简介一份名为“涨跌预测高质量精讲”的压缩包是一套面向金融时序预测初学者的机器学习与深度学习实战资料聚焦股票等市场价格涨跌趋势的建模流程。包内共七个文件涵盖四个脚本、两张数据表和一个模型文件整体体积仅620KB轻量但环节完整。内容沿数据加载、特征工程、模型训练到对比评估的主线展开LSTM用于捕捉价格历史波动规律经典机器学习算法则作为基线对照附带的数据表包含开盘、收盘、成交量及MACD、RSI等常用技术指标可直接作为模型输入另一张结果表则存储预测输出与关联分析结果。已有336人学习下载适合希望结合代码与数据理解涨跌预测原理、快速上手时间序列建模的读者无论是课程设计还是个人研究都能从中获得可复现的参考流程。1. 涨跌预测资料到手先别建模先想清楚三件事很多朋友拿到一份“涨跌预测高质量精讲”之类的资料包解压后对着模型代码跑一遍回测胜率漂亮得吓人一上实盘就打回原形。这不是你资质有问题而是涨跌预测链条上有三个前提被跳过了数据到底干不干净、标签怎么定义才算不作弊、回测口径是否真的模拟了“当时只能看到当时”。顺着这三条线往下挖,你会发现真正值钱的不是某个模型而是一套能自证清白的流程。这套笔记适合两类人刚入手涨跌预测、想系统建立技术路线的学习者以及做了一段时间、回测屡屡翻车、想排查自己哪里泄漏了未来信息的从业者。后面所有代码都围绕同一个目标让你跑出来的胜率和实盘差距尽量小。2. 数据清洗与标签设计决定涨跌预测上限的隐藏工序2.1 数据质量直接决定预测上限这个环节为什么最容易被跳过做涨跌预测的人往往一上来就挑模型却很少有人先回答一个问题喂给模型的数据里有没有掺进“当时根本拿不到”的信息。常见的数据源下载到的K线通常只保证字段齐全不保证干净日期重复、停牌时段残留、前复权数据在除权除息日出现跳变、甚至某些平台会把当日实时数据混进历史序列。这些脏数据不处理模型学到的就是市场噪声和平台bug的混合体换一个数据源立刻失效。我自己一般会用三个标准来验收原始数据时间索引严格递增且无重复停牌时间段要么补齐要么删除不留半根无效K线复权方式统一避免用前复权数据直接做区间收益计算时出现历史价格被改写的问题。满足这三条数据才能进入特征工程否则后面做得再花哨都是沙上建塔。2.2 用 pandas 把日K线清洗到可用状态常见的数据格式是 CSV包含 date、open、high、low、close、volume 这几列。以下代码把原始数据读进来依次做排序、去重、停牌过滤和跳空检查半小时能处理完几年的日线数据。import pandas as pd import numpy as np df pd.read_csv(stock_daily.csv, parse_dates[date]) # 1. 按时间排序并去重同一天出现两根K线属于数据源事故 df df.sort_values(date).drop_duplicates(subsetdate, keeplast) # 2. 过滤停牌成交量为0且收盘价没变化的行对预测没有信息量 df df[~((df[volume] 0) (df[close] df[close].shift(1)))] # 3. 跳空检查开盘价相对昨日收盘价变动超过阈值需要人工确认 df[prev_close] df[close].shift(1) df[gap] df[open] / df[prev_close] - 1 abnormal df[np.abs(df[gap]) 0.1] # 阈值按品种波动率调整 print(f发现 {len(abnormal)} 根疑似异常K线请结合复权因子核对)逻辑说明去重保留keeplast是因为复权数据在同一天可能被数据源重复追加保留最后一次快照更可靠。停牌过滤的条件同时判断成交量和价格变化能避免把“缩量十字星”这类正常K线误删。跳空检测不是自动清理而是定位复权异常的线索——如果某天 gap 超过 5%但当天并没有公告级别的利好利空多半是前复权因子计算错位。参数说明gap 阈值需要按品种调整波动率高的品种设宽一点通常在 0.05 到 0.15 之间。这一步不要想着自动修正数据人工核对异常点才是稳妥做法。2.3 标签是预测的灵魂未来N根K线的涨跌方向怎么定涨跌预测的标签定义直接决定模型学什么。常见做法是取未来 N 根K线的累计收益高于阈值记为 1否则记为 0。N 的选择要和你的交易频率对齐做短线看 5 根做波段看 20 根。阈值一般取 0但如果你要覆盖交易成本可以把阈值设为 0.002 之类的正数。horizon 5 # 预测未来5根K线的方向 threshold 0.0 # 收益大于0就算涨 df[future_close] df[close].shift(-horizon) df[future_return] df[future_close] / df[close] - 1 df[label] (df[future_return] threshold).astype(int) # 删除尾部没有未来数据的行避免NaN进入模型 df df.dropna(subset[future_return])逻辑说明shift(-horizon)把未来收盘价往前挪到今天的位置从而算出“今天之后 N 根K线的收益”。这个字段只用来构造标签绝对不能把它当特征喂给模型否则就是典型的未来函数泄漏。构造完标签后尾部 horizon 行没有未来数据直接丢弃。参数说明horizon 是涨跌预测里最敏感的参数之一。5 适合日内或隔日短线20 适合持仓两周左右的波段。阈值设0代表只要未来不跌就算正样本如果做多为主可以设成 0.002 让模型只预测“涨幅够覆盖成本”的情况。样本不均衡时不要急着改阈值先看模型在默认设置下的表现。2.4 特征集的最小可用清单不要一开始就堆一百个指标很多资料会展示几十个技术指标同时作为特征这在样本量不够时几乎必然导致过拟合。我一般会从三类特征起步滞后收益、位置类指标、量能变化。下面代码构造了一个 10 维左右的初始特征集足够检验模型是否有效。