用Python线性回归做股票预测：AAPL量化全流程复盘

最近被一个做金融数据分析的朋友问到一个有点扎心的问题：“我把AAPL过去十年的历史数据丢进线性回归，训练集上R²能拉到0.9以上，为什么一放到实盘预测就翻车？”这个问题基本概括了线性模型在量化分析里的所有尴尬：它在数据拟合上很能打，但在价格预测上却常常露怯。这篇博文，我想用一次完整的实操复盘来讲清楚这件事——项目不复杂，拿Python金融量化常用的工具链，对AAPL股票数据做一次从数据清洗、特征构建、线性回归建模到滚动样本外验证的全流程分析。

文章会尽量按真实做项目的顺序推进，每一步都给出Python代码和能落地的参数选择，顺便把那些教科书里不会写、只在实盘调试中才会遇见的坑一并挑明。适用于刚开始接触量化分析、想用线性模型练手的开发者，也适合想搞清楚“为什么模型在行情数据上这么不稳定”的老朋友。读完你会明白：线性模型在金融分析里真正的价值，不在于做预测的“水晶球”，而在于当一个足够透明、可解释、能反复检验的基准模型。

1. 项目定位：线性模型能给股票分析带来什么

1.1 从噪声行情里找规律的真实场景

做金融量化的人，第一课往往不是学策略，而是学“认输”——你得先承认股价数据里的大部分波动是噪声，真正能被模型捕捉的结构性规律很少。AAPL这类高流动性标的尤其典型：日线数据看起来趋势清晰，但拆到分钟、小时级别，随机性大得可怕。线性模型恰恰是一个很好的“照妖镜”，它能帮你区分哪些规律是真实存在的，哪些只是数据的偶然巧合。

这个项目里，我选择AAPL作为分析对象，不是因为它有多特殊，而是看中三点：一是历史K线数据完整，日线数据跨度足够长，方便做滚动窗口验证；二是它的交易量大、参与者众多，价格行为比较接近有效市场假说里的理想样本，更适合用线性模型去“测试底线”；三是代码在它上面跑出来的结论，放到其他主流标的上也大体成立，不会因为数据太奇怪而失去参考价值。

至于为什么选线性回归而不是直接上神经网络，核心原因是这个阶段我要的不是“预测有多准”，而是“模型到底学到了什么”。线性回归的参数有明确的业务含义，一个特征系数是正还是负，能直接告诉我这个因子和未来收益是正相关还是负相关。这种可解释性，在量化研究的早期探索里比花哨的深度学习结构值钱得多。

1.2 线性模型的定位：解释大于预测

很多人一开始就抱着“预测准确率100%”的目标来做股价预测，这个期望需要尽快放下。线性模型在行情数据上最好的定位，是当“探测雷达”和“基准线”。什么叫探测雷达？就是你怀疑某个指标（比如过去5天的涨跌幅、市场整体情绪、成交量变化）对未来的股价方向有影响，线性模型能帮你快速得到一个方向性的判断和影响程度的粗略估计。什么叫基准线？你后来做了一个更复杂的模型，总得有个对比对象，如果复杂模型连线性回归都跑不过，那它大概率只是在过拟合噪声，而不是学到了更好的规律。

基于这个认知，我给这个项目定下的目标是：利用AAPL的日线数据，构建一个以线性回归为核心的预测流程，检验“动量因子”“波动率因子”“成交量因子”是否对AAPL未来短期收益方向存在稳定的解释力。输出物包括训练集拟合报告、滚动窗口样本外预测的胜率和盈亏比，以及一段可复现的Python代码框架。这套东西做扎实了，后续换数据、换因子、换模型只是改配置的事。

2. 数据工程：AAPL日线数据的获取与特征构建

2.1 数据源选型：一条命令拉取完整行情

做金融量化踩过最多坑的环节，其实是数据获取。行情数据错一天、缺一列、前复权和后复权搞错，后面所有分析都跟着错。我用的是yfinance，它对日常分析足够友好，一条命令就能拿到OHLCV（开盘、最高、最低、收盘、成交量）日线数据。代码长这样：

import yfinance as yf import pandas as pd import numpy as np df = yf.download("AAPL", start="2015-01-01", end="2023-12-31", auto_adjust=True) df = df[["Open", "High", "Low", "Close", "Volume"]].copy() df.index = pd.to_datetime(df.index) print(df.head())

