简介这份资源面向计算机、金融科技等专业的学生与开发者提供一套基于Python与LSTM神经网络预测股票走势的完整项目源码可直接用于毕业设计、期末大作业或课程设计。项目包含代码、数据集与训练好的模型新手也能看懂部署后即可运行具备较高的实际应用参考价值。压缩包共89个文件约8.88MB以24个py源码文件为核心辅以pyc编译文件、txt说明、jpg图表、css与js前端资源、html页面、xml配置及xls/xlsx数据表格、sqlite3数据库等覆盖数据读取、模型训练、结果可视化与Web展示等环节目录结构清晰。目前已有140人学习下载。读者可获得完整的LSTM时序预测实现思路、可复现的数据集与模型文件、前端展示页面及调试排错参考便于快速理解股票走势预测的建模流程并二次开发。1. 一份能直接跑通的 LSTM 股票预测课设资源到底长什么样每年到了期末和毕设季后台被问得最多的一类问题就是有没有那种下载下来、装好环境、改两行路径就能跑出结果的 LSTM 时间序列预测项目。市面上打着「Python 股票预测」旗号的压缩包不少但真正拆开能看的没几个——要么数据集是随机生成的假数据要么模型只保存了权重没保存结构要么代码里写死了绝对路径换台机器直接报错。这次拿到的这份stock_prediction资源结构上算是比较规矩的一类一个 master 目录里面带.gitattributes、README.md、code.py外加 django 相关文件和一份股票数据集模型和数据集都打包在里面。它解决的核心问题很明确——让你不用从零去爬行情、不用自己搭 LSTM 的输入输出管道直接在一个已经调通的骨架上做二次修改。适合谁做金融时序预测方向期末大作业的本科生、需要一份能演示的毕设原型的同学以及想快速摸清 LSTM 做单变量/多变量预测完整链路的入门者。下面我按「资源是什么 → 怎么用 → 坑在哪」的顺序把它拆开讲透。2. 拆开压缩包先看什么目录结构、依赖与数据格式2.1 目录里每个文件到底管什么用拿到一个陌生的预测项目我的习惯是先不跑代码而是把目录树列出来搞清楚每个文件的职责边界。这份资源的顶层结构大致是这样文件/目录作用是否可改code.py主训练预测脚本LSTM 模型定义、数据加载、训练循环都在这里核心改参数为主README.md环境说明与运行步骤可补充自己的笔记.gitattributesGit 换行符与文本属性配置一般不动django/Web 展示层把预测结果通过页面呈现做演示时改数据集文件股票历史行情含日期与价格列可替换成自己的标的模型文件训练好的权重供直接推理重新训练会覆盖这里要提醒一句.gitattributes这种文件很多人直接忽略但它在跨平台协作时决定换行符是 LF 还是 CRLF。如果你在 Windows 上解压后在 Linux 服务器跑脚本报bad interpreter或者莫名其妙的语法错误八成跟换行符有关。常见做法是在项目根目录执行一次规范化把文本文件统一成 LF。2.2 依赖清单与 Python 版本选择LSTM 这类项目对框架版本比较敏感尤其是 TensorFlow/Keras 和 PyTorch 两套技术栈的 API 差异很大。这份资源用的是 Keras 风格的写法SequentialLSTM层所以环境要围绕 TensorFlow 来配。我一般会先建一个干净的虚拟环境避免和系统里已有的包打架# 创建独立虚拟环境Python 建议 3.8~3.10太新的版本部分 TF 轮子还没跟上 python -m venv venv # 激活环境Windows 用 venv\Scripts\activateLinux/Mac 用下面这行 source venv/bin/activate # 安装核心依赖numpy/pandas 做数据处理matplotlib 画走势图 pip install numpy pandas matplotlib scikit-learn pip install tensorflow2.10.0参数说明tensorflow2.10.0是我在同类项目里踩坑后比较稳的一个版本它自带 Kerastf.keras命名空间下LSTM、Dense、Sequential都能直接用。如果你装的是 2.16 以上的版本Keras 3 的默认后端可能变成 JAX 或 PyTorchmodel.save的格式也跟着变加载旧权重时容易报Unknown layer之类的错。scikit-learn主要用来做MinMaxScaler归一化这是 LSTM 预测里几乎绕不开的一步。2.3 数据集长什么样列名要先对齐股票数据集通常是 CSV包含日期、开盘、收盘、最高、最低、成交量这几列。LSTM 做预测时绝大多数实现只取「收盘价」这一列做单变量预测或者取多列做多变量输入。