# 滞后收益过去5天的累计收益捕捉短期动量 for lag in [1, 2, 3, 5]: df[fret_{lag}] df[close].pct_change(lag) # 位置类指标当前价格在过去N日区间中的相对位置 df[pos_10] (df[close] - df[close].rolling(10).min()) / \ (df[close].rolling(10).max() - df[close].rolling(10).min()) # 量能变化相对过去5日均量的比值 df[vol_ratio] df[volume] / df[volume].rolling(5).mean() # RSI(6)简单实现作为超买超卖参考 delta df[close].diff() gain delta.clip(lower0).rolling(6).mean() loss (-delta.clip(upper0)).rolling(6).mean() df[rsi_6] 100 - 100 / (1 gain / (loss 1e-9)) feature_cols [ret_1, ret_2, ret_3, ret_5, pos_10, vol_ratio, rsi_6] df df.dropna(subsetfeature_cols [label])逻辑说明每类特征对应一种市场状态滞后收益刻画趋势惯性位置特征刻画超买超卖量能特征刻画参与度变化。RSI 的计算用了指数平滑的简化版本加1e-9防止除零。这些特征在构造时必须用rolling和shift保证当前时刻只用到历史数据不会偷看未来。参数说明窗口长度 6、10 都是经验值可以根据品种波动特性调整。特征多了容易过拟合少了模型学不到规律。一个实用原则先用这些基础特征跑一版基线确认基线有效后再逐步增加特征每次增加都要重新走一遍完整的样本外验证。3. 模型选型与训练切分XGBoost 是强基线LSTM 不是必选项3.1 分类还是回归预测涨跌方向为什么更适合二分类涨跌预测可以做成回归输出未来收益的具体数值也可以做成分类只判断方向。实际业务中交易决策依赖的是方向和置信度而不是精确的收益数字。分类模型直接优化胜率、召回率这些可解释指标比回归后人工设阈值要直观得多。另外金融收益数据噪声极大回归模型很容易被极端值带偏分类用阈值切分后对异常值更鲁棒。我通常设置二分类未来收益大于阈值就是涨否则就是跌。三分类涨、平、跌的边界很难定义平的那一类样本边界模糊实际效果往往不如二分类加置信度过滤。3.2 用 XGBoost 搭一个能上线的二分类器XGBoost 是涨跌预测领域公认的强基线处理表格特征效果好、训练快、对特征尺度不敏感。以下代码展示了标准的训练流程重点在参数设置和早停机制。import xgboost as xgb from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import accuracy_score X df[feature_cols].values y df[label].values # 用时间序列切分代替随机K折后文会详细解释 tscv TimeSeriesSplit(n_splits5) for fold, (train_idx, val_idx) in enumerate(tscv.split(X)): X_train, X_val X[train_idx], X[val_idx] y_train, y_val y[train_idx], y[val_idx] model xgb.XGBClassifier( objectivebinary:logistic, max_depth3, learning_rate0.05, subsample0.8, colsample_bytree0.8, eval_metriclogloss, n_estimators1000, early_stopping_rounds20, random_state42 ) model.fit( X_train, y_train, eval_set[(X_val, y_val)], verboseFalse ) pred model.predict(X_val) print(ffold {fold} 准确率: {accuracy_score(y_val, pred):.4f})逻辑说明objectivebinary:logistic输出0到1之间的概率max_depth3限制单棵树深度减少对噪声的拟合learning_rate0.05配合 1000 棵树用早停自动选择迭代次数。eval_set指向验证集early_stopping_rounds20表示连续20轮验证损失不下降就停止。参数说明subsample0.8和colsample_bytree0.8让每棵树只用80%的样本和特征增加随机性、降低方差。这两个参数在金融数据上几乎总是有益。max_depth超过6通常过拟合尤其是特征不多的时候。如果数据量大可以把learning_rate调到0.1树的数量相应减少到300左右。3.3 时间序列切分不是随便 splitTimeSeriesSplit 的正确用法涨跌预测数据天然带时间顺序随机打乱后切分训练集和测试集等于允许模型看到未来。任何一个严谨的方案都必须用时间序列切分训练集永远是测试集之前的时段。上面代码中使用的TimeSeriesSplit正是干这件事——它按时间顺序递增地扩展训练集每次用最新的数据段做验证。from sklearn.model_selection import TimeSeriesSplit # n_splits5 表示进行5次滚动验证每次训练集都比上一次多一个时段 tscv TimeSeriesSplit(n_splits5) for train_idx, test_idx in tscv.split(X): # 训练集索引全部小于测试集索引 print(f训练集最大时间位置: {train_idx.max()}, 测试集最小时间位置: {test_idx.min()}) assert train_idx.max() test_idx.min()逻辑说明TimeSeriesSplit每次切分都保证训练集在时间上先于测试集从而最大程度模拟实际交易中的情景用过去预测未来。而随机 K 折会把未来的样本混进训练集让模型“偷看”未来行情回测指标虚高得离谱。参数说明n_splits越多每个验证段越短评估结果噪声越大。一般设 4 到 6 次比较均衡。做参数调优时最好在这同一个切分对象上做网格搜索不要在固定测试集上反复试参数否则测试集也会被调参过程污染。3.4 LSTM 到底用不用数据量、序列长度和成本三笔账不少资料把 LSTM 讲得神乎其神好像涨跌预测只有深度学习能做。实际上LSTM 在预测中表现好的前提是数据量足够大至少数万根K线、序列模式有长期依赖、且你有成本承受训练和调参。对于几千根日K线的样本量XGBoost 几乎总是比 LSTM 稳。对比项XGBoostLSTM最低样本量几千条即可通常要求数万条以上特征形式支持表格特征无需归一化需要构造滑动窗口序列特征必须缩放到同一量级可解释性特征重要性可直接查看黑匣子难以解释预测依据训练成本分钟级小时级还需调学习率、隐层数等参数如果你确实要试 LSTM建议先构造形状为样本数时间步长特征数的3D数组时间步长选 10 到 20同时用和 XGBoost 完全一样的训练/测试切分。