喂原始价格

贵州茅台的价格在几百到两千多元之间波动，成交量从几万手到几十万手，量纲差异巨大。直接把原始数值喂给 LSTM，梯度很容易被大数值特征主导，出现 loss 不降或 NaN。归一化不是可选步骤，是必须步骤。

用sklearn.preprocessing.MinMaxScaler把特征压缩到 [0,1] 区间。这里有一个绝对不要踩的坑：必须先按时间切分训练集/验证集/测试集，再对训练集做fit_transform，对验证集和测试集只做transform。如果先对全量数据统一 fit 再做切分，等价于让模型在训练时就“偷看”了测试阶段的价格区间和分布，测试集评估就失去意义。

from sklearn.preprocessing import MinMaxScaler import numpy as np feature_cols = ["open", "high", "low", "close", "vol", "amount"] target_col = "open" features = df[feature_cols].values.astype(np.float32) target = df[target_col].values.astype(np.float32) # 按时间顺序切分：70% 训练，15% 验证，15% 测试 train_end = int(len(features) * 0.70) val_end = int(len(features) * 0.85) train_feat = features[:train_end] val_feat = features[train_end:val_end] test_feat = features[val_end:] train_tar = target[:train_end] val_tar = target[train_end:val_end] test_tar = target[val_end:] scaler_x = MinMaxScaler() scaler_y = MinMaxScaler() train_feat_scaled = scaler_x.fit_transform(train_feat) val_feat_scaled = scaler_x.transform(val_feat) test_feat_scaled = scaler_x.transform(test_feat) train_tar_scaled = scaler_y.fit_transform(train_tar.reshape(-1, 1)).ravel() val_tar_scaled = scaler_y.transform(val_tar.reshape(-1, 1)).ravel() test_tar_scaled = scaler_y.transform(test_tar.reshape(-1, 1)).ravel()

train_tar.reshape(-1, 1)必须做，MinMaxScaler要求输入是二维。ravel()则是把预测目标还原成一维数组，方便后面喂给model.fit。验证集和测试集的目标值也用训练集拟合出的scaler_y做变换，这里只 transform，不重新 fit，否则预测结果与训练目标不在同一尺度上，逆变换会出错。

注意：测试集的价格一旦超出训练集的最高价，transform后会出现大于 1 的值，这是正常现象。它说明测试段出现了训练期内没见过的价格位置，模型被迫外推，这正是金融时序最难的部分，后面第 5 章会专门讲这个坑。

3.3 滑动窗口构造监督学习样本

RNN/LSTM 的输入形状是(样本数, 时间步长, 特征数)。时间步长就是窗口大小window，我默认取 10，代表用最近 10 个交易日的数据预测下一交易日开盘。窗口大小是模型超参数里最值得试的：窗口太短，模型记不住一周以上的形态；窗口太长，样本数量减少，且老数据可能对当前行情不再有参考价值。

def create_sequences(features, target, dates, window=10): X, y, d = [], [], [] for i in range(window, len(features)): X.append(features[i - window:i]) y.append(target[i]) d.append(dates[i]) return np.array(X), np.array(y), d train_dates = df["trade_date"].values[:train_end] val_dates = df["trade_date"].values[train_end:val_end] test_dates = df["trade_date"].values[val_end:] X_train, y_train, d_train = create_sequences(train_feat_scaled, train_tar_scaled, train_dates) X_val, y_val, d_val = create_sequences(val_feat_scaled, val_tar_scaled, val_dates) X_test, y_test, d_test = create_sequences(test_feat_scaled, test_tar_scaled, test_dates) print(X_train.shape, y_train.shape)

create_sequences的循环从window开始，保证每个样本都有完整的 10 行历史特征。features[i - window:i]取的是第i-10到i-1行的数据，target[i]是第i行的开盘价，所以样本的时间边界是干净的：输入截止于 T-1 日，输出是 T 日，没有跨样本信息泄漏。返回的d保存对应预测目标的交易日，后面第 6 章做日期对齐评估时会用到。

如果看到X_train.shape输出为(样本数, 10, 6)就对了。第一个维度是样本数，第二个是窗口长度，第三个是特征维度。如果你的 shape 是二维，说明漏了窗口维度，模型 fit 时会报错。