打开数据后第一件事是确认列名和索引import pandas as pd # 读取行情数据parse_dates 把日期列直接转成时间类型方便后续排序和切片 df pd.read_csv(stock_data.csv, parse_dates[Date]) # 按时间升序排列时序预测最忌讳顺序错乱否则模型学到的是未来信息 df df.sort_values(Date).reset_index(dropTrue) # 只保留收盘价单变量预测的标准做法 close_price df[Close].values.reshape(-1, 1) print(df.head()) print(样本总数:, len(df))逻辑说明parse_dates让日期列变成datetime64后面画图或做滑动窗口时不用再手动转换。sort_values这一步是血泪经验——有些数据集导出时是倒序的如果不排序直接喂给 LSTM等于用未来数据预测过去验证集 loss 会低得离谱但实际预测完全不能用。reshape(-1, 1)是因为MinMaxScaler要求输入是二维数组单列数据必须升维。3. 把 LSTM 跑起来归一化、滑窗切分与模型搭建3.1 归一化与滑动窗口时序预测的两块地基LSTM 对输入数值范围很敏感收盘价动辄几十上百直接喂进去梯度会炸。所以第一步是归一化到 0~1 区间。第二步是把连续序列切成「用前 N 天预测第 N1 天」的样本对这个 N 就是时间步长time_step是这类项目里最需要调的参数之一。import numpy as np from sklearn.preprocessing import MinMaxScaler # 归一化fit 只在训练集上做避免验证集信息泄漏 scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(close_price) def create_dataset(data, time_step60): 把序列切成 (前 time_step 天, 第 time_step1 天) 的样本对 x, y [], [] for i in range(len(data) - time_step): x.append(data[i:i time_step, 0]) # 输入窗口 y.append(data[i time_step, 0]) # 预测目标 return np.array(x), np.array(y) time_step 60 # 用过去 60 个交易日预测下一天 X, y create_dataset(scaled, time_step) # LSTM 要求输入三维(样本数, 时间步, 特征数)单变量特征数为 1 X X.reshape(X.shape[0], X.shape[1], 1) print(输入形状:, X.shape, 标签形状:, y.shape)参数说明time_step60对应大约三个月的交易日是股票预测里比较常见的窗口。调小到 10 会让模型只看短期波动噪声大调到 120 以上样本数骤减容易过拟合。feature_range(0,1)是标准选择也有人用(-1,1)但配合tanh激活的 LSTM0~1 更省心。注意fit_transform只在训练数据上调用验证和测试阶段要用同一个 scaler 做transform否则归一化基准不一致预测值反归一化后会整体偏移。3.2 搭一个能收敛的 LSTM 网络模型结构不用太花哨两层 LSTM 加一层全连接就够跑出像样的曲线。关键是input_shape要和上一步的(time_step, 1)对上Dense(1)输出单值。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential([ # 第一层 LSTMreturn_sequencesTrue 才能接第二层 LSTM LSTM(50, return_sequencesTrue, input_shape(time_step, 1)), Dropout(0.2), # 随机丢弃 20%抑制过拟合 LSTM(50, return_sequencesFalse), # 最后一层只输出最后时间步 Dropout(0.2), Dense(25, activationrelu), # 中间全连接增加非线性 Dense(1) # 输出下一天的归一化价格 ]) # 回归任务用 mse优化器用 adam学习率默认 0.001 model.compile(optimizeradam, lossmean_squared_error) model.summary()逻辑说明return_sequencesTrue是把每个时间步的隐藏状态都传给下一层如果写成False第二层 LSTM 就没法接收序列。