LSTM财务因子选股模型：数据对齐与回测防泄漏实战

简介：毕业设计专用的LSTM财务因子预测选股模型源码包，基于Python实现，适合计算机、AI、通信、自动化、电子信息等专业学生完成毕业设计、课程设计或课内作业，也可作为量化金融与深度学习入门者的进阶练习。包内共14个文件，主体为7个py脚本，覆盖LSTM与BP两类模型、MACD/RSI技术指标及MindGo平台调用等模块，另有项目介绍md、运行说明txt、模型权重ckpt(index/meta/data)和配置json，结构清晰，便于对照复现、修改拓展。压缩包仅1.19MB，下载与部署成本低，目前已有40人学习下载。通过完整源码、训练好的模型文件及说明文档，读者可直观了解财务因子预测选股的建模流程，快速跑通演示环境，并可在现有基础上调整参数、增加因子或接入其他数据源，延伸为更完整的毕业设计方案；配合项目介绍与运行说明，能帮助快速定位关键代码、减少环境配置与调试障碍。

1. LSTM财务因子预测选股模型源码：外行看模型，内行先看数据

“毕业设计-LSTM财务因子预测选股模型源码（Python实现，高分项目）.zip”这个标题在量化毕设方向里几乎人手一份。但很多人解压后看两眼LSTM网络就觉得稳了，一跑回测才发现选出来的股票根本买不进，或者收益率高得像做梦。原因很统一：数据对齐出了问题，标签里混进了未来信息。LSTM在这里并不是黑匣子，它读的是财务因子在过去一段时间的轨迹，真正决定项目能不能拿高分的是数据怎么来、标签怎么造、回测怎么防作弊。

这个方向适合两类人：一是金融工程、计算机、应用统计方向做毕业设计的学生，二是刚学完LSTM时间序列预测 python 就想写量化交易策略代码的开发者。前者需要一套能自圆其说的完整流程，后者需要一套不虚高的验证方法。下面我按拿到这类源码项目后最常用的落地路径，从数据、因子、滑窗、训练到回测把链路讲清楚。

2. 财务因子数据先搞定：数据源、字段对齐与缺失值处理

一次完整的LSTM选股实验依赖两类数据：日频行情和低频财务指标。行情数据的坑比较少，财务指标才是重灾区。因为财务报告按季度披露，而行情每天都有，两者合并时只要日期口径错一天，模型就可能“看到未来”。

2.1 常见免费数据源与因子选择

我一般会先用不依赖token的免费接口把主流程跑通，等到正式回测再考虑更高频的数据。常见做法是用 akshare 获取财务摘要，接口字段在不同版本里略有差异，但核心返回值都包含公告日期、报告期和各项财务指标。安装命令是 pip install akshare。如果你手头有 tushare pro 的积分，也可以直接拉取 income、balancesheet、cashflow 三类表，逻辑完全一致，只是多一步自己拼接因子。

import akshare as ak import pandas as pd # 获取全部A股代码，过滤掉ST和上市不足一年的股票 stock_info = ak.stock_info_a_code_name() stock_info = stock_info[~stock_info["name"].str.contains("ST")] # 用第一个股票代码试探财务摘要的返回结构 sample = ak.stock_financial_abstract(symbol=stock_info.iloc[0]["code"], indicator="按年度") print(sample.columns) print(sample.head())

这段代码的作用是把数据源先摸一遍，重点确认两列：ann_date（公告发布日期）和 end_date（报告期截止日）。后面谈到的防未来函数完全围绕这两列展开，所以第一步就要把它们区分清楚。stock_financial_abstract 返回的指标列通常是长篇中文名，读进来之后最好手动重命名成 roe、gross_margin、debt_ratio 这类英文短名，方便后续直接拼特征矩阵。

因子选择上，我不建议把几十个财务字段一股脑塞进LSTM。常见做法是覆盖盈利、杠杆、现金流、成长四个维度，各取一到两个代表：

这几个因子加起来的逻辑正好覆盖质量、价值和成长三类常见选股风格，数量控制在五六个，后期不容易过拟合。LSTM不是因子越多越好的模型，维度翻倍后参数量跟着涨，训练数据量不变的情况下过拟合风险会明显上升。

2.2 用公告日对齐财报与行情，别让未来数据穿进模型

这里是我最想强调的一个点。很多毕设源码里写的是：

# 错误示范：千万不要这么写 df = df.merge(daily, left_on="end_date", right_on="trade_date")

end_date 是报告期截止日，例如2024年3月31日的一季报可能拖到2024年4月28日才公布。如果按 end_date 对齐，等于让模型在3月31日就看到了4月28日才公开的财报，这就是教科书级别的未来函数。正确做法是用 merge_asof 按公告日向前合并：