有两个细节值得展开。第一，参数auto_adjust=True非常重要，它会在下载时自动应用复权因子，处理股票分红和拆股带来的价格跳空。如果不做复权，AAPL在历史上有过拆股记录，原始价格会出现不连续的断崖，回归模型会把这种拆股造成的“假下跌”当成真实规律去学习，得出的系数自然毫无意义。第二，日期索引一定要显式转成pd.to_datetime并做升序排列，后面做滚动窗口、合并特征的时候，索引数据类型不统一会引发各种诡异报错。

获取数据之后的第一步永远是“看一眼全貌”：

print(df.info()) print(df.isna().sum()) print(df.describe())

金融数据的一大特点是“看似规整实则到处是毛病”，节假日导致停牌、极端行情导致数据源推送缺失、本地时区转换导致日期错位，都会让DataFrame出现空值或重复索引。对于日线级别的分析，我的习惯是：如果某个交易日缺失，直接前向填充ffill()，因为从交易逻辑上说，停牌日的收盘价延续上一个交易日的价格是合理的近似；成交量则可以先填0再按后续逻辑处理。但要注意，如果缺失值超过总长度的1%，就得回到数据源重新检查拉取逻辑，靠补值是补不出可靠结论的。

2.2 特征工程：给线性模型配好输入

线性模型不像神经网络，它不会自动帮你找特征组合，喂进去什么，它就只能看到什么。所以这个环节做得好不好，直接决定模型上限。针对AAPL日线数据，我构建了下面几类特征，每个特征都有明确的交易含义：

构建代码如下：

df["ret_1"] = df["Close"].pct_change() df["ret_5"] = df["Close"].pct_change(5) df["ret_10"] = df["Close"].pct_change(10) df["vol_5"] = df["ret_1"].rolling(5).std() df["vol_20"] = df["ret_1"].rolling(20).std() df["volume_ratio"] = df["Volume"] / df["Volume"].rolling(20).mean() df["high_gap"] = (df["High"] - df["Close"]) / df["Close"] df["low_gap"] = (df["Close"] - df["Low"]) / df["Close"]

这些特征的计算逻辑要拆开看才有味道。ret_1和ret_5是一对“矛盾组合”，它们分别捕捉短期反转和中期动量，到底谁占上风，在不同市场阶段答案完全不一样，线性回归会用系数大小自动给出一个加权答案。vol_5和vol_20的差值，反映的是短期波动相对长期波动是放大还是收缩，这是个低延迟的风险监测指标。volume_ratio直接刻画量能，股价上涨时如果配合放量，信号可靠性远高于缩量上涨，这个特征在纯价格模型里经常被忽略，但它往往能提供差异化的解释信息。

做完特征之后，记得删掉前20个包含空值的样本，因为滚动窗口计算会让最早期的数据不完整：

df = df.dropna()

这里有个容易忽略的点：特征计算顺序不能乱。ret_5依赖Close，vol_5依赖ret_1，volume_ratio依赖Volume，任何一步提前dropna都会导致后续滑动窗口计算错位。我习惯先把所有特征都算完，最后统一去缺失值，中途不做任何删除操作。

2.3 训练集构造：时间切分与防未来泄漏

金融时间序列和常规机器学习最大的区别，在于样本之间存在强时间关联。用train_test_split的默认随机切分方式处理时间序列，是新手最容易踩的雷：随机抽样会把相邻日期的数据一个放进训练集、一个放进测试集，模型等于提前“看”到了测试集的信息，样本外表现自然虚高。

正确的做法是按时间顺序切分。我通常把前80%的数据作为训练集，最后20%作为测试集：

train_size = int(len(df) * 0.8) train = df.iloc[:train_size] test = df.iloc[train_size:]

这个切分比例不是拍脑袋定的。对于日线数据，如果总长度为2200个交易日左右（大约8年数据），训练集用1700多天，足够覆盖多种市场环境；测试集用400多天，也足以支撑胜率统计的显著性。如果测试窗口太短，比如只有50天，那胜率统计信噪比太低，模型好坏基本靠运气。