窗口大小 10 只是起点。实操中我会把 5、10、20 都跑一遍，观察验证集 loss 变化。窗口 20 会让样本数量减少约 10%，但能覆盖一个月内的价格形态，对茅台这种慢牛票未必比 10 差。总之，窗口、特征集、归一化方式三者组合起来就构成“数据处理方案”，每改一个都要重新走一遍训练，别只调模型不调数据。

4. TensorFlow 2.0 实现 RNN 和 LSTM：模型定义、训练与结果对比

数据处理完毕，进入模型部分。TensorFlow 2.0 的 Keras 接口把 RNN 和 LSTM 封装得足够简单，但简单不等于不会翻车。这章给两个可以直接跑的模型：一个SimpleRNN做基线，一个LSTM做主力，然后讲清楚训练参数为什么这么设、失败时看哪个指标。

4.1 SimpleRNN 基线模型

SimpleRNN结构最简单，t 时刻的隐层只依赖当前输入和上一个隐层，没有门控机制。它的问题在于难以捕捉长期依赖，理论上跑茅台这种有长期趋势的序列容易衰减。但正因为它简单，非常适合当基线：如果 LSTM 连 SimpleRNN 都打不过，说明问题大概率出在数据侧而不是模型侧。

import tensorflow as tf def build_rnn(window, n_features): model = tf.keras.Sequential([ tf.keras.layers.SimpleRNN( units=32, activation="tanh", return_sequences=False, input_shape=(window, n_features) ), tf.keras.layers.Dense(1) ]) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss="mse", metrics=["mae"] ) return model model_rnn = build_rnn(X_train.shape[1], X_train.shape[2]) model_rnn.summary()

units=32是隐层维度，对 6 个特征的输入来说 32 是安全的起步值。activation="tanh"是 SimpleRNN 的默认首选，换成 relu 更容易梯度爆炸。return_sequences=False表示只在最后一个时间步输出一个隐状态，因为我们最终只需要一个标量预测值，不需要输出全序列。Dense(1)把隐状态压成开盘价预测。学习率 0.001 是 Adam 的常规默认值，金融序列数据量小，不建议一上来就用 0.01。

model.summary()能帮你确认参数量。一个SimpleRNN(32)，输入维度 6，参数量约(6 + 32) * 32 + 32 = 1248，非常轻量。如果看到参数量是好几万，说明 units 设大了，对小样本数据很容易过拟合。

4.2 LSTM 模型与参数调整

LSTM 引入输入门、遗忘门、输出门，能在更长的时间跨度里保留信息，是处理股票日线这类数据更合理的选择。同样窗口下，LSTM 参数大约是 SimpleRNN 的 4 倍，所以需要一点正则化手段防止过拟合。

def build_lstm(window, n_features): model = tf.keras.Sequential([ tf.keras.layers.LSTM( units=64, return_sequences=False, input_shape=(window, n_features) ), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(16, activation="relu"), tf.keras.layers.Dense(1) ]) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss="mse", metrics=["mae"] ) return model model_lstm = build_lstm(X_train.shape[1], X_train.shape[2])

这里的units=64比 SimpleRNN 的 32 大一倍，因为 LSTM 内部结构更复杂，需要更多容量来拟合波动。Dropout(0.2)作用于 LSTM 输出后的隐状态，随机丢弃部分神经元响应，防止模型把训练集的噪声背下来。Dense(16)加 relu 是一个隐层，给模型一点非线性变换能力，再接Dense(1)输出。如果你的样本量只有一千出头，Dense(16)不是必须的，删掉后模型更稳健，可以对比跑。

训练时我会加EarlyStopping，这是时序小样本里最重要的防过拟合手段。它监控验证集 loss，连续多轮不下降就提前结束训练并恢复到最佳权重。

from tensorflow.keras.callbacks import EarlyStopping early_stop = EarlyStopping( monitor="val_loss", patience=10, restore_best_weights=True ) history = model_lstm.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=60, batch_size=32, callbacks=[early_stop], verbose=1 )

epochs=60是上限，有了patience=10，实际不会傻傻跑满 60。batch_size=32对茅台这个数据量是合适的；样本只有一千多，batch 太大容易让每个 epoch 的参数更新次数太少。restore_best_weights=True是后悔药：训练结束时模型自动回到验证集 loss 最低的那一轮权重，避免 last epoch 已经过拟合的脏模型被保存下来。