但我的经验是先跑通 XGBoost 基线如果基线样本外准确率没有明显超过50%LSTM 也不会有奇迹。深度学习在涨跌预测里是手段不是银弹。4. 回测口径与评估指标胜率之外更要看回撤和盈亏比4.1 回测胜率虚高的核心原因前视偏差与成交价偏差你会在资料里看到不少高胜率回测但实盘对不上账。最常见的猫腻出现在成交价上模型用当天收盘后的数据算出信号回测却按当天收盘价成交。现实中行情已经走完你根本不可能在收盘那一刻成交。正确的口径是T 日收盘后产生信号T1 日开盘或收盘执行交易。另一个隐蔽问题是信号与执行之间隔了多少根K线。如果用的是日线数据T1 开盘成交已经足够乐观如果用分钟线做预测信号延迟 5 分钟和延迟 30 分钟结果可能天差地别。回测时故意选乐观成交价会让所有指标都失真。4.2 一个最小回测引擎逐日遍历与资金曲线计算下面代码展示了一个最小但口径正确的回测循环用模型在每一天给出预测次日开盘价成交扣手续费和滑点。import numpy as np import pandas as pd # 假设 df 中已有 model_prob 列模型输出的上涨概率和 open 列 df[signal] (df[model_prob] 0.5).astype(int) df[position] df[signal].shift(1) # 信号延迟一天执行 # 用次日开盘价买入计算当日收益 df[ret_exec] df[close].pct_change() * df[position] # 交易成本每次换仓扣双边手续费滑点合计约0.0006 df[turnover] df[position].diff().abs() fee_rate 0.0006 df[net_ret] df[ret_exec] - df[turnover] * fee_rate # 资金曲线 df[equity] (1 df[net_ret]).cumprod()逻辑说明shift(1)是回测里最重要的一个函数——它把所有信号整体往后挪一天模拟了“今天收盘后决策明天才能交易”的真实约束。turnover计算每天仓位变化只有换仓才扣费用。net_ret是扣费后的每日净值变化资金曲线就是它的累乘。参数说明fee_rate0.0006适合流动性好的股票或期货双边算上了佣金、印花税和滑点。如果品种流动性差建议按 0.001 以上设置。保守的估计永远比乐观的好因为实盘滑点往往会超出你的预期。4.3 用胜率、盈亏比、最大回撤和夏普把模型看清楚只看胜率是一个常见的误区。60% 胜率但平均赚 1%、平均亏 3%长期必然亏损。判断涨跌预测模型是否值得做至少要看四个指标# 胜率净收益为正的比例 win_rate (df[net_ret] 0).mean() # 盈亏比平均盈利 / 平均亏损的绝对值 wins df.loc[df[net_ret] 0, net_ret] losses df.loc[df[net_ret] 0, net_ret] profit_factor wins.mean() / abs(losses.mean()) # 最大回撤资金曲线从峰值回落的最大幅度 cum df[equity] drawdown cum / cum.cummax() - 1 max_drawdown drawdown.min() # 夏普比率年化用日收益均值/标准差 * 年化因子 daily_ret df[net_ret] sharpe daily_ret.mean() / daily_ret.std() * np.sqrt(252) print(f胜率: {win_rate:.2%}, 盈亏比: {profit_factor:.2f}, f最大回撤: {max_drawdown:.2%}, 夏普: {sharpe:.2f})逻辑说明这四个指标从不同角度刻画模型质量胜率反映方向准确性盈亏比反映赔率结构最大回撤反映极端风险夏普反映风险调整后收益。一个能实盘的模型胜率不一定高但盈亏比和最大回撤必须可接受。参数说明年化因子 252 是A股全年交易日数量期货用 243 或 252 均可差异不大。如果夏普小于1说明每承担一单位风险换来的收益有限这个模型还不足以覆盖实盘中的各种不确定性。4.4 walk-forward 回测的正确姿势滚动训练与样本外验证一次性把数据切成训练集和测试集只验证一次结果偶然性很大。walk-forward 分析的做法是多次滚动训练模型每次都只预测未来一小段把多段样本外结果拼起来评估。这比任何一次性的切分都更接近真实交易状态。def walk_forward_predict(X, y, train_size2000, step250): preds [] for start in range(0, len(X) - train_size, step): train_end start train_size test_end train_end step if test_end len(X): break X_train, X_test X[start:train_end], X[train_end:test_end] y_train y[start:train_end] model xgb.XGBClassifier(max_depth3, learning_rate0.05, subsample0.8, colsample_bytree0.8, n_estimators300) model.fit(X_train, y_train) pred_prob model.predict_proba(X_test)[:, 1] preds.extend(pred_prob) return np.array(preds)逻辑说明train_size2000表示每次用最近 2000 根K线训练step250表示每次向后滚动预测 250 根K线。每次预测时模型只用当时已有的数据严格模拟实盘。预测结束后把各段预测结果拼起来与真实的 y 对齐计算整体准确率和回测曲线。参数说明train_size 和 step 的比例通常为 4:1 到 8:1。train_size 太小模型欠拟合太大则计算量大且对市场变化反应慢。step 越大验证次数越少结果越粗糙。调参时要固定 walk-forward 的设置否则模型参数和验证窗口会互相耦合导致评估失真。5. 涨跌预测常见避坑指南五个高频翻车点与对应解法5.1 坑一特征标准化用了全样本数据验证集被剧透现象模型在训练集准确率 70%测试集也有 68%但实盘表现差。