神经网络预测股指全流程：从数据预处理到选股落地

简介：《基于神经网络的股指预测与选股研究》是一份面向金融数据分析、深度学习及量化投资初学者的学术论文PDF，内容聚焦投资组合理论、RBP神经网络补全缺损数据、NARX神经网络构建多步预测模型，以及Markowitz均值-方差模型在选股中的应用，适合需要系统掌握神经网络建模与金融场景结合的读者。压缩包内共1个PDF文件，大小1.83MB，结构紧凑，便于离线阅读。已有119人学习该资源，资料核心价值在于完整呈现从异常值检测（描述性统计、箱型图、Z-score、DBSCAN、孤立森林）到缺失值处理，再到NARX网络三层结构、参数调整与误差修正的推导过程，并给出股指预测均误差在0.092以内的实证结果，可帮助读者理解如何用Python与MATLAB工具箱复现时间序列预测流程，并迁移至自身量化研究或课程设计中。

1. 神经网络预测股指：跑通全流程比选对网络更重要

神经网络做股指预测，网上资料一大半只讲单点原理，要么停在反向传播公式推导，要么贴一个跑不动的demo；真正能把数据、模型、回测串成完整链路的很少。这份《基于神经网络的股指预测与选股研究》PDF恰好是后者，从行情数据预处理讲起，一路走到网络选型、训练评估和选股落地，相当于一份可复现的数据建模指导。适合正在写量化课题、需要照着一套流程复现的研究生，也适合已经写过几个模型但预测结果一到实盘就翻车的从业者。下面按我的拆读路线，把特征构造、网络结构、参数和坑位逐段过一遍。

2. 数据与特征工程：建模前先把时间序列的边界想清楚

金融时序数据有两点和图像、文本截然不同：一是样本之间强顺序相关，打乱即坏；二是原始价格里藏着除权除息产生的人为跳空。这里，数据准备阶段要处理三件事：复权、特征、切分。

2.1 数据形态与复权：为什么很多人第一步就错

很多人在拿到行情接口后直接dropna开训，常见结果是训练集表现不错，换到新数据立刻失灵。第一道坎是数据频率。日线是研究的常规起点；分钟线虽然样本量更大，但噪声更强、交易成本也更难仿真，刚开始就用分钟数据，很容易把回测做成“看起来很赚、实盘无法复现”。先跑通日线，再考虑降频到分钟级。

第二道坎是复权。除权除息日，股票价格会被人为调整，不处理的话，模型会把分红送股当成一次真实大跌或大涨。我习惯统一用后复权价格，让收益率序列连续可算。取数时把复权因子一起留档，后面做组合市值折算时还要倒推回来。

提示：不同行情接口的复权参数差异较大，取数后先抽查几个除权日的价格，确认没有残留跳空，再进入下一步。

2.2 特征构造：滑动窗口、技术指标与标签定义

特征分两层：底层是原始行情，上层是衍生技术指标。技术指标不必堆太多，RSI、MACD、布林带位置、量能均线这几个够起步；特征过多，模型学到的大概率是噪声，训练速度也明显变慢。

import pandas as pd import numpy as np # df 已按日期升序排列，且使用后复权价格 df["ret_1d"] = df["close"].pct_change() df["vol_ma20"] = df["volume"].rolling(20).mean() df["close_ma20"] = df["close"].rolling(20).mean() df["boll_pos"] = (df["close"] - df["close_ma20"]) / df["close"].rolling(20).std() # 金融日线场景里，头部无效区间直接删除比前向填充更稳妥 df = df.ffill().dropna()

pct_change()计算单日收益率，rolling(20)是滑动窗口聚合；boll_pos表示收盘价在布林带内的相对位置，比直接给上下轨数值更便于模型比较。ffill()只是兜底，如果中间有大段停牌导致的缺失，建议按停牌规则单独处理，不要盲目填充。

接下来把连续行情切成监督学习的样本：

feature_cols = ["ret_1d", "vol_ma20", "close_ma20", "boll_pos"] window = 60 # 每个样本包含过去 60 个交易日 horizon = 5 # 预测未来 5 个交易日的走向 samples, labels, timestamps = [], [], [] for i in range(window, len(df) - horizon): samples.append(df[feature_cols].iloc[i-window:i].values) future_ret = df["close"].iloc[i + horizon] / df["close"].iloc[i] - 1 labels.append(1 if future_ret > 0 else 0) # 二元分类标签 timestamps.append(df.index[i]) X = np.array(samples) # (样本数, 60, 特征数) y = np.array(labels) # (样本数,)