训练完先看history.history["val_loss"]是上升还是下降。如果验证 loss 从头到尾都在涨，要么学习率太大，要么数据没归一化，回到第 3 章检查。如果训练 loss 很低、验证 loss 高出一大截，Dropout 还没起作用，把epochs降到 40 或增大patience对应的轮数阈值再试。

4.3 训练后评估：RMSE、方向准确率

训练后不能只看 loss，还要把预测值逆变换回真实价格，用人能看懂的指标评估。

from sklearn.metrics import mean_squared_error, mean_absolute_error def evaluate_model(model, X_test, y_test, scaler_y): y_pred = model.predict(X_test) y_pred_real = scaler_y.inverse_transform(y_pred.reshape(-1, 1)).ravel() y_test_real = scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel() rmse = np.sqrt(mean_squared_error(y_test_real, y_pred_real)) mae = mean_absolute_error(y_test_real, y_pred_real) return y_pred_real, rmse, mae y_pred_rnn, rmse_rnn, mae_rnn = evaluate_model(model_rnn, X_test, y_test, scaler_y) y_pred_lstm, rmse_lstm, mae_lstm = evaluate_model(model_lstm, X_test, y_test, scaler_y) print(f"RNN RMSE={rmse_rnn:.2f} MAE={mae_rnn:.2f}") print(f"LSTM RMSE={rmse_lstm:.2f} MAE={mae_lstm:.2f}")

inverse_transform是必须的。如果直接拿 [0,1] 区间的预测值与真实价格比较，RMSE 会小得离谱，但它没有实际含义。RMSE受大误差样本影响大，MAE反映平均误差水平，两个一起看。对茅台这种单价 2000 元左右的股票，MAE 在 30 元以内算模型学到了基本价格位置；如果 MAE 超过 100 元，基本等同于瞎猜，去看预测曲线多半是整体偏差一个身位。

只看 RMSE/MAE 还不够。开盘价预测的实际意义在于判断“今天开盘比昨天高还是低”，所以要算方向准确率，它的计算方式放在第 6 章，那里才是判断模型是否有用的真正关卡。

5. 避坑：股票时序预测里最容易翻车的 5 个细节

时序预测的坑大多数不在模型，而在数据组织方式。下面 5 个问题是我跑股票数据时踩过的，按“现象 → 原因 → 解决”来写，每一条都值得你在跑通之后回头对照检查一遍。

5.1 归一化放在切分之前，测试集信息提前泄露

现象：训练集 loss 和测试集 loss 都很低，RMSE 好到让人怀疑人生，但拿到真实行情走势里，预测曲线明显偏乐观或偏悲观。

原因：对全量数据先做了MinMaxScaler.fit_transform()，再切分训练/测试。这一步让 scaler 在计算最小值和最大值时，已经把测试集的价格范围纳入了训练数据的归一化尺度。模型在训练阶段的输入分布里就隐含着未来价格的位置，测试集评估自然失真。

解决：严格按“先切分，再 fit_transform 训练集，对验证集和测试集只 transform”的顺序。这个顺序写在第 3 章代码里，实战中要用一个统一的预处理函数封装，避免临时改数据处理时手滑。

5.2 shuffle 打乱顺序，未来数据混进训练集

现象：验证集 loss 一路走低，模型表现得“过于完美”，但把训练好的模型拿到新的一段行情上预测，误差立刻飙升。

原因：用train_test_split()之类的工具对时序样本做了随机划分。时序样本之间存在强时间相关性，随机切分使得训练集里混入了比验证集时间更晚的样本，验证集里也混入了训练集时段内的样本。模型在做预测时，其实已经“见过”同一段行情的不同侧写，评估变成开卷考试。

解决：一律按时间比例切分，并且切分位置要在生成滑窗样本之前确定。代码里用前 70%、中间 15%、最后 15% 的切分方式就是为此设计，禁止对序列样本做随机 shuffle 划分。

5.3 没做前复权，除权日前后出现假跳空

现象：模型在除权除息日附近预测误差突然拉大，比如某一天股价从 2100 “跌”到 1600，模型以为暴跌，下一日开盘价预测也跟随大幅下挫。

原因：股票分红送股会导致价格在除权日被“人为”压低，这个跳空不是市场行为，而是公司财务行为。贵州茅台近年每年都有分红，如果不做复权处理，模型会把除权造成的价格缺口当作真实下跌信号学习。长周期数据里没做前复权的模型，本质上是拿着一个被财务事件污染的价格序列在预测。