Dropout(0.2)放在两层 LSTM 之间是防止模型把训练集背下来的常用手段。Dense(25, activationrelu)这层不是必须的但加上后拟合能力更强代价是训练慢一点。lossmean_squared_error对应回归别用accuracy那是分类任务的指标。3.3 训练、预测与反归一化训练时把数据按 8:2 切分epochs给 50 左右配合EarlyStopping防止白跑。from tensorflow.keras.callbacks import EarlyStopping split int(len(X) * 0.8) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] # 验证集监控 loss连续 5 轮不下降就停并恢复最优权重 early_stop EarlyStopping(monitorval_loss, patience5, restore_best_weightsTrue) history model.fit( X_train, y_train, validation_data(X_test, y_test), epochs50, batch_size32, callbacks[early_stop], verbose1 ) # 预测并反归一化还原成真实价格 pred model.predict(X_test) pred_price scaler.inverse_transform(pred) real_price scaler.inverse_transform(y_test.reshape(-1, 1))参数说明batch_size32是显存和收敛速度的折中数据量小可以降到 16。patience5表示验证 loss 五轮不降就停restore_best_weightsTrue保证拿到的是最优那一轮的权重而不是最后一轮。反归一化这一步新手最容易漏scaler.inverse_transform必须用训练时 fit 的那个 scaler否则价格量纲完全对不上。跑完可以用matplotlib把real_price和pred_price画在同一张图上直观判断拟合程度。4. 避坑与排查这类项目最容易翻车的五个地方4.1 现象预测曲线整体平移形状对但数值差一截原因归一化时用了全量数据fit或者反归一化时换了新的 scaler。信息泄漏会让训练指标虚高而基准不一致会导致整体偏移。解决严格只在训练段fit_transform测试段用transform反归一化复用同一个 scaler 对象别重新 new 一个。4.2 现象loss 一直不降停在 0.1 附近不动原因多半是输入形状不对或者数据没归一化。LSTM 收到几十上百量级的输入梯度直接饱和。解决打印X.shape确认是三维(样本, 时间步, 特征)确认scaled的最大最小值在 0~1 之间。如果形状对、归一化也做了把学习率从默认 0.001 降到 0.0005 再试。4.3 现象每次运行预测结果都不一样原因LSTM 权重随机初始化且Dropout带随机性没有固定随机种子。这在「模型预测股票涨跌每次结果不一样」的吐槽里很常见。解决在脚本开头固定种子让结果可复现import numpy as np import tensorflow as tf import random seed 42 np.random.seed(seed) tf.random.set_seed(seed) random.seed(seed)注意固定种子只保证同一台机器同一环境下可复现换框架版本仍可能有细微差异。4.4 现象加载保存的模型报 Unknown layer 或形状不匹配原因保存时用了model.save(model.h5)但加载环境的 Keras 版本和训练时不一致或者自定义层没注册。解决优先用model.save(model.keras)新格式或者保存权重model.save_weights(w.weights.h5)再在代码里重建结构后加载。跨版本迁移时把训练和推理的环境锁成同一份requirements.txt。4.5 现象django 页面能打开但拿不到预测结果原因Web 层和模型层的数据格式没对齐常见的是 django 视图里传的是原始价格而模型期望归一化后的输入。解决在视图函数里复用训练阶段的 scaler把用户传入或数据库读出的价格先transform再喂给模型输出后再inverse_transform。另外确认 django 的settings.py里静态文件路径和模型文件路径用的是相对路径或环境变量别写死绝对路径。5. 进阶玩法把单变量预测改成多因子输入并做滚动预测跑通单变量只是起点。真正让这份资源在答辩里加分的是把它扩展成多因子输入以及用滚动预测代替一次性预测。