CNN-Attention-LSTM期货价格预测毕设实战项目

简介：本资源是一套面向计算机、人工智能及相关专业本科生与研究生的期货价格预测毕业设计项目，聚焦金融时间序列建模这一典型深度学习应用场景。项目创新性融合CNN特征提取、Attention机制动态加权与LSTM时序建模能力，并引入相关性分析预处理模块，显著提升对多变量期货影响因子（如玉米期货周报、宏观指标等）的建模鲁棒性。压缩包共29个文件，含8个核心Python源码（含cnn_attention_lstm.py、相关性分析.py、pred.py等）、6个Numpy格式数据集（train_x/y.npy、test_x/y.npy等）、3个Excel原始与处理后数据表、2个模型检查点文件及2份PDF教程（含Web前端配置与算法详解），整体30.28MB，结构清晰、注释详尽，支持开箱即用与二次开发。已有678人学习下载，提供完整可运行代码、训练好的双版本模型（my_modelv1/v2）、热力图可视化结果及SQL原始数据，特别适合毕设选题、课程设计或深度学习实战进阶。

1. 期货价格预测不是玄学：一个能跑通的CNN-Attention-LSTM毕设项目，从相关性筛选到模型推理全链路闭环

你是不是也试过：下载了十几个“LSTM期货预测”代码包，解压后发现要么缺数据、要么报ModuleNotFoundError: No module named 'tensorflow.keras.layers'、要么train_x.npy和model.h5维度对不上，最后在PyCharm控制台里反复print(train_x.shape)到凌晨三点？这个项目不是又一个“理论漂亮、运行即崩”的Demo——它是一份经过实测验证、带完整数据流闭环、所有.npy文件与模型权重严格对齐的毕业设计级资源。核心价值在于：它把“相关性分析”真正嵌进建模前流程（不是PPT里一句“我们做了相关性分析”，而是用相关性分析.py输出相关性分析数据.npy，再喂给CNN层做特征初筛），再用CNN提取局部时序模式、Attention加权关键时间步、LSTM捕获长程依赖，三层结构有明确分工。适合计算机、人工智能、金融工程等专业学生直接用于课程设计或毕设开题；如果你刚学完《深度学习导论》但没做过时序项目，它比Kaggle上的纯LSTM模板更易理解——每个.py文件里都有中文注释说明“这行为什么写padding='same'”、“这里Attention的score = tf.matmul(Q, K, transpose_b=True)怎么对应论文公式”。别再被“高大上模型名”唬住，这次是能真正在自己笔记本上python train_v2.py跑出val_loss: 0.0023的实战包。

2. 模型架构拆解：为什么是CNN-Attention-LSTM，而不是纯LSTM或Transformer？

2.1 期货价格的三个硬约束，决定了模型必须分层设计

期货价格预测不是普通时间序列任务。它有三个绕不开的物理特性：

• 噪声强：日内高频交易数据中，微小价差常由流动性扰动而非基本面驱动，纯LSTM容易过拟合噪声；
• 多尺度依赖：短期（1小时）受技术面影响，中期（1周）受库存报告驱动，长期（1月）挂钩宏观政策，单一RNN难以兼顾；
• 关键事件稀疏：如USDA报告发布日，价格跳空幅度远超均值3倍，但这类事件在全年占比不足5%，需要机制显式标记。

CNN-Attention-LSTM正是为这三点定制：CNN层用小卷积核（如kernel_size=3）在原始序列上滑动，像滤波器一样压制高频毛刺，同时保留价格跳变的边缘特征（类似图像中的Sobel算子）；Attention层不作用于原始输入，而是对CNN输出的特征图做时间步加权——当相关性分析数据.npy显示某天“玉米期货价格”与“CBOT大豆主力合约”相关系数突增至0.87时，Attention会自动提升该时间步的权重；LSTM则专注建模加权后特征的时序演化。这种分工避免了Transformer的全局计算开销（对周频数据没必要），也规避了纯CNN无法建模长程依赖的缺陷。

2.2 代码级实现：cnn_attention_lstm.py里的四层关键结构

打开models/cnn_attention_lstm.py，核心结构按执行顺序排列：

# 1. CNN特征提取层：用3层Conv1D压制噪声，每层后接BatchNorm和ReLU inputs = Input(shape=(timesteps, features)) # timesteps=60, features=8（含价格、成交量、持仓量等） x = Conv1D(filters=64, kernel_size=3, padding='same', activation='relu')(inputs) x = BatchNormalization()(x) x = Conv1D(filters=128, kernel_size=3, padding='same', activation='relu')(x) x = BatchNormalization()(x) # 注意：此处未使用MaxPooling，因会丢失关键跳空位置信息，改用Strided Conv替代 # 2. Attention加权层：基于CNN输出计算时间步重要性 attention = Attention()([x, x]) # 使用TensorFlow内置Attention层，Q/K/V均来自x # 3. LSTM时序建模层：输入为Attention加权后的特征 lstm_out = LSTM(128, return_sequences=False)(attention) # 4. 输出层：回归预测未来1期价格（非分类！） outputs = Dense(1, activation='linear')(lstm_out) # 关键：activation='linear'，非'sigmoid'