防泄漏还有另一个容易忽略的口子：标准化。如果先在整个数据集上计算均值和标准差，再切分训练集和测试集，测试集的统计信息已经在预处理阶段被模型间接使用过了。正确做法是只在训练集上fit标准化器，再用同一套参数transform测试集。

from sklearn.preprocessing import StandardScaler feature_cols = ["ret_1", "ret_5", "ret_10", "vol_5", "vol_20", "volume_ratio", "high_gap", "low_gap"] scaler = StandardScaler() X_train = scaler.fit_transform(train[feature_cols]) X_test = scaler.transform(test[feature_cols]) y_train = train["ret_1"].shift(-1).dropna().values

这个y_train的构造需要格外说明。我选的标签是“下一日收益率”，也就是用今天及今天以前的信息，去预测明天开盘或收盘的变动。.shift(-1)把收益率序列往前挪一天，让第t天的特征对应第t+1天的收益，正是为了对齐时间窗口。如果这一步做反了，模型就会学到“今天预测今天”的虚假高准确率，回测结果会让你兴奋一晚上，实盘亏一星期。

3. 建模拟实练：趋势线、多因子与正则化

3.1 第一条回归线：用日期预测收盘价

做任何建模实验，我建议都从最朴素、最“弱智”的模型开始。这里的第一条线就是用交易日序号去预测收盘价，说白了就是画一条时间趋势线：

import statsmodels.api as sm df["time_idx"] = np.arange(len(df)) X_time = sm.add_constant(df["time_idx"]) y_close = df["Close"] model_time = sm.OLS(y_close, X_time).fit() print(model_time.summary())

statsmodels的好处是回归结果报表详细，t统计量、p值、F统计量一眼看全。跑完之后你会看到一个非常“漂亮”的结果：截距项显著，时间项系数显著，整体拟合优度很高。如果只看这些数字，你会觉得“股价趋势完全可以用时间预测”，但这里藏着一个经典的统计学陷阱。

这个陷阱叫伪回归。AAPL收盘价本身是随机游走过程，它的水平（Level）会随时间漂移，而时间变量又是一个严格递增的序列，两个有趋势的序列放在一起回归，哪怕它们本质毫无关系，也很容易跑出高R²和显著系数。这个结果漂亮得毫无意义，因为它不符合线性回归的经典假设——残差应该是平稳的、均值为零的随机扰动，但价格数据天然不满足。

检验伪回归的标准方法是ADF单位根检验。对“价格”做该检验会得到一个很大的p值，说明序列存在单位根；对“日收益率”做同样的检验，p值迅速趋近于0，说明收益率是平稳的。这就是为什么后面建模一定用收益率而不是价格——收益率序列内部才是真正可以被线性模型尝试解释的规律所在，价格序列里的大部分“规律”都是数据本身的惯性。

3.2 多因子线性回归：把市场信息塞进方程

接下来是重头戏，把第2节构建的8个特征一起丢进线性回归，标签还是下一日收益率：

from sklearn.linear_model import LinearRegression model_mlr = LinearRegression() model_mlr.fit(X_train, y_train) y_pred_train = model_mlr.predict(X_train) coef_df = pd.DataFrame({ "feature": feature_cols, "coef": model_mlr.coef_, "abs_coef": np.abs(model_mlr.coef_) }).sort_values("abs_coef", ascending=False) print(coef_df)

先强调一个细节：这里标签我确实要先对齐再 fit，所以写完整一点：

df["target"] = df["ret_1"].shift(-1) df_model = df.dropna() train_size = int(len(df_model) * 0.8) train = df_model.iloc[:train_size] test = df_model.iloc[train_size:] X_train = scaler.fit_transform(train[feature_cols]) X_test = scaler.transform(test[feature_cols]) y_train = train["target"].values y_test = test["target"].values