多因子的思路是把收盘价、成交量、最高最低价一起归一化后作为特征维度input_shape从(time_step, 1)变成(time_step, n_features)。# 选取多个特征列一起归一化 features df[[Close, Volume, High, Low]].values scaler_multi MinMaxScaler(feature_range(0, 1)) scaled_multi scaler_multi.fit_transform(features) def create_multi_dataset(data, time_step60): x, y [], [] for i in range(len(data) - time_step): x.append(data[i:i time_step, :]) # 整个特征窗口 y.append(data[i time_step, 0]) # 仍然预测收盘价 return np.array(x), np.array(y) X_m, y_m create_multi_dataset(scaled_multi, 60) # 此时 X_m 形状为 (样本, 60, 4)模型 input_shape 改成 (60, 4)参数说明y只取第 0 列是因为我们预测目标仍是收盘价其余列作为辅助信息。特征列的选择有讲究成交量能反映市场活跃度最高最低价能刻画当日波动区间但如果你加入的列和收盘价高度共线收益有限还增加计算量。常见做法是先算一下相关系数矩阵挑相关性适中的几列。滚动预测则是每次只预测一天然后把预测值追加回输入窗口再预测下一天。这样能模拟真实交易中「每天更新数据」的场景# 用最后 time_step 天作为起点滚动预测未来 N 天 last_window scaled[-time_step:].reshape(1, time_step, 1) future [] for _ in range(10): # 预测未来 10 天 next_val model.predict(last_window, verbose0)[0, 0] future.append(next_val) # 把预测值拼到窗口末尾去掉最旧的一天保持窗口长度不变 last_window np.append(last_window[:, 1:, :], [[[next_val]]], axis1) future_price scaler.inverse_transform(np.array(future).reshape(-1, 1)) print(未来 10 天预测价格:, future_price.flatten())这里有个必须说清的边界滚动预测误差会累积预测步数越多越不可信一般展示 5~10 天就够了别拿它当真实交易依据。验证模型好坏时除了看 loss 曲线我习惯再算一个 RMSE 和 MAPE把预测值和真实值放一起对比指标含义参考阈值RMSE均方根误差量纲同价格越小越好和价格波动幅度比MAPE平均绝对百分比误差低于 5% 算拟合不错方向准确率涨跌方向预测对的占比接近 50% 说明没学到方向信息最后说个我自己的习惯每次改完time_step、层数或特征列我都会强制把随机种子固定、把训练集测试集切分打印出来确认一遍再跑一次完整流程。因为时序预测里数据泄漏太隐蔽一次疏忽就能让指标好看得不像话答辩时被追问一句「你怎么保证没用未来数据」就露馅了。希望这份拆解能帮你少走点弯路把这份资源真正用成自己的东西。本文还有配套的精品资源点击获取
LSTM股票预测课设资源拆解：从环境配置到滚动预测的完整实战
简介这份资源面向计算机、金融科技等专业的学生与开发者提供一套基于Python与LSTM神经网络预测股票走势的完整项目源码可直接用于毕业设计、期末大作业或课程设计。项目包含代码、数据集与训练好的模型新手也能看懂部署后即可运行具备较高的实际应用参考价值。压缩包共89个文件约8.88MB以24个py源码文件为核心辅以pyc编译文件、txt说明、jpg图表、css与js前端资源、html页面、xml配置及xls/xlsx数据表格、sqlite3数据库等覆盖数据读取、模型训练、结果可视化与Web展示等环节目录结构清晰。目前已有140人学习下载。读者可获得完整的LSTM时序预测实现思路、可复现的数据集与模型文件、前端展示页面及调试排错参考便于快速理解股票走势预测的建模流程并二次开发。1. 一份能直接跑通的 LSTM 股票预测课设资源到底长什么样每年到了期末和毕设季后台被问得最多的一类问题就是有没有那种下载下来、装好环境、改两行路径就能跑出结果的 LSTM 时间序列预测项目。市面上打着「Python 股票预测」旗号的压缩包不少但真正拆开能看的没几个——要么数据集是随机生成的假数据要么模型只保存了权重没保存结构要么代码里写死了绝对路径换台机器直接报错。