# daily_factor：最终生成的日频因子宽表 # daily：日期、代码、收盘价（必须用前复权价） # factors：ann_date、代码、各财务因子 merged = pd.merge_asof( daily.sort_values("trade_date"), factors.sort_values("ann_date"), left_on="trade_date", right_on="ann_date", by="code", direction="backward" )

merge_asof 的 direction="backward" 表示对每一个 trade_date，找到小于等于该日期的最近一条公告日数据。我习惯在合并后把因子再“缓一天”，原因是A股财报很多在收盘后才披露，你在当天收盘前不一定能按这份数据下单，隔一天使用更贴近真实可交易状态。这个细节不会让源码看起来多高级，但会让回测结果在答辩时经得起追问。

合并后的表里一定还有缺失值。原因包括新股上市不足一个季度没有历史财报、停牌期间没有行情、部分公司财报披露延迟。处理方式用前向填充，但要限制最大填充长度，避免用一年前的因子给当前行情定价：

merged["roe"] = merged["roe"].ffill(limit=63) # 约一个季度的交易日数 merged["debt_ratio"] = merged["debt_ratio"].ffill(limit=63) merged = merged.dropna(subset=["roe", "gross_margin", "debt_ratio"])

ffill(limit=63) 的含义是只允许因子在缺失后继续向后沿用最多63个交易日，超过这个长度说明财报已经严重过期，直接放弃这些样本。最后用 dropna 把上市初期没法算因子的样本剔除掉。处理完后一定要打印 merged 的日期范围、股票数量和缺失率，这三个数字能看出数据通道是否健康。

3. 把财务因子改造成LSTM的输入序列：滑窗结构、标准化与样本划分

财务因子表是截面数据，LSTM吃的是时间序列。这一步要做的是把每一只股票的历史因子轨迹切成一帧一帧的样本，并在划分训练集和验证集时避免时间顺序被破坏。

3.1 滑窗结构：为什么把预测目标设成未来20个交易日的收益率

LSTM的输入形状是 (batch_size, seq_len, feature_dim)，feature_dim 对应上面选的五六个财务因子，seq_len 是回看多少个交易日。我常用的默认值是序列长度20、预测周期20，也就是“看过去一个月的财务因子轨迹，预测未来一个月的收益”。

预测目标不建议用单日收益率。单日收益的噪声极大，价格中的随机成分会淹没因子信号，模型训练完基本上预测值全部贴在零附近。未来20日收益的计算方式是：

import numpy as np def create_lstm_samples(df, feature_cols, seq_len=20, pred_horizon=20): """把单只股票的因子序列切成滑窗样本""" X, y, sample_dates = [], [], [] feature_data = df[feature_cols].to_numpy() close_data = df["close"].to_numpy() dates = df["trade_date"].to_numpy() for i in range(seq_len, len(df) - pred_horizon): X.append(feature_data[i - seq_len:i]) # 用未来第20个交易日的收盘价算持有收益 ret = close_data[i + pred_horizon] / close_data[i] - 1 y.append(ret) # 样本的“形成日”是当前交易日，而不是未来标签日 sample_dates.append(dates[i]) return np.array(X), np.array(y), np.array(sample_dates)

这段代码里我特别留了 sample_dates，它是每个样本形成时对应的时间戳。后面划分训练集和验证集全靠它，如果漏了这一步，你就只能用行号硬切，很容易把时间边界切乱。

参数上，seq_len 的选择和调仓频率直接相关。做月度调仓就选20个交易日，做周度调仓可以缩短到5或10。pred_horizon 太长会导致每个样本的标签大量重叠，训练集和验证集之间互相泄漏信息；太短又会让标签噪声太大。初次尝试建议锁死20，不要一上来就同时调多个参数。

3.2 滚动标准化与时间顺序切分，两个必做的动作

财务因子的量纲完全不同，roe 可能只有0.1，营收增速却是0.5甚至1.2，不标准化直接进LSTM会让数值大的特征主导梯度。但标准化不能对整个数据集一次性做。一个常见的翻车写法是：

from sklearn.preprocessing import StandardScaler # 错误示范：整个数据集一起 fit，验证集用了未来统计量 scaler = StandardScaler() all_features = scaler.fit_transform(all_features)