这段代码的输出是三维数组X：第一维是样本数，第二维是时间窗口长度，第三维是特征数。horizon=5意味着标签是“未来5日后是否上涨”；步长越短标签噪声越大、但交易成本覆盖更困难，步长越长趋势性更强、样本量却更少。实践里我常用5到10作为初始步长，先跑基线，再对比不同步长对结果的影响。

如果要做回归而不是分类，把labels.append(1 if future_ret > 0 else 0)换成labels.append(future_ret)即可，损失函数同步换成 MSE。

2.3 数据集切分：时间序列不能随机打乱

新手最容易犯的错误是照搬图像分类的习惯，直接调用train_test_split(random_state=42)。金融时序一旦随机切分，训练阶段就可能见到未来区间的样本，测试指标虚高，实盘立刻现原形。

正确做法是纯按时间顺序切分：

train_end = int(len(X) * 0.7) val_end = int(len(X) * 0.85) X_train, y_train = X[:train_end], y[:train_end] X_val, y_val = X[train_end:val_end], y[train_end:val_end] X_test, y_test = X[val_end:], y[val_end:] from sklearn.preprocessing import StandardScaler # 标准化只用训练集拟合，验证集和测试集沿用同一组统计量 scaler = StandardScaler() X_train = scaler.fit_transform(X_train.reshape(-1, X_train.shape[-1])).reshape(X_train.shape) X_val = scaler.transform(X_val.reshape(-1, X_val.shape[-1])).reshape(X_val.shape) X_test = scaler.transform(X_test.reshape(-1, X_test.shape[-1])).reshape(X_test.shape)

fit_transform只出现在训练集里，这就是“归一化不穿越”的关键；验证集和测试集只允许transform，不允许重新计算均值和方差。切分比例不必死守 7:2:1，行情数据时间跨度越长，测试集占比可以适当提高，我一般留最近20%以上做最终验证。更严格的验证方式是滚动回测，做法放在第4章与训练评估一起讲，因为两者是同一套流程。

3. 三种网络结构怎么选：BP、LSTM、一维CNN的定位与实现

同样的数据，不同结构的神经网络学到的模式不同。这里按复杂度逐步拆三种常见结构，并给出可以直接落地的模型定义。

3.1 BP前馈网络：先搭一个能跑通的基线

BP（反向传播）前馈网络，也就是全连接网络，是所有后续模型的起点。它不假设任何时间结构，只把过去60个交易日的特征展平成一个大向量，再通过若干隐藏层拟合标签。正因为“笨”，它最适合当基线——如果MLP都跑不出正收益，问题多半在数据和标签，不在模型结构。

import torch import torch.nn as nn class MLP(nn.Module): def __init__(self, input_dim, hidden_dim=128): super().__init__() self.net = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Linear(64, 1) # 输出未来收益率或类别分值 ) def forward(self, x): # x 形状: (batch, window, feature_dim)，展平后进全连接 return self.net(x.view(x.size(0), -1))

使用时input_dim = window * feature_dim，也就是把每个样本的时间维和特征维全部展开。隐藏层宽度和层数不一定要大，金融数据样本量通常有限，128维起步即可。Dropout(0.3)是为了抑制过拟合，如果验证集损失下不来，先别动它，说明瓶颈可能不在过拟合。

3.2 LSTM：把顺序信息装进结构里

LSTM 在时序建模里如此常用，靠的是门控机制：既能跨长距离传递信息，又缓解了反向传播过程中的梯度消失。对 60 个交易日的窗口来说，两到三层 LSTM 足够；层数再加深，金融数据那点信号撑不住这么多参数。

class LSTMPredictor(nn.Module): def __init__(self, feature_dim, hidden_dim=64, num_layers=2): super().__init__() self.lstm = nn.LSTM( input_size=feature_dim, hidden_size=hidden_dim, num_layers=num_layers, batch_first=True, dropout=0.2 ) self.fc = nn.Linear(hidden_dim, 1) def forward(self, x): out, _ = self.lstm(x) # out: (batch, seq_len, hidden_dim) last = out[:, -1, :] # 取最后一个时间步的隐状态作为整段序列摘要 return self.fc(last)

batch_first=True表示输入形状是(batch, seq_len, feature_dim)，与第2章构造的 X 正好对齐。取最后一个时间步的隐状态，是把整段序列的信息压缩成一个向量再输出；如果想把所有时间步都用起来，可以改成对所有隐状态做平均池化，但效果差异通常不大，代码复杂度却明显上升。