回查代码发现做归一化时用了所有数据的均值和标准差。 原因标准化像(x - mean) / std中的 mean 和 std 如果从全样本算出其实已经包含验证集和测试集的信息。这叫特征泄漏验证集不再独立评估结果虚高。 解决把标准化放在时间序列切分之后只用训练集拟合 scaler再用同一组参数转换验证集和测试集。常见插件方案是 Pipeline 加 TimeSeriesSplit但核心原则是确保任何“学习过程”都只在训练集上进行。5.2 坑二随机打乱样本导致时间自相关泄漏现象用train_test_split(shuffleTrue)后准确率很高模型表现好得难以置信改用按时间顺序切分后准确率立刻降到 51%。 原因金融时间序列有强自相关性相邻几天的数据高度相似。随机打乱后训练集里混进了测试集相邻时段的数据模型等于见过类似行情。 解决一律使用TimeSeriesSplit或自定义按时间排序的索引切分。任何涉及随机打乱的交叉验证在涨跌预测里都是坑。5.3 坑三标签阈值不考虑交易成本实盘胜率失真现象预测准确率 55%实盘却亏损进一步分析发现模型预测的“涨”很多只是微涨扣除手续费和滑点后变成亏。 原因标签阈值设为 0等于把未来收益 0.01% 也算作正确预测。实盘单次成本可能就到 0.06%这种微涨根本无法覆盖成本。 解决标签构造时将阈值设置为fee_rate slippage比如 0.001 或更高。同时回测时也要扣同样的成本从标签到回测全链路保持一致的交易成本口径。5.4 坑四特征越加越多模型记住了噪声现象基础特征跑出 52% 准确率加入 50 个衍生指标后训练集准确率升到 80%但样本外准确率反而降到 49%。 原因特征多了以后模型有足够自由度去拟合训练集中的随机噪声而不是学到一个通用的涨跌规律。 解决控制特征数量优先选择有经济含义的指标。每次只增加少量特征并观察 walk-forward 样本外表现如果样本外准确率没有提升坚决回退。特征重要性排名靠后且不稳定的特征直接去掉。5.5 坑五回测成交价用得太乐观低估了滑点冲击现象资金曲线平滑上涨实盘后交易成本明显大于回测假设净值曲线下降。 原因回测假设“信号出现后可以立刻以当时价格成交”但实际下单有延迟和冲击成本尤其信号集中出现时比如多只票同时触发成交价会比模型假设的更差。 解决回测里统一用次日开盘价或次日收盘价成交对流动性差的品种额外加 0.001 的滑点惩罚。保守回测虽然数字难看但那是你真正能在实盘中拿到的数字。6. 把涨跌预测做成一棵可持续验证的流水线从回测到记录最后一个具体的技巧是一套我每做一个涨跌预测模型都会搭的最小流水线。它的核心不是让某次回测好看而是让每一次改动都能被对比、被追溯最终形成你个人的基线数据库。# walkforward_pipeline.py # 用法: python walkforward_pipeline.py --data stock_daily.csv --horizon 5 import argparse import pandas as pd import numpy as np import xgboost as xgb def run_pipeline(data_path, horizon5, fee_rate0.0006, train_size2000, step250): df load_and_clean(data_path) # 复用第2章的清洗流程 df build_features_and_label(df, horizon) # 复用第2章的特征与标签 X, y df[feature_cols].values, df[label].values pred_prob walk_forward_predict(X, y, train_sizetrain_size, stepstep) # 对齐到对应时间段的真实标签 df_pred df.iloc[-len(pred_prob):].copy() df_pred[prob] pred_prob df_pred[signal] (df_pred[prob] 0.5).astype(int) df_pred[position] df_pred[signal].shift(1) df_pred[ret_exec] df_pred[close].pct_change() * df_pred[position] df_pred[turnover] df_pred[position].diff().abs() df_pred[net_ret] df_pred[ret_exec] - df_pred[turnover] * fee_rate df_pred[equity] (1 df_pred[net_ret]).cumprod() metrics compute_metrics(df_pred) return metrics, df_pred[equity] if __name__ __main__: args argparse.ArgumentParser() args.add_argument(--data, typestr, requiredTrue) args.add_argument(--horizon, typeint, default5) args.add_argument(--fee_rate, typefloat, default0.0006) args.add_argument(--train_size, typeint, default2000) args.add_argument(--step, typeint, default250) args args.parse_args() metrics, equity run_pipeline(args.data, args.horizon, args.fee_rate, args.train_size, args.step) print(metrics)这套流水线的价值在于每小时都能重新跑一遍。每当你改一个特征、调一个参数就把它和上一次的结果、胜率、最大回撤一起追加到实验记录表里。你很快会发现大多数改动都在让指标原地抖动只有少数几个改动是真正有效的——那些记录会告诉你钱花在哪里最有价值。我的习惯是每周五收盘后跑一次全量 walk-forward把结果提交到一张单独的记录表一个月下来回头看模型是否在退化一目了然靠的就是最笨的重复劳动和详细日志。涨跌预测本质上是一个概率游戏你唯一能掌握的就是流程的严谨程度。这行没有银弹希望这套从数据到回测再到记录的方法能帮你少走弯路。本文还有配套的精品资源点击获取