拿到系数表之后，我第一件事不是看哪个系数大，而是看系数的符号是否符合常识。比如ret_5和ret_10这类动量因子的系数通常为正，说明过去一段时间涨得多的股票短期内倾向于继续涨，这是动量效应的体现。vol_5和vol_20的系数通常为负，说明波动率越高，未来收益越不确定，风险溢价为负在短期窗口内也说得通。如果某个系数符号和交易直觉完全相反，不要急着怀疑模型，先回头检查特征计算和标签对齐，很多时候是数据处理时日期错位了一天。

多因子回归的问题在于特征之间往往高度相关。ret_5和ret_10都是动量类指标，天然相关；vol_5和vol_20也纠缠不清；high_gap又和收益率本身强相关。这种多重共线性会让系数估计变得极不稳定，训练集和测试集之间，系数的符号甚至可能翻转。

3.3 正则化处理：解决共线性的正确姿势

面对多重共线性，最有效的处理手段不是删特征，而是正则化。岭回归（Ridge）和套索回归（Lasso）在线性模型的损失函数里加了一个惩罚项，约束系数的大小。

from sklearn.linear_model import RidgeCV ridge = RidgeCV(alphas=np.logspace(-3, 3, 30)) ridge.fit(X_train, y_train) print("best alpha:", ridge.alpha_) print(pd.Series(ridge.coef_, index=feature_cols).round(4))

选Alpha的过程也值得细说。我用的是RidgeCV，它会自动在给定的Alpha序列里做交叉验证，挑出能使均方误差最小的那个惩罚强度。但注意，这里的交叉验证如果直接用KFold会出问题，因为时间序列的交叉验证必须保持时间顺序，常用的替代方案是使用时间序列切分器，比如TimeSeriesSplit。它按时间前进方向切出多组训练和验证集，保证任何验证集样本的时间索引都晚于对应的训练集样本。

在实际跑AAPL数据时，我最常用的是TimeSeriesSplit(n_splits=5)，配合RidgeCV一起用，得到的Alpha会比固定切分更稳定。后面滚动验证环节，我也会沿用这个思路。

Ridge适合应对“所有特征都有点用、但彼此相关”的场景，它不会把系数压到零，而是压缩系数的绝对值；Lasso则倾向于把弱特征的系数直接压成0，起到特征选择的效果。对收益率这种信噪比很低的数据，我个人偏好先跑RidgeCV，因为它保留了所有特征的贡献，方便后续做因子解释性分析。如果追求更简洁的模型，再跑Lasso对比一次，看看哪些特征被踢出局了。

4. 滚动窗口检验：样本外预测才能撑住场面

4.1 滚动窗口的逻辑与参数选择

固定切分训练集和测试集只是第一步，真正接近实战的检验方式是滚动窗口验证。逻辑不复杂：设定一个长度为L的训练窗口，用它预测接下来H天的收益，然后把窗口整体向前滑动一步，重新训练、重新预测，直到覆盖全部样本。

为什么必须这么做？因为市场规律是时变的。8年前有效的一个因子，现在可能已经完全失效；牛市的动量效应在熊市里往往反转。固定切分只能证明模型在“那一个”时间切片上的样本外表现，滚动窗口则能展示模型在不同市场阶段、不同波动环境下的稳定性，这才是量化模型能否长期存活的关键。

窗口参数L和预测步长H怎么选，取决于你交易什么频率，这一点后面单独说，这里先给一个基础配置：

• 训练窗口L：250个交易日，大约一年。
• 预测步长H：5个交易日，大约一周。
• 滑行步长：1个交易日，也可改成H，减少计算量。

为什么训练窗口取一年？太短（比如20天）模型会跟着最近一段行情剧烈抖动，噪声被当成信号；太长（比如1000天）模型又太钝，无法适应市场风格切换。在AAPL这种高流动性标的上，250天是一个能平衡“样本量足够”和“新鲜度足够”的经验值。