参数说明：timesteps=60表示用过去60个时间点（如60周）预测下一周价格；features=8来自处理后的数据表.xlsx中的8列指标（开盘价、最高价、最低价、收盘价、成交量、持仓量、MACD、RSI）。Dense(1)的线性激活确保输出可正可负，符合价格变动本质——这点常被新手忽略，用sigmoid会导致模型永远预测“小幅上涨”。

2.3 相关性分析如何真正驱动建模？看相关性分析.py的三步落地

很多项目把“相关性分析”写在摘要里就完了，而本项目用代码强制闭环：

1. 动态窗口计算：不采用全样本静态相关系数，而是用滚动窗口（window=26周）计算玉米期货与12个关联品种（大豆、豆粕、原油、美元指数等）的皮尔逊系数；
2. 阈值过滤：仅保留系数绝对值>0.6的品种，写入相关性分析数据.npy（shape=(samples, 12)）；
3. 特征融合：在time_step_processing.py中，将此相关性矩阵与原始价格序列沿feature轴拼接，使CNN层输入从(60,8)变为(60,20)——让模型“看到”哪些外部变量正在显著影响当前价格。

这解释了为什么train_x.npy的shape是(1200, 60, 20)而非(1200, 60, 8)：多出的12维就是动态相关性特征。没有这一步，Attention层就成了无源之水。

3. 数据准备全流程：从data(1).sql到train_x.npy的七步转换

3.1 原始数据来源与清洗逻辑

项目提供data(1).sql（SQLite数据库）、玉米期货数据周报7.25.xlsx（人工整理的周度行情）和相关性分析用表.xlsx（12个关联品种周度数据）。三者需统一时间粒度：

• data(1).sql包含分钟级tick数据，但毕设无需如此高频，故先用pandas.resample('W')聚合为周频（取每周五收盘价）；
• 玉米期货数据周报7.25.xlsx中存在手工录入错误（如第127行“收盘价”为0），需用df['close'].replace(0, method='ffill')前向填充；
• 相关性分析用表.xlsx中美元指数列为逆向指标（美元涨则商品跌），代码中已通过* -1反转符号，确保所有特征与期货价格同向。

3.2 时间步构造：时间步处理.py的关键参数与陷阱

该脚本将清洗后的一维价格序列转为(samples, timesteps, features)三维张量。核心逻辑如下：

def create_dataset(data, timesteps=60, predict_step=1): X, y = [], [] for i in range(timesteps, len(data) - predict_step + 1): # 取前60周数据作为输入 X.append(data[i-timesteps:i]) # 预测第61周收盘价（非涨跌幅！） y.append(data[i + predict_step - 1, 0]) # 索引0为收盘价列 return np.array(X), np.array(y) # 调用示例： train_x, train_y = create_dataset(train_data, timesteps=60, predict_step=1)

注意：predict_step=1表示预测下一个时间点的价格，而非未来N步。若需预测未来3周，则需修改y.append(data[i:i+3, 0])并调整输出层为Dense(3)。但本项目坚持单步预测，因多步预测误差会指数级累积——这是期货场景的血泪经验：宁可滚动预测，不贪多步。

3.3 特征工程细节：为什么处理后的数据表.xlsx有8列？

处理后的数据表.xlsx并非简单拼接，而是包含：

4. 模型训练与验证：train_v2.py的超参配置与收敛监控

4.1 关键超参数设置及选型依据

train_v2.py中以下参数经多次实验验证：

提示：train_v2.py第68行model.compile(optimizer=Adam(learning_rate=0.001), ...)显式指定学习率，避免TensorFlow版本升级导致默认值变更。

4.2 训练过程可视化：如何判断模型是否真的学到了？

运行python train_v2.py后，生成checkpoint/目录保存最优权重。但更重要的是观察history对象：

# train_v2.py末尾绘图代码（已注释，可取消注释启用） plt.figure(figsize=(12,4)) plt.subplot(1,2,1) plt.plot(history.history['loss'], label='Train Loss') plt.plot(history.history['val_loss'], label='Val Loss') plt.title('Model Loss') plt.legend() plt.subplot(1,2,2) plt.plot(history.history['mae'], label='Train MAE') plt.plot(history.history['val_mae'], label='Val MAE') plt.title('Model MAE') plt.legend() plt.show()

健康收敛标志：

• val_loss曲线平滑下降，且始终低于train_loss（说明未过拟合）；
• val_mae稳定在0.003~0.005区间（对应价格预测误差约±0.3元/吨，对玉米期货属合理范围）；
• 若val_loss在第40轮后突然上升，大概率是学习率过高或Dropout不足。