简介一份名为“涨跌预测高质量精讲”的压缩包是一套面向金融时序预测初学者的机器学习与深度学习实战资料聚焦股票等市场价格涨跌趋势的建模流程。包内共七个文件涵盖四个脚本、两张数据表和一个模型文件整体体积仅620KB轻量但环节完整。内容沿数据加载、特征工程、模型训练到对比评估的主线展开LSTM用于捕捉价格历史波动规律经典机器学习算法则作为基线对照附带的数据表包含开盘、收盘、成交量及MACD、RSI等常用技术指标可直接作为模型输入另一张结果表则存储预测输出与关联分析结果。已有336人学习下载适合希望结合代码与数据理解涨跌预测原理、快速上手时间序列建模的读者无论是课程设计还是个人研究都能从中获得可复现的参考流程。1. 涨跌预测资料到手先别建模先想清楚三件事很多朋友拿到一份“涨跌预测高质量精讲”之类的资料包解压后对着模型代码跑一遍回测胜率漂亮得吓人一上实盘就打回原形。这不是你资质有问题而是涨跌预测链条上有三个前提被跳过了数据到底干不干净、标签怎么定义才算不作弊、回测口径是否真的模拟了“当时只能看到当时”。顺着这三条线往下挖,你会发现真正值钱的不是某个模型而是一套能自证清白的流程。这套笔记适合两类人刚入手涨跌预测、想系统建立技术路线的学习者以及做了一段时间、回测屡屡翻车、想排查自己哪里泄漏了未来信息的从业者。后面所有代码都围绕同一个目标让你跑出来的胜率和实盘差距尽量小。2. 数据清洗与标签设计决定涨跌预测上限的隐藏工序2.1 数据质量直接决定预测上限这个环节为什么最容易被跳过做涨跌预测的人往往一上来就挑模型却很少有人先回答一个问题喂给模型的数据里有没有掺进“当时根本拿不到”的信息。常见的数据源下载到的K线通常只保证字段齐全不保证干净日期重复、停牌时段残留、前复权数据在除权除息日出现跳变、甚至某些平台会把当日实时数据混进历史序列。这些脏数据不处理模型学到的就是市场噪声和平台bug的混合体换一个数据源立刻失效。我自己一般会用三个标准来验收原始数据时间索引严格递增且无重复停牌时间段要么补齐要么删除不留半根无效K线复权方式统一避免用前复权数据直接做区间收益计算时出现历史价格被改写的问题。满足这三条数据才能进入特征工程否则后面做得再花哨都是沙上建塔。2.2 用 pandas 把日K线清洗到可用状态常见的数据格式是 CSV包含 date、open、high、low、close、volume 这几列。以下代码把原始数据读进来依次做排序、去重、停牌过滤和跳空检查半小时能处理完几年的日线数据。import pandas as pd import numpy as np df pd.read_csv(stock_daily.csv, parse_dates[date]) # 1. 按时间排序并去重同一天出现两根K线属于数据源事故 df df.sort_values(date).drop_duplicates(subsetdate, keeplast) # 2. 过滤停牌成交量为0且收盘价没变化的行对预测没有信息量 df df[~((df[volume] 0) (df[close] df[close].shift(1)))] # 3. 跳空检查开盘价相对昨日收盘价变动超过阈值需要人工确认 df[prev_close] df[close].shift(1) df[gap] df[open] / df[prev_close] - 1 abnormal df[np.abs(df[gap]) 0.1] # 阈值按品种波动率调整 print(f发现 {len(abnormal)} 根疑似异常K线请结合复权因子核对)逻辑说明去重保留keeplast是因为复权数据在同一天可能被数据源重复追加保留最后一次快照更可靠。停牌过滤的条件同时判断成交量和价格变化能避免把“缩量十字星”这类正常K线误删。跳空检测不是自动清理而是定位复权异常的线索——如果某天 gap 超过 5%但当天并没有公告级别的利好利空多半是前复权因子计算错位。参数说明gap 阈值需要按品种调整波动率高的品种设宽一点通常在 0.05 到 0.15 之间。这一步不要想着自动修正数据人工核对异常点才是稳妥做法。2.3 标签是预测的灵魂未来N根K线的涨跌方向怎么定涨跌预测的标签定义直接决定模型学什么。常见做法是取未来 N 根K线的累计收益高于阈值记为 1否则记为 0。N 的选择要和你的交易频率对齐做短线看 5 根做波段看 20 根。阈值一般取 0但如果你要覆盖交易成本可以把阈值设为 0.002 之类的正数。horizon 5 # 预测未来5根K线的方向 threshold 0.0 # 收益大于0就算涨 df[future_close] df[close].shift(-horizon) df[future_return] df[future_close] / df[close] - 1 df[label] (df[future_return] threshold).astype(int) # 删除尾部没有未来数据的行避免NaN进入模型 df df.dropna(subset[future_return])逻辑说明shift(-horizon)把未来收盘价往前挪到今天的位置从而算出“今天之后 N 根K线的收益”。这个字段只用来构造标签绝对不能把它当特征喂给模型否则就是典型的未来函数泄漏。构造完标签后尾部 horizon 行没有未来数据直接丢弃。参数说明horizon 是涨跌预测里最敏感的参数之一。5 适合日内或隔日短线20 适合持仓两周左右的波段。阈值设0代表只要未来不跌就算正样本如果做多为主可以设成 0.002 让模型只预测“涨幅够覆盖成本”的情况。样本不均衡时不要急着改阈值先看模型在默认设置下的表现。2.4 特征集的最小可用清单不要一开始就堆一百个指标很多资料会展示几十个技术指标同时作为特征这在样本量不够时几乎必然导致过拟合。我一般会从三类特征起步滞后收益、位置类指标、量能变化。下面代码构造了一个 10 维左右的初始特征集足够检验模型是否有效。