4.2 滚动回归实战代码

核心代码其实是一个循环：每次训练都在窗口尾端做一次预测，记录预测值和真实值。

from sklearn.linear_model import Ridge window = 250 step = 5 records = [] X_all = scaler.fit_transform(df_model[feature_cols]) y_all = df_model["target"].values idx = df_model.index for i in range(window, len(df_model) - step, step): X_train_roll = X_all[i - window : i] y_train_roll = y_all[i - window : i] X_test_roll = X_all[i : i + step] y_test_roll = y_all[i : i + step] model = Ridge(alpha=ridge.alpha_) model.fit(X_train_roll, y_train_roll) y_pred_roll = model.predict(X_test_roll) for j in range(len(y_test_roll)): records.append({ "date": idx[i + j], "y_true": y_test_roll[j], "y_pred": y_pred_roll[j], "direction": 1 if y_test_roll[j] > 0 else 0, "pred_direction": 1 if y_pred_roll[j] > 0 else 0 }) result_df = pd.DataFrame(records)

这段代码里有几个设计细节值得划重点。第一，滑行步长我取的是step=5，也就是每预测完5天，窗口一次性前进5天，这样每次训练窗口的数据不重叠，计算效率高很多，也避免测试样本高度自相关导致统计指标失真。如果每1天滑一次，结果会更平滑，但训练耗时线性增长，而且相邻测试样本几乎相同，胜率统计的独立样本数并没有实质增加。第二，每次滚动训练都新建一个Ridge对象，相当于每个预测时刻都用最新数据重新学了一遍模型参数，这样才能反映市场的时变性。第三，预测的是未来5个交易日的每日收益，而不是直接用第t+5天相对第t天的整体收益，后者会丢失中间每天的路径信息，对交易参考价值更小。

4.3 结果度量：胜率、盈亏比与回撤怎么算

拿到预测记录后，不能只盯着准确率一个数字，那会掩盖很多问题：

total = len(result_df) hit = result_df["direction"] == result_df["pred_direction"] accuracy = hit.mean() gains = result_df.loc[hit, "y_true"] losses = result_df.loc[~hit, "y_true"] avg_win = gains.mean() if len(gains) else 0 avg_loss = losses.mean() if len(losses) else 0 profit_loss_ratio = abs(avg_win / avg_loss) if avg_loss != 0 else 0 print(f"样本数: {total}") print(f"方向准确率: {accuracy:.2%}") print(f"平均盈利: {avg_win:.4%}, 平均亏损: {avg_loss:.4%}, 盈亏比: {profit_loss_ratio:.2f}")

这些指标要组合起来解读。方向准确率50%是一个分水岭。如果准确率在52%左右，单看会觉得很鸡肋，但如果盈亏比超过1.2，说明模型在判断对了的时候吃到的肉比判断错了时挨的打要多，仍然有实际交易价值。反过来，准确率60%但盈亏比只有0.6，平均下来还是亏钱的，因为做错时亏掉的仓位往往更大。

条件期望的拆解更接近实战。市场上涨的日子里模型预测对的次数占比、市场下跌的日子里预测对的次数占比，这两个比率差异往往比总体准确率更有意思。很多线性模型在牛市环境里预测上涨准确率很高，但下跌行情里预测能力几乎为零，这种不对称性直接影响你在回撤期的应对方案，也提示你不能盲目相信单一模型，后面可以考虑叠加风险控制模块。

5. 线性模型在行情数据上的5个大坑

5.1 伪回归：一个必然踩的坑

第一坑就是前面提到的伪回归。拿非平稳的价格序列和同样非平稳的时间变量做回归，R²高到离谱，系数显著到离谱，实盘起来亏到离谱。这类问题的通用检验方法就是ADF单位根检验，不通过的序列不要直接进入线性回归，一律先转成收益率或差分序列。

当然也存在一个常见的争论：如果要预测的标的本身就是价格水平，那不做差分行不行？我的态度很明确：如果目标是研究驱动因素，比如判断动量因子是否有效，那用收益率做标签更干净；如果目标是直接预测N天后价格点位，那误差项会带有明显的自相关结构，必须用时间序列模型去专门处理，不能用普通最小二乘的框架去套。

5.2 多重共线性毁掉你的系数解读

第二个坑是多重共线性。特征之间相关程度高，回归系数的方差会被放大，样本稍有变动，系数就在正负之间大幅跳变。我见过最极端的案例，同一个动量因子，在2019年窗口里系数是正的、统计显著，换到2022年窗口就变成负的、同样统计显著，两个结果都能讲出故事，但至少一个是在胡说。