3.3 一维CNN与混合结构：局部特征的另一条路

一维卷积可以理解为在时间维度上做局部滑动特征提取，参数比全连接少，训练又比 LSTM 快。一个常见做法是先让卷积抽短期形态，再交给 LSTM 聚合长程依赖，形成卷积-LSTM 混合结构：

class ConvLSTM(nn.Module): def __init__(self, feature_dim, hidden_dim=64): super().__init__() self.conv = nn.Sequential( nn.Conv1d(feature_dim, 32, kernel_size=5, padding=2), nn.ReLU(), nn.MaxPool1d(2) ) self.lstm = nn.LSTM(input_size=32, hidden_size=hidden_dim, batch_first=True) self.fc = nn.Linear(hidden_dim, 1) def forward(self, x): # Conv1d 期望 (batch, channels, length)，需要先转置 x = x.transpose(1, 2) # (batch, feature_dim, seq_len) x = self.conv(x) # (batch, 32, seq_len // 2) x = x.transpose(1, 2) # (batch, seq_len // 2, 32) out, _ = self.lstm(x) return self.fc(out[:, -1, :])

kernel_size=5意味着每次看 5 个交易日内的局部形态，padding=2让卷积输出长度不变，MaxPool1d(2)把序列长度减半，降低后续 LSTM 的计算量。这个结构的边界要清楚：短周期特征越强，卷积的优势越明显；如果特征本身没有局部相关性，Conv1d 和 MLP 的结果不会有本质区别。

三种结构在金融场景里没有绝对优劣。实践中的定位是：MLP 负责给出基线，LSTM 处理时间依赖，混合结构在数据量更大时能多榨出一点信号。不要指望换网络解决数据质量差的问题，数据建模的前八成工作都在第2章。

4. 训练与评估：损失函数、滚动回测与结果判读

训练参数的设定直接决定第一版模型的天花板。下面先说损失函数和优化器怎么选，再聊评估指标，最后给出滚动回测的流程。

4.1 损失函数与训练参数：第一版方案怎么定

损失函数取决于标签类型。下表是常规对应关系：

优化器从 Adam 起步，学习率1e-3是安全起点；如果验证损失震荡明显，降到3e-4。批大小取 64 到 128，取决于显存和样本量。最小训练循环如下：

optimizer = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-5) criterion = nn.MSELoss() # 回归任务；分类任务换 nn.BCEWithLogitsLoss() for epoch in range(50): model.train() for X_batch, y_batch in train_loader: optimizer.zero_grad() pred = model(X_batch).squeeze() loss = criterion(pred, y_batch) loss.backward() optimizer.step() model.eval() with torch.no_grad(): val_loss = criterion(model(X_val).squeeze(), y_val) # 这里按验证集损失做早停，保存最优权重

weight_decay=1e-5是 L2 正则，防止参数过大；model.eval()配合no_grad()会关掉 Dropout 和梯度计算，保证验证集指标稳定。早停的常见参数是 patience=10，即连续 10 轮验证损失不下降就停止，保留验证损失最低的那份权重。

4.2 评估指标：不要只盯着损失

MSE 只反映数值拟合程度，对交易而言更重要的是方向有没有押对。我一般在测试集上同时看三样：RMSE、方向准确率和 IC 值。IC 是预测值与真实值之间的秩相关，用 Spearman 系数计算：

from scipy.stats import spearmanr model.eval() with torch.no_grad(): pred = model(X_test).squeeze().numpy() ic, _ = spearmanr(pred, y_test) acc = ((pred > 0) == (y_test > 0)).mean() print(f"IC = {ic:.4f}, 方向准确率 = {acc:.2%}")

IC 的绝对值在长期样本上通常只有 0.02 到 0.05，能稳定超过 0.05 已经算有边际预测力。判断模型有没有用，先跑一个空模型：直接用“未来收益率等于最近 N 日均值”作为预测，看它能不能跑赢这个简单规则。如果空模型胜出，神经网络参数再精调也没意义。

4.3 滚动回测：验证泛化能力的基本功

固定一次训练加一次测试，只能证明模型在某段时间有效，而市场结构会变。更可信的验证方式是滚动回测：每隔一定交易日重训一次，用截至当前的样本预测未来，再把所有预测拼接成连续结果。

step = 5 # 每隔 5 个交易日重训一次 horizon = 5 # 每次预测未来 5 个交易日 for t in range(train_end, len(X) - horizon, step): X_tr, y_tr = build_samples_up_to(t) # 只用 t 时刻之前的数据 model = LSTMPredictor(feature_dim=X.shape[-1]) train_one(model, X_tr, y_tr) pred_t = model.predict_next(horizon) # 保存 pred_t 用于拼接收益曲线