# 滞后收益过去5天的累计收益捕捉短期动量 for lag in [1, 2, 3, 5]: df[fret_{lag}] df[close].pct_change(lag) # 位置类指标当前价格在过去N日区间中的相对位置 df[pos_10] (df[close] - df[close].rolling(10).min()) / \ (df[close].rolling(10).max() - df[close].rolling(10).min()) # 量能变化相对过去5日均量的比值 df[vol_ratio] df[volume] / df[volume].rolling(5).mean() # RSI(6)简单实现作为超买超卖参考 delta df[close].diff() gain delta.clip(lower0).rolling(6).mean() loss (-delta.clip(upper0)).rolling(6).mean() df[rsi_6] 100 - 100 / (1 gain / (loss 1e-9)) feature_cols [ret_1, ret_2, ret_3, ret_5, pos_10, vol_ratio, rsi_6] df df.dropna(subsetfeature_cols [label])逻辑说明每类特征对应一种市场状态滞后收益刻画趋势惯性位置特征刻画超买超卖量能特征刻画参与度变化。RSI 的计算用了指数平滑的简化版本加1e-9防止除零。这些特征在构造时必须用rolling和shift保证当前时刻只用到历史数据不会偷看未来。参数说明窗口长度 6、10 都是经验值可以根据品种波动特性调整。特征多了容易过拟合少了模型学不到规律。一个实用原则先用这些基础特征跑一版基线确认基线有效后再逐步增加特征每次增加都要重新走一遍完整的样本外验证。3. 模型选型与训练切分XGBoost 是强基线LSTM 不是必选项3.1 分类还是回归预测涨跌方向为什么更适合二分类涨跌预测可以做成回归输出未来收益的具体数值也可以做成分类只判断方向。实际业务中交易决策依赖的是方向和置信度而不是精确的收益数字。分类模型直接优化胜率、召回率这些可解释指标比回归后人工设阈值要直观得多。另外金融收益数据噪声极大回归模型很容易被极端值带偏分类用阈值切分后对异常值更鲁棒。我通常设置二分类未来收益大于阈值就是涨否则就是跌。三分类涨、平、跌的边界很难定义平的那一类样本边界模糊实际效果往往不如二分类加置信度过滤。3.2 用 XGBoost 搭一个能上线的二分类器XGBoost 是涨跌预测领域公认的强基线处理表格特征效果好、训练快、对特征尺度不敏感。以下代码展示了标准的训练流程重点在参数设置和早停机制。import xgboost as xgb from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import accuracy_score X df[feature_cols].values y df[label].values # 用时间序列切分代替随机K折后文会详细解释 tscv TimeSeriesSplit(n_splits5) for fold, (train_idx, val_idx) in enumerate(tscv.split(X)): X_train, X_val X[train_idx], X[val_idx] y_train, y_val y[train_idx], y[val_idx] model xgb.XGBClassifier( objectivebinary:logistic, max_depth3, learning_rate0.05, subsample0.8, colsample_bytree0.8, eval_metriclogloss, n_estimators1000, early_stopping_rounds20, random_state42 ) model.fit( X_train, y_train, eval_set[(X_val, y_val)], verboseFalse ) pred model.predict(X_val) print(ffold {fold} 准确率: {accuracy_score(y_val, pred):.4f})逻辑说明objectivebinary:logistic输出0到1之间的概率max_depth3限制单棵树深度减少对噪声的拟合learning_rate0.05配合 1000 棵树用早停自动选择迭代次数。eval_set指向验证集early_stopping_rounds20表示连续20轮验证损失不下降就停止。参数说明subsample0.8和colsample_bytree0.8让每棵树只用80%的样本和特征增加随机性、降低方差。这两个参数在金融数据上几乎总是有益。max_depth超过6通常过拟合尤其是特征不多的时候。如果数据量大可以把learning_rate调到0.1树的数量相应减少到300左右。3.3 时间序列切分不是随便 splitTimeSeriesSplit 的正确用法涨跌预测数据天然带时间顺序随机打乱后切分训练集和测试集等于允许模型看到未来。任何一个严谨的方案都必须用时间序列切分训练集永远是测试集之前的时段。上面代码中使用的TimeSeriesSplit正是干这件事——它按时间顺序递增地扩展训练集每次用最新的数据段做验证。from sklearn.model_selection import TimeSeriesSplit # n_splits5 表示进行5次滚动验证每次训练集都比上一次多一个时段 tscv TimeSeriesSplit(n_splits5) for train_idx, test_idx in tscv.split(X): # 训练集索引全部小于测试集索引 print(f训练集最大时间位置: {train_idx.max()}, 测试集最小时间位置: {test_idx.min()}) assert train_idx.max() test_idx.min()逻辑说明TimeSeriesSplit每次切分都保证训练集在时间上先于测试集从而最大程度模拟实际交易中的情景用过去预测未来。而随机 K 折会把未来的样本混进训练集让模型“偷看”未来行情回测指标虚高得离谱。参数说明n_splits越多每个验证段越短评估结果噪声越大。一般设 4 到 6 次比较均衡。做参数调优时最好在这同一个切分对象上做网格搜索不要在固定测试集上反复试参数否则测试集也会被调参过程污染。3.4 LSTM 到底用不用数据量、序列长度和成本三笔账不少资料把 LSTM 讲得神乎其神好像涨跌预测只有深度学习能做。实际上LSTM 在预测中表现好的前提是数据量足够大至少数万根K线、序列模式有长期依赖、且你有成本承受训练和调参。对于几千根日K线的样本量XGBoost 几乎总是比 LSTM 稳。对比项XGBoostLSTM最低样本量几千条即可通常要求数万条以上特征形式支持表格特征无需归一化需要构造滑动窗口序列特征必须缩放到同一量级可解释性特征重要性可直接查看黑匣子难以解释预测依据训练成本分钟级小时级还需调学习率、隐层数等参数如果你确实要试 LSTM建议先构造形状为样本数时间步长特征数的3D数组时间步长选 10 到 20同时用和 XGBoost 完全一样的训练/测试切分。