解决：使用前复权价格。在拉取数据时用pro_bar接口并指定adj="qfq"，或获取复权因子后自行换算。前复权会让历史价格整体下调，使价格序列在除权点前后连续，模型看到的是一个干净的价格走势。

5.4 只用 loss 判断好坏，模型变成“照抄昨天”的移动复制

现象：测试集 RMSE 很好看，预测曲线与真实曲线高度重合，但仔细观察，预测值比真实值晚一天——今天的预测价约等于昨天的真实开盘价。

原因：开盘价是一个连续变化不剧烈的序列，当窗口内的价格基本稳定时，模型的最优策略是“预测值等于最后一个已知值”，因为这样能让均方误差最小。这是时序回归的固有陷阱，模型没有学会涨跌逻辑，只学会了平移复制，但 loss 指标无法区分这两种情况。

解决：跑一个 naive 基线，直接用“昨天的开盘价作为今天的预测值”，计算它的 RMSE，然后与 RNN/LSTM 的 RMSE 对比。如果模型只比 naive 好一点点，说明模型没有抓住真正的价格变化规律，还需要回到特征和窗口设计去找原因。

5.5 测试集价格超出训练集范围，归一化后出现大于 1 的值

现象：训练正常，测试集预测却出现极端值，比如预测开盘价涨到 3000 元，逆变换后远超训练样本区间。

原因：MinMaxScaler的上下界是训练集里学到的。测试期一旦出现比训练期最高价更高的价格，transform后该值就会超过 1，进入模型从未见过的输入域。模型在边界外只能靠外推，输出不稳定非常正常。

解决：评估时留意X_test的最大值是否大于 1，如果大于 1，说明行情已经脱离训练分布。此时要么扩大训练集覆盖更长周期，要么改用StandardScaler做标准化，后者不会把数值钳制在固定区间，外推时稍微稳健一点。更重要的心态是：预测创新高的价格段，本身就是时序模型最难处理的部分，不要指望模型能准确预判“突破”。

6. 验证模型是否真的可用：滚动回测与方向准确率

这一章的定位是验收。做完模型并得到 RMSE 之后，还需要回答一个问题：这个模型对“开盘价涨跌方向”到底有没有判断力。我将方向准确率定义为：今天开盘价相对昨天开盘价的真正涨跌方向，与模型预测开盘价相对昨天开盘价的方向是否一致。

def direction_accuracy(y_true_real, y_pred_real): y_true_diff = np.diff(y_true_real, prepend=y_true_real[0]) y_pred_diff = np.diff(y_pred_real, prepend=y_true_real[0]) return np.mean(np.sign(y_true_diff) == np.sign(y_pred_diff)) acc_rnn = direction_accuracy( scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel(), y_pred_rnn ) acc_lstm = direction_accuracy( scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel(), y_pred_lstm ) print(f"RNN 方向准确率: {acc_rnn:.2%}") print(f"LSTM 方向准确率: {acc_lstm:.2%}")

算法里用prepend=首日真实值来生成“前一日开盘价”序列，这样第一天的方向差也能参与统计。方向准确率达到 55% 以上，才说明模型的预测有初步参考价值；如果只有 50% 上下，和抛硬币没有区别，那前面跑的模型只能当作习作，不能用来指导交易。

另一个更严格的验证是滚动回测：从测试期第一个样本开始，每次用窗口内真实数据预测次日开盘价，预测完把次日真实值加入窗口，再预测下一天。这和训练时的滑窗策略一致，是模拟真实使用场景最接近的做法。茅台这类日线数据波动较慢，滚动验证能暴露模型在连续多日预测中的误差积累情况。

做这类实验多了，我养成了一个习惯：任何时序预测结果出炉后，第一件事不是画图发朋友圈，而是先跑 naive 基线和方向准确率，这两项不过关，直接回炉查数据处理。股票开盘价预测在模型层面很难玩出花，真正拉开差距的永远是那几件不起眼的琐事：复权、切分、归一化，以及不对未来作弊。希望这个流程能帮你把 RNN/LSTM 这条路走顺。

本文还有配套的精品资源，点击获取