代码里的train_one和build_samples_up_to是按项目封装的简化示意，核心是每次重训都在 t 时刻截断，绝不使用 t 之后的数据。step控制重训频率，step=5相当于每周重训，成本高但信号更新快；样本量紧张时可以把 step 拉到 10 或 20。滚动回测结果如果和固定切分差距不大，模型比较稳定；若差距悬殊，大概率存在泄漏或过拟合。

5. 避坑与排查：五个把模型毁在回测之外的常见问题

最贵的错误往往不在模型本身，而在数据、标签和回测假设里。下面五条踩坑记录来自我拆读这份资料时的复核，也来自自己跑实验时交过的学费，按现象、原因、解决三段式写。

5.1 标签泄漏：回测漂亮，实盘失灵

现象：测试集准确率明显偏高，回测曲线近乎完美，但在模拟盘或新时间段上，表现远差于回测。

原因：特征或标签里混入了未来数据。常见来源是 rolling 指标默认中心对齐，第 t 个样本意外包含了后面交易日的统计量；另一个是构造“未来5日收益”标签时循环边界算错，把未来行也塞进了特征区间。

解决：写完代码先查循环边界，再用一个极简检查——把标签随机打乱后重训模型，如果准确率依然显著高于随机水平，几乎可以断定存在泄漏。技术指标计算时显式控制窗口偏移方向，不要依赖 pandas 的默认对齐。

5.2 归一化穿越：用了全样本统计量当标准

现象：验证集和测试集指标比训练集还好，模型在后期行情上表现“未卜先知”。

原因：对特征做StandardScaler()时，顺手对整个 X 调用了fit_transform，全样本的均值和方差被带入训练阶段。静态数据这样做影响不大，时间序列则完全不同，未来信息已经参与计算。

解决：严格记住顺序——先切分，再标准化。只在训练集上fit，验证集和测试集只transform。我习惯把 scaler 单独保存成文件，滚动回测每一步都用同一组统计量，避免重复拟合。

5.3 除权缺口：模型把分红当成暴跌

现象：某只股票的回测出现大量极端负收益样本，模型预测持续看空，但查看原始K线发现那些时点并没有真实大跌。

原因：数据没做复权。除权日价格被强制调整，未复权序列上出现人为跳空，神经网络把它当成真实的大幅波动来学习。

解决：统一使用后复权价格建模。同时注意，后复权价格和真实市价之间存在复权因子差异，建模用后复权序列，交易撮合要用原始价格，两个版本都要留档。

5.4 涨跌停与停牌：回测能买到的，实盘不行

现象：回测信号次日命中率不错，但实盘下单时股票涨停封板或停牌，根本成交不了，持仓和回测对不上。

原因：候选股池没有过滤极端状态，回测撮合默认按收盘价成交，而真实市场在涨停一字板和停牌时没有流动性。

解决：在候选股池里剔除当日涨停、跌停、停牌状态的个股；回测撮合加滑点，单边至少 0.1% 到 0.2%，同时保留“次日开盘价成交”这类更保守的假设。宁可回测收益低一点，也不要让假成交骗了自己。

5.5 反复调参：测试集被用成了训练集

现象：模型在测试集上被调得越来越好，但换一段没看过的行情，效果立刻回到随机水平。

原因：每次调参都看测试集指标，人的判断已经潜移默化地把测试集信息写进参数选择，测试集不再独立。

解决：把数据分成训练、调试、最终验证三份。平时只在调试集上调参，所有参数定稿后，最多在最终验证集上跑一次记录结果，跑完不再回头调整。数据量允许的话，再保留一段最新行情做“出师检验”。

6. 从预测到选股：组合落地时的两个关键动作

模型输出只是一个分数，要变成可执行的组合，还有两个环节容易被忽略。

6.1 用预测值排序代替绝对值阈值

无论网络输出的是未来收益率还是上涨概率，都不建议按固定阈值筛选。市场环境变化时，预测分布整体会漂移。我一般把所有候选股票的预测值做横截面排名，取前20到30只等权持仓，持仓周期5到10个交易日，到期重平衡。如果输出是分类概率，同样按概率排序；预测绝对值只作参考，不作阈值。

6.2 回测假设要显式配置

组合回测必须带上双边手续费、滑点以及成交限制。基准选沪深300或中证500，看累计收益曲线的同时，一定要看最大回撤和夏普。如果扣除成本后的策略收益跑不赢基准，不要急着换网络结构，先回第2章检查信号质量——大多数问题的根源不在模型。

从那以后，我每拿到一个新模型，都强制走一遍“时间顺序切分→只跑一次最终测试集→随机打乱标签检查泄漏→加滑点回测”这套固定流程，一步也不省。模型收益高不高是结果，流程可不可复现才是底线。希望帮到你。

本文还有配套的精品资源，点击获取