这样做等于让训练阶段知道了验证集和测试集的均值、方差，属于隐式信息泄漏。正确的做法是滚动标准化：

def rolling_zscore(df, cols, window=120, min_periods=60): """按每只股票的时间窗口做滚动标准化，避免未来统计量泄漏""" df = df.copy() for col in cols: mean = df.groupby("code")[col].transform( lambda x: x.rolling(window, min_periods=min_periods).mean() ) std = df.groupby("code")[col].transform( lambda x: x.rolling(window, min_periods=min_periods).std() ) df[col + "_z"] = (df[col] - mean) / (std + 1e-8) return df

这里每只股票各自做120个交易日的滚动窗口，只有至少60个有效值时才计算z-score。加 1e-8 是防止某只股票价格长期不动导致标准差为零，除以零之后整列变NaN，训练直接崩掉。

样本划分也必须按时间而不是随机打散。LSTM滑窗样本之间高度重叠，如果随机切分，训练集最后一个样本和验证集第一个样本会共享大半段行情数据，验证指标会虚高到失去参考意义。我一般按60%、20%、20%切分样本形成日：

train_cut = np.quantile(sample_dates, 0.6) val_cut = np.quantile(sample_dates, 0.8) train_mask = sample_dates < train_cut val_mask = (sample_dates >= train_cut) & (sample_dates < val_cut) test_mask = sample_dates >= val_cut

还有一个容易忽略的细节：训练集末尾和验证集开头之间要留出至少一个 pred_horizon 的空隙，因为训练集最后一天的标签用到了第20天后的行情，而这些行情数据恰好落在验证集开头。解决办法是切分时在边界两侧各丢掉20个样本，工程上叫 embargo，属于做时间序列预测的基本操作。

4. 训练LSTM选股模型最小可复现配置：网络结构、损失函数与训练循环

LSTM选股模型本质上是一个回归模型，输入一段历史因子序列，输出一个对未来收益的预测值。网络结构不需要复杂，复杂了反而训练不稳、解释不清，答辩时容易被问倒。

4.1 把因子序列喂进LSTM，网络结构怎么选

我用PyTorch实现一个两层的LSTM加一层全连接输出。之所以不用单层，是因为财务因子的变化比较平滑，单层LSTM学不到“短期趋势变化”的抽象特征；三层以上则参数量变大，训练数据只有几百只股票几年的日频样本，很容易过拟合。

import torch import torch.nn as nn class FactorLSTM(nn.Module): def __init__(self, feature_dim, hidden_size=64, num_layers=2, dropout=0.3): super().__init__() self.lstm = nn.LSTM( input_size=feature_dim, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout ) self.head = nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Linear(32, 1) ) def forward(self, x): out, _ = self.lstm(x) # 取最后一个时间步的隐状态作为整段序列的表示 return self.head(out[:, -1, :])

hidden_size 为什么取64？财务因子的维度只有六到八个，信息量远小于图像或文本，hidden_size 32也能跑，但64在多数数据量下表现更稳。dropout取0.3是个折中，0.5在因子数据上有时会把信号也丢掉。网络前向传播里取 out[:, -1, :]，意思是只保留序列最后一个时间步的隐状态，再经过全连接层输出预测值。这里不需要做softmax，因为我们要预测的是连续收益率而不是分类概率。

模型参数量很小，总参数大约在 hidden_size 乘上四倍的特征维度和层数之间，约两万个参数。如果训练集的样本数少于十万，就要把 hidden_size 降到32或者加大 dropout。判断过拟合最简单的办法是看验证集IC和训练集loss的走势，验证集IC连续多轮不升而训练loss还在降，多半是模型容量给大了。

4.2 损失函数、优化器与早停：让训练不跑偏

损失函数我不用纯MSE。股票收益率的分布有厚尾，少数极端大涨大跌样本会把 MSE 拉爆，模型为了拟合这些离群点会牺牲大部分普通样本的预测精度。常见做法是用 Huber Loss，它对小误差按平方惩罚、大误差按线性惩罚，比MSE稳健：

import torch.nn.functional as F def huber_loss(pred, target, delta=1.0): return F.smooth_l1_loss(pred, target, beta=delta)

训练循环里除了常规的反向传播和参数更新，我还会加上梯度裁剪。LSTM在时间步上展开后梯度很容易爆炸，一次异常的大梯度会把训练好的权重全部冲掉，这种“训练到一半突然变NaN”的情况在RNN系模型里非常常见：