但我的经验是先跑通 XGBoost 基线如果基线样本外准确率没有明显超过50%LSTM 也不会有奇迹。深度学习在涨跌预测里是手段不是银弹。4. 回测口径与评估指标胜率之外更要看回撤和盈亏比4.1 回测胜率虚高的核心原因前视偏差与成交价偏差你会在资料里看到不少高胜率回测但实盘对不上账。最常见的猫腻出现在成交价上模型用当天收盘后的数据算出信号回测却按当天收盘价成交。现实中行情已经走完你根本不可能在收盘那一刻成交。正确的口径是T 日收盘后产生信号T1 日开盘或收盘执行交易。另一个隐蔽问题是信号与执行之间隔了多少根K线。如果用的是日线数据T1 开盘成交已经足够乐观如果用分钟线做预测信号延迟 5 分钟和延迟 30 分钟结果可能天差地别。回测时故意选乐观成交价会让所有指标都失真。4.2 一个最小回测引擎逐日遍历与资金曲线计算下面代码展示了一个最小但口径正确的回测循环用模型在每一天给出预测次日开盘价成交扣手续费和滑点。import numpy as np import pandas as pd # 假设 df 中已有 model_prob 列模型输出的上涨概率和 open 列 df[signal] (df[model_prob] 0.5).astype(int) df[position] df[signal].shift(1) # 信号延迟一天执行 # 用次日开盘价买入计算当日收益 df[ret_exec] df[close].pct_change() * df[position] # 交易成本每次换仓扣双边手续费滑点合计约0.0006 df[turnover] df[position].diff().abs() fee_rate 0.0006 df[net_ret] df[ret_exec] - df[turnover] * fee_rate # 资金曲线 df[equity] (1 df[net_ret]).cumprod()逻辑说明shift(1)是回测里最重要的一个函数——它把所有信号整体往后挪一天模拟了“今天收盘后决策明天才能交易”的真实约束。turnover计算每天仓位变化只有换仓才扣费用。net_ret是扣费后的每日净值变化资金曲线就是它的累乘。参数说明fee_rate0.0006适合流动性好的股票或期货双边算上了佣金、印花税和滑点。如果品种流动性差建议按 0.001 以上设置。保守的估计永远比乐观的好因为实盘滑点往往会超出你的预期。4.3 用胜率、盈亏比、最大回撤和夏普把模型看清楚只看胜率是一个常见的误区。60% 胜率但平均赚 1%、平均亏 3%长期必然亏损。判断涨跌预测模型是否值得做至少要看四个指标# 胜率净收益为正的比例 win_rate (df[net_ret] 0).mean() # 盈亏比平均盈利 / 平均亏损的绝对值 wins df.loc[df[net_ret] 0, net_ret] losses df.loc[df[net_ret] 0, net_ret] profit_factor wins.mean() / abs(losses.mean()) # 最大回撤资金曲线从峰值回落的最大幅度 cum df[equity] drawdown cum / cum.cummax() - 1 max_drawdown drawdown.min() # 夏普比率年化用日收益均值/标准差 * 年化因子 daily_ret df[net_ret] sharpe daily_ret.mean() / daily_ret.std() * np.sqrt(252) print(f胜率: {win_rate:.2%}, 盈亏比: {profit_factor:.2f}, f最大回撤: {max_drawdown:.2%}, 夏普: {sharpe:.2f})逻辑说明这四个指标从不同角度刻画模型质量胜率反映方向准确性盈亏比反映赔率结构最大回撤反映极端风险夏普反映风险调整后收益。一个能实盘的模型胜率不一定高但盈亏比和最大回撤必须可接受。参数说明年化因子 252 是A股全年交易日数量期货用 243 或 252 均可差异不大。如果夏普小于1说明每承担一单位风险换来的收益有限这个模型还不足以覆盖实盘中的各种不确定性。4.4 walk-forward 回测的正确姿势滚动训练与样本外验证一次性把数据切成训练集和测试集只验证一次结果偶然性很大。walk-forward 分析的做法是多次滚动训练模型每次都只预测未来一小段把多段样本外结果拼起来评估。这比任何一次性的切分都更接近真实交易状态。def walk_forward_predict(X, y, train_size2000, step250): preds [] for start in range(0, len(X) - train_size, step): train_end start train_size test_end train_end step if test_end len(X): break X_train, X_test X[start:train_end], X[train_end:test_end] y_train y[start:train_end] model xgb.XGBClassifier(max_depth3, learning_rate0.05, subsample0.8, colsample_bytree0.8, n_estimators300) model.fit(X_train, y_train) pred_prob model.predict_proba(X_test)[:, 1] preds.extend(pred_prob) return np.array(preds)逻辑说明train_size2000表示每次用最近 2000 根K线训练step250表示每次向后滚动预测 250 根K线。每次预测时模型只用当时已有的数据严格模拟实盘。预测结束后把各段预测结果拼起来与真实的 y 对齐计算整体准确率和回测曲线。参数说明train_size 和 step 的比例通常为 4:1 到 8:1。train_size 太小模型欠拟合太大则计算量大且对市场变化反应慢。step 越大验证次数越少结果越粗糙。调参时要固定 walk-forward 的设置否则模型参数和验证窗口会互相耦合导致评估失真。5. 涨跌预测常见避坑指南五个高频翻车点与对应解法5.1 坑一特征标准化用了全样本数据验证集被剧透现象模型在训练集准确率 70%测试集也有 68%但实盘表现差。