解决共线性不一定要删特征。用VIF（方差膨胀因子）诊断一下相关程度，轻度的用Ridge，严重的再考虑PCA或者直接剔除冗余变量。实操上我会优先保留经济逻辑上更直接的特征，比如有了ret_5之后，ret_10的增量信息有限，删除它通常比加罚项更干脆。

5.3 数据泄漏藏在预处理细节里

第三个坑在数据预处理环节，也是最隐蔽的。特征计算本身也可能造成泄漏。比如你想用“过去20天最高价突破”作为特征，但这个突破信号如果你在当天收盘时已经知道，那么用它预测当天之后的新开盘是合理的；可如果你不小心用了未来20天的数据窗口去计算这个最高价，就等于把未来的信息塞进了今天的特征里。

更常见的泄漏来自归一化。Z-score标准化如果在整个数据集上先算均值和方差，测试集的分布信息已经悄悄进入了模型。正确做法是每个滚动窗口内部各自fit标准化器，再用同样参数去transform测试窗口，之前第2节已经演示过，这里再强调一次：所有预处理步骤都必须以训练窗口为参照，而不是以全局数据为参照。

5.4 别用MSE当交易决策指标

第四个坑，是把回归模型的损失函数当成交易决策的唯一指标。MSE、RMSE这些指标衡量的是预测值和真实值的数值误差，但在交易里，真正影响盈亏的是方向正确性和盈亏比。一个模型可能RMSE很小，因为它的预测值整体贴近真实价格，但它对涨跌方向的判断准确率只有50%，这种模型在交易上是没用的。

更讽刺的是，线性回归的损失函数天然会偏向“预测到主要的波动幅度”，把许多大涨大跌的极端样本往均值方向收缩，导致它天然低估尾部风险。这就是为什么我每次做完回归，都会立刻算一次方向准确率和盈亏比，哪怕回归模型的R²只有0.03，只要方向胜率稳定在53%以上，配合合理仓位管理，它就是一个可以进入下一步回测验证的信号源。

5.5 任务定义决定模型上限

第五个坑比较抽象，但影响最深远：预测任务的定义方式决定了模型上限。把预测目标设为“未来5日总收益”和“未来5天每一天的收益方向”，看起来只是标签形式的不同，实际上建模难度差异巨大。“未来5日总收益”实际上是叠加了5天噪声的累积量，直接回归需要模型在更长周期上保持稳定的解释力；“每一天的收益方向”则噪音更高，但胜率评估更接近交易视角。而如果把目标改成“未来5天最高价相对当前价的涨幅”，那就是另一个更难的极值预测问题，线性模型的适用性会进一步下降。

做这个项目时我最终选择了“未来5日收益方向”作为核心任务，因为它在理论可解性、样本数量和交易意义之间取得了平衡。这个选择不是唯一的，但你必须清楚自己选了什么，以及为什么选。

6. 复盘：这个项目到底学到了什么

做完整个流程之后，我拿AAPL同一段数据反复跑了不止一轮。说实话，线性模型在这类行情数据上的样本外方向准确率很难稳定超过54%到55%，这在很多人眼里不算一个令人兴奋的数字。但换个角度看，在一个接近有效市场的标的上，一个由几个粗糙因子堆出来的线性模型能保持正期望，这件事本身就说明这些因子里确实含有微弱的、未被市场完全定价的信息。

后面要扩展，我给的推荐方向有三个。第一，把单标的换成板块或全市场选股，用线性回归做截面选股打分，这才是线性模型在量化里更舒服的战场——不是预测价格，而是排序。第二，叠加非线性特征，比如把波动率做成分箱变量，或者加入技术指标的交互项，在可解释性不变的前提下扩大模型容量。第三，也是最推荐的，把模型输出的预测值当成一个信号，外面再接一层仓位管理和风险控制逻辑，这才是一个完整的量化系统。

这个项目让我对数据泄漏、窗口选择和指标定义有了更敏感的直觉。很多时候，模型不赚钱不是因为数学不够复杂，而是数据流里某个不经意的小错误让整个回测建立在幻觉之上。希望这篇复盘能帮你少踩几个同样的坑，也欢迎你在自己的标的上跑一遍同样的流程，对比一下结果会不会呈现不同的规律。