epochs = 50 lr = 1e-3 weight_decay = 1e-5 best_ic = -1.0 patience = 10 no_improve = 0 optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=weight_decay) for epoch in range(epochs): model.train() train_losses = [] for xb, yb in train_loader: # 丢掉标签为NaN的样本，避免loss变成NaN mask = torch.isfinite(yb) if mask.sum() < 2: continue xb, yb = xb[mask], yb[mask] optimizer.zero_grad() pred = model(xb).squeeze() loss = huber_loss(pred, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() train_losses.append(loss.item()) val_ic = evaluate_ic(model, val_loader) if val_ic > best_ic: best_ic = val_ic torch.save(model.state_dict(), "best_factor_lstm.pt") no_improve = 0 else: no_improve += 1 if no_improve >= patience: print(f"epoch {epoch}: early stop, best_ic={best_ic:.4f}") break

evaluate_ic 里使用信息系数 IC 作为验证指标。IC 是预测值与真实收益之间的秩相关系数，常取 Spearman 相关系数。因为选股关注的是相对排名，所以用秩相关比用皮尔逊相关更贴合实际：

from scipy.stats import spearmanr def evaluate_ic(model, loader): model.eval() preds, targets = [], [] with torch.no_grad(): for xb, yb in loader: pred = model(xb).squeeze() preds.append(pred.cpu()) targets.append(yb.cpu()) preds = torch.cat(preds) targets = torch.cat(targets) mask = torch.isfinite(targets) & torch.isfinite(preds) if mask.sum() < 5: return -1.0 ic, _ = spearmanr(preds[mask].numpy(), targets[mask].numpy()) return ic if np.isfinite(ic) else -1.0

训练时我习惯每五轮打印一次训练loss和验证集IC。如果训练loss很低但IC在0附近震荡，说明模型只记住了训练集的噪声分布，回测成绩基本靠运气。正常情况下，因子有效的模型IC在0.03到0.08之间，别追求那种IC超过0.1的神话数字，那多半是数据泄漏的产物。

5. 避坑：让LSTM财务因子模型集体翻车的五个典型问题

这一章写我翻过车或者帮别人排查过的五个高频问题。每一个都按现象、原因、解决的顺序讲，排查时照着顺序对一遍，能省下一个星期的时间。

5.1 财务数据日期穿越：回测胜率接近100%

现象：训练完模型后在验证集上打分，选出来的股票胜率高达80%甚至更高，收益率曲线几乎单边向上。很多同学看到这种结果会以为是模型牛，其实是数据日期穿越了。

原因：源码里用 end_date 和 trade_date 做合并，模型在3月31日就看到了4月底才公布的财报。LSTM在重复实验中总能“提前”抓住财报利好，每次都能赶在消息落地前进场，实际用过去的数据做预测时不可能有这种效果。

解决：把所有合并逻辑统一改成按 ann_date 对齐，并且在公告日基础上再延迟一天使用。修改后再跑一遍回测，胜率如果掉到55%以下，说明之前的数据确实在穿越，现在的数字才是真实水平。

5.2 全局标准化泄漏：统一scaler导致测试集虚高

现象：验证集上预测分布非常漂亮，换一批股票或者换一段新时间范围后模型几乎失效，IC从0.06掉到接近0。

原因：对整个数据集一次性 fit StandardScaler，测试集的均值和方差已经被训练阶段“看过”。更隐蔽的是，LSTM在训练中会把标准化参数也编码进隐状态里，导致模型依赖跟真实市场不一致的数据分布。

解决：改用按股票分组、按时间窗口滚动的 z-score，或者至少保证 StandardScaler 只在训练集上 fit，验证集和测试集用同样的参数做 transform。这个动作对回测结果的影响通常大于换网络结构，排查优先级最高。

5.3 涨跌停和停牌：预测结果只是纸面收益

现象：回测排名 top10 的股票平均收益很高，但实际下单时要么买不进要么买在涨停价上，真实成交价比回测收益低一大截。

原因：标签计算用的是当日收盘价买入，没有考虑涨停板和停牌。A股涨停板上封单排不到，停牌股票根本无法交易，这两种情况在标签里都给了“可以正常买入”的收益。

解决：生成标签前先把当天一字涨停、停牌、成交量过低的样本剔除。更贴近实际的做法是买入价用T+1开盘价，卖出价用持有期末收盘价，中间遇到停牌则顺延卖出。在毕设回测里把这个逻辑写清楚，答辩时反而是加分项。

5.4 因子多而杂：LSTM过拟合到你怀疑人生

现象：训练loss一路下降，验证集IC始终在0附近，换初始化参数跑四次结果都不一样。

原因：把几十个财务指标全部塞进模型，LSTM的特征维度高，参数量暴增，但有效样本只有那么多个，模型只能把训练集背下来。

解决：先用单因子IC做一轮筛选，只保留在历史数据上IC绝对值稳定大于0.02的因子，个数控制在五个到八个。同时把 dropout 调到0.3以上，hidden_size 回调到32或64，加上早停机制。模型简单了以后，验证集IC反而不容易大起大落。