回查代码发现做归一化时用了所有数据的均值和标准差。 原因标准化像(x - mean) / std中的 mean 和 std 如果从全样本算出其实已经包含验证集和测试集的信息。这叫特征泄漏验证集不再独立评估结果虚高。 解决把标准化放在时间序列切分之后只用训练集拟合 scaler再用同一组参数转换验证集和测试集。常见插件方案是 Pipeline 加 TimeSeriesSplit但核心原则是确保任何“学习过程”都只在训练集上进行。5.2 坑二随机打乱样本导致时间自相关泄漏现象用train_test_split(shuffleTrue)后准确率很高模型表现好得难以置信改用按时间顺序切分后准确率立刻降到 51%。 原因金融时间序列有强自相关性相邻几天的数据高度相似。随机打乱后训练集里混进了测试集相邻时段的数据模型等于见过类似行情。 解决一律使用TimeSeriesSplit或自定义按时间排序的索引切分。任何涉及随机打乱的交叉验证在涨跌预测里都是坑。5.3 坑三标签阈值不考虑交易成本实盘胜率失真现象预测准确率 55%实盘却亏损进一步分析发现模型预测的“涨”很多只是微涨扣除手续费和滑点后变成亏。 原因标签阈值设为 0等于把未来收益 0.01% 也算作正确预测。实盘单次成本可能就到 0.06%这种微涨根本无法覆盖成本。 解决标签构造时将阈值设置为fee_rate slippage比如 0.001 或更高。同时回测时也要扣同样的成本从标签到回测全链路保持一致的交易成本口径。5.4 坑四特征越加越多模型记住了噪声现象基础特征跑出 52% 准确率加入 50 个衍生指标后训练集准确率升到 80%但样本外准确率反而降到 49%。 原因特征多了以后模型有足够自由度去拟合训练集中的随机噪声而不是学到一个通用的涨跌规律。 解决控制特征数量优先选择有经济含义的指标。每次只增加少量特征并观察 walk-forward 样本外表现如果样本外准确率没有提升坚决回退。特征重要性排名靠后且不稳定的特征直接去掉。5.5 坑五回测成交价用得太乐观低估了滑点冲击现象资金曲线平滑上涨实盘后交易成本明显大于回测假设净值曲线下降。 原因回测假设“信号出现后可以立刻以当时价格成交”但实际下单有延迟和冲击成本尤其信号集中出现时比如多只票同时触发成交价会比模型假设的更差。 解决回测里统一用次日开盘价或次日收盘价成交对流动性差的品种额外加 0.001 的滑点惩罚。保守回测虽然数字难看但那是你真正能在实盘中拿到的数字。6. 把涨跌预测做成一棵可持续验证的流水线从回测到记录最后一个具体的技巧是一套我每做一个涨跌预测模型都会搭的最小流水线。它的核心不是让某次回测好看而是让每一次改动都能被对比、被追溯最终形成你个人的基线数据库。# walkforward_pipeline.py # 用法: python walkforward_pipeline.py --data stock_daily.csv --horizon 5 import argparse import pandas as pd import numpy as np import xgboost as xgb def run_pipeline(data_path, horizon5, fee_rate0.0006, train_size2000, step250): df load_and_clean(data_path) # 复用第2章的清洗流程 df build_features_and_label(df, horizon) # 复用第2章的特征与标签 X, y df[feature_cols].values, df[label].values pred_prob walk_forward_predict(X, y, train_sizetrain_size, stepstep) # 对齐到对应时间段的真实标签 df_pred df.iloc[-len(pred_prob):].copy() df_pred[prob] pred_prob df_pred[signal] (df_pred[prob] 0.5).astype(int) df_pred[position] df_pred[signal].shift(1) df_pred[ret_exec] df_pred[close].pct_change() * df_pred[position] df_pred[turnover] df_pred[position].diff().abs() df_pred[net_ret] df_pred[ret_exec] - df_pred[turnover] * fee_rate df_pred[equity] (1 df_pred[net_ret]).cumprod() metrics compute_metrics(df_pred) return metrics, df_pred[equity] if __name__ __main__: args argparse.ArgumentParser() args.add_argument(--data, typestr, requiredTrue) args.add_argument(--horizon, typeint, default5) args.add_argument(--fee_rate, typefloat, default0.0006) args.add_argument(--train_size, typeint, default2000) args.add_argument(--step, typeint, default250) args args.parse_args() metrics, equity run_pipeline(args.data, args.horizon, args.fee_rate, args.train_size, args.step) print(metrics)这套流水线的价值在于每小时都能重新跑一遍。每当你改一个特征、调一个参数就把它和上一次的结果、胜率、最大回撤一起追加到实验记录表里。你很快会发现大多数改动都在让指标原地抖动只有少数几个改动是真正有效的——那些记录会告诉你钱花在哪里最有价值。我的习惯是每周五收盘后跑一次全量 walk-forward把结果提交到一张单独的记录表一个月下来回头看模型是否在退化一目了然靠的就是最笨的重复劳动和详细日志。涨跌预测本质上是一个概率游戏你唯一能掌握的就是流程的严谨程度。这行没有银弹希望这套从数据到回测再到记录的方法能帮你少走弯路。本文还有配套的精品资源点击获取
，环境配置)