4.3 模型验证：用pred.py做端到端推理测试

训练完成后，用pred.py加载my_modelv2.ckpt进行预测：

# pred.py核心代码 model = load_model('checkpoint/my_modelv2.ckpt', compile=False) # 加载测试数据 X_test = np.load('test_x.npy') # shape=(300, 60, 20) y_test = np.load('test_y.npy') # shape=(300,) predictions = model.predict(X_test) # 反归一化（关键！否则结果是0~1的小数） scaler = joblib.load('scaler.pkl') # 项目未提供，需自行保存训练时的scaler y_pred_real = scaler.inverse_transform(predictions)[:, 0] y_true_real = scaler.inverse_transform(y_test.reshape(-1,1))[:, 0] # 计算MAPE（平均绝对百分比误差） mape = np.mean(np.abs((y_true_real - y_pred_real) / y_true_real)) * 100 print(f"Test MAPE: {mape:.2f}%") # 合理值应<2.5%

注意：项目未打包scaler.pkl，需在train_v2.py中添加joblib.dump(scaler, 'scaler.pkl')并重新训练一次。这是常见遗漏点——没有反归一化，pred.npy里的数字毫无业务意义。

5. 避坑指南：五个让90%新手卡住的致命细节

5.1 现象：ImportError: cannot import name 'Attention' from 'tensorflow.keras.layers'

原因：TensorFlow版本不匹配。Attention层在TF 2.8+才成为keras.layers的正式成员，而项目代码基于TF 2.10编写。若用TF 2.4或更低版本，会找不到该类。
解决：升级TensorFlowpip install tensorflow==2.10.0。切勿用tf-nightly，其API不稳定。

5.2 现象：ValueError: Input 0 of layer "conv1d" is incompatible with the layer

原因：train_x.npy与模型期望的输入shape不一致。常见于：①时间步处理.py中timesteps参数修改后未重生成数据；②相关性分析.py输出维度与features不匹配（如相关性品种从12个删减为5个，但代码未同步修改拼接逻辑）。
解决：在train_v2.py开头添加校验：

assert train_x.shape[1:] == (60, 20), f"Expected (60,20), got {train_x.shape[1:]}"

若报错，立即检查时间步处理.py和相关性分析.py的输出shape。

5.3 现象：训练时val_loss极低（如0.0001）但测试集预测全是直线

原因：数据泄露。MinMaxScaler在训练集和测试集上分别fit，导致测试数据归一化范围错误。正确做法是：只对训练集fit_transform，测试集用同一scalertransform。
解决：确认train_v2.py中scaler定义位置：

# 正确：在划分train/test前fit scaler = MinMaxScaler() train_scaled = scaler.fit_transform(train_data) # fit only on train test_scaled = scaler.transform(test_data) # transform test with same scaler

5.4 现象：pred.py运行成功但pred.npy数值全为0.0

原因：模型权重文件损坏或路径错误。项目提供my_modelv1.ckpt和my_modelv2.ckpt两个版本，pred.py默认加载v1，但v1可能未完成训练（checkpoint_目录下只有.index无.data文件）。
解决：检查checkpoint/目录下完整文件：

• my_modelv2.ckpt.index（必须存在）
• my_modelv2.ckpt.data-00000-of-00001（必须存在）
  若缺失.data文件，说明训练中断，需重新运行train_v2.py。

5.5 现象：Web前端打不开，Web前端配置及使用教程.pdf里步骤失效

原因：PDF中教程基于旧版Flask框架，而项目实际使用pred_API.py启动FastAPI服务（uvicorn pred_API:app --host 0.0.0.0 --port 8000）。
解决：忽略PDF，直接运行：

pip install fastapi uvicorn uvicorn pred_API:app --host 0.0.0.0 --port 8000

然后浏览器访问http://127.0.0.1:8000/docs即可调用预测接口。PDF是历史遗留文档，以代码为准。

6. 进阶技巧：如何用此项目快速产出毕设答辩PPT的核心图表

6.1 三张必做图：让导师一眼认可工作量

毕设答辩最忌“只讲模型，不讲数据”。用本项目5分钟生成三张硬核图表：

6.2 快速生成答辩用数据表格：处理后的数据表.xlsx的隐藏价值

不要只把它当输入文件——它是答辩PPT“数据预处理”章节的素材库。用pandas快速统计：

import pandas as pd df = pd.read_excel('处理后的数据表.xlsx') stats = pd.DataFrame({ 'Mean': df.mean(), 'Std': df.std(), 'Min': df.min(), 'Max': df.max(), 'Missing': df.isnull().sum() }) stats.to_excel('data_statistics_for_ppt.xlsx') # 直接粘贴进PPT表格

提示：corr_soybean列的标准差应>0.1，若接近0说明相关性无变化，模型无法学习动态关系——此时需检查相关性分析.py的滚动窗口大小。

6.3 模型对比实验：30分钟增加“创新点”章节

毕设常被质疑“只是调包”。用本项目框架快速做对比实验：

1. 基线模型：注释掉cnn_attention_lstm.py中CNN和Attention层，只剩LSTM(128)；
2. 消融实验：保留CNN但移除Attention，或保留Attention但移除CNN；
3. 记录结果：在results_comparison.csv中存入各模型的val_mae和test_mape。

最终PPT呈现：

从那以后我每次做时序预测毕设，都强制走一遍“动态相关性→特征拼接→Attention可视化→三模型对比”四步流程——它不一定让模型精度提升10%，但能让答辩时导师问不出“你这相关性分析到底干了啥”的致命问题。希望帮到你。

本文还有配套的精品资源，点击获取