5.5 窗口重叠与样本切分边界模糊：验证指标虚高的最后一处死角

现象：训练集和验证集的IC几乎一样高，两个集合的预测值分布也高度相似，换用完全随机的新时间段测试后表现大打折扣。

原因：滑窗样本之间重叠严重，训练集最后几天的样本和验证集开头几天的样本共享了大部分时间步。LSTM只要记住最近几天的走势就能同时“猜中”这两个集合的标签，跟它到底学到了什么因子逻辑没有关系。

解决：样本按形成日的时间戳切分，而不是按行号切分；训练集和验证集之间留出至少一个 pred_horizon 的空白作为 embargo。切完以后可以打印两边的日期区间，确认验证集最早的样本在训练集最晚样本之后至少20个交易日。

6. 把模型输出变成选股信号并验证：回测与参数敏感性分析

模型训练完了不代表项目结束了。LSTM输出的是一串预测收益率，要把这串数变成选股信号，必须做排序、回测和参数敏感性分析。

6.1 滚动调仓回测的简单实现

常见做法不是按预测收益率绝对值下单，而是按预测值截面排名选股，因为回归预测的数值未必准确反映绝对收益，但不同股票之间的相对高低是有排序意义的。我一般每20个交易日调仓一次，每次选预测值最高的10只股票等权买入：

def run_simple_backtest(pred_df, ret_df, rank_n=10, rebalance_days=20): """pred_df: date, code, pred；ret_df: date, code, future_ret""" dates = sorted(pred_df["date"].unique()) rebalance_dates = dates[::rebalance_days] nav = 1.0 records = [] for i, trade_date in enumerate(rebalance_dates): if i + 1 >= len(rebalance_dates): break next_date = rebalance_dates[i + 1] day_pred = pred_df[pred_df["date"] == trade_date] top_codes = day_pred.nlargest(rank_n, "pred")["code"].tolist() period_ret = ret_df[ (ret_df["date"] > trade_date) & (ret_df["date"] <= next_date) & (ret_df["code"].isin(top_codes)) ] # 每只股票在持仓期内的平均收益，再对组合取均值 avg_ret = period_ret.groupby("code")["future_ret"].mean().mean() nav *= (1 + avg_ret) records.append({"date": trade_date, "period_ret": avg_ret, "nav": nav}) return pd.DataFrame(records)

回测至少记录四个数字：年化收益、超额收益（对沪深300或全市场等权组合）、最大回撤、调仓换手率。换手率很关键，如果每期选出的股票几乎全部更换，说明模型的预测排名不稳定，实盘手续费会吃掉大量收益。我在回测代码里会加一个虚拟手续费，按双边千分之二扣除，别看这个数字小，滚上一年差距非常明显。

6.2 参数敏感性分析：seq_len、hidden_size与预测周期怎么调

毕设答辩时最常被问的一句话是“为什么选20天而不是10天”。回答“经验值”没有说服力，最稳的准备方式是自己跑一组参数敏感性实验：

results = [] for seq_len in [10, 20, 40]: for hidden_size in [32, 64, 128]: # 完整走一遍 create_lstm_samples -> train -> validate -> backtest # 记录每个组合的IC均值、ICIR、年化超额、最大回撤 results.append({ "seq_len": seq_len, "hidden_size": hidden_size, "ic_mean": ic_mean, "icir": ic_ir, "excess_annual": annual_excess, "max_drawdown": max_drawdown })

实验做完以后，我一般先看ICIR。ICIR是IC均值除以IC标准差，反映预测能力的稳定性，比只看IC均值更可靠。如果五六个参数组合的ICIR都稳定在同一个水平，说明模型吃的是因子横截面的信息，时序窗口长短影响不大；如果某个 seq_len 突然出现特别高的收益，那大概率是过拟合出来的孤立点，不要选它。

我习惯把参数敏感性结果整理成一张三行三列的表格，每组参数对应IC、换手率、最大回撤三个数字。这张表比任何文字描述都更能说明“为什么这样选参数”。

最后说一个我自己的教训。早年代码里标准化和公告日对齐都做错了，回测跑出年化70%的收益，我一度以为找到了印钞机。后来把 ann_date 修正、滚动标准化替换全局scaler之后，年化收益掉到12%出头，那才是模型的真实水平。也是从那次开始，我拿到任何LSTM预测源码，第一反应永远是先去翻数据处理，确认没有问题再去调网络结构。这个顺序颠倒的话，你做出来的模型和选股策略都只是在给未来的函数打工。希望帮到你。

本文还有配套的精品资源，点击获取