这次拿到的这份stock_prediction资源结构上算是比较规矩的一类一个 master 目录里面带.gitattributes、README.md、code.py外加 django 相关文件和一份股票数据集模型和数据集都打包在里面。它解决的核心问题很明确——让你不用从零去爬行情、不用自己搭 LSTM 的输入输出管道直接在一个已经调通的骨架上做二次修改。适合谁做金融时序预测方向期末大作业的本科生、需要一份能演示的毕设原型的同学以及想快速摸清 LSTM 做单变量/多变量预测完整链路的入门者。下面我按「资源是什么 → 怎么用 → 坑在哪」的顺序把它拆开讲透。2. 拆开压缩包先看什么目录结构、依赖与数据格式2.1 目录里每个文件到底管什么用拿到一个陌生的预测项目我的习惯是先不跑代码而是把目录树列出来搞清楚每个文件的职责边界。这份资源的顶层结构大致是这样文件/目录作用是否可改code.py主训练预测脚本LSTM 模型定义、数据加载、训练循环都在这里核心改参数为主README.md环境说明与运行步骤可补充自己的笔记.gitattributesGit 换行符与文本属性配置一般不动django/Web 展示层把预测结果通过页面呈现做演示时改数据集文件股票历史行情含日期与价格列可替换成自己的标的模型文件训练好的权重供直接推理重新训练会覆盖这里要提醒一句.gitattributes这种文件很多人直接忽略但它在跨平台协作时决定换行符是 LF 还是 CRLF。如果你在 Windows 上解压后在 Linux 服务器跑脚本报bad interpreter或者莫名其妙的语法错误八成跟换行符有关。常见做法是在项目根目录执行一次规范化把文本文件统一成 LF。2.2 依赖清单与 Python 版本选择LSTM 这类项目对框架版本比较敏感尤其是 TensorFlow/Keras 和 PyTorch 两套技术栈的 API 差异很大。这份资源用的是 Keras 风格的写法SequentialLSTM层所以环境要围绕 TensorFlow 来配。我一般会先建一个干净的虚拟环境避免和系统里已有的包打架# 创建独立虚拟环境Python 建议 3.8~3.10太新的版本部分 TF 轮子还没跟上 python -m venv venv # 激活环境Windows 用 venv\Scripts\activateLinux/Mac 用下面这行 source venv/bin/activate # 安装核心依赖numpy/pandas 做数据处理matplotlib 画走势图 pip install numpy pandas matplotlib scikit-learn pip install tensorflow2.10.0参数说明tensorflow2.10.0是我在同类项目里踩坑后比较稳的一个版本它自带 Kerastf.keras命名空间下LSTM、Dense、Sequential都能直接用。如果你装的是 2.16 以上的版本Keras 3 的默认后端可能变成 JAX 或 PyTorchmodel.save的格式也跟着变加载旧权重时容易报Unknown layer之类的错。scikit-learn主要用来做MinMaxScaler归一化这是 LSTM 预测里几乎绕不开的一步。2.3 数据集长什么样列名要先对齐股票数据集通常是 CSV包含日期、开盘、收盘、最高、最低、成交量这几列。LSTM 做预测时绝大多数实现只取「收盘价」这一列做单变量预测或者取多列做多变量输入。打开数据后第一件事是确认列名和索引import pandas as pd # 读取行情数据parse_dates 把日期列直接转成时间类型方便后续排序和切片 df pd.read_csv(stock_data.csv, parse_dates[Date]) # 按时间升序排列时序预测最忌讳顺序错乱否则模型学到的是未来信息 df df.sort_values(Date).reset_index(dropTrue) # 只保留收盘价单变量预测的标准做法 close_price df[Close].values.reshape(-1, 1) print(df.head()) print(样本总数:, len(df))逻辑说明parse_dates让日期列变成datetime64后面画图或做滑动窗口时不用再手动转换。sort_values这一步是血泪经验——有些数据集导出时是倒序的如果不排序直接喂给 LSTM等于用未来数据预测过去验证集 loss 会低得离谱但实际预测完全不能用。reshape(-1, 1)是因为MinMaxScaler要求输入是二维数组单列数据必须升维。3. 把 LSTM 跑起来归一化、滑窗切分与模型搭建3.1 归一化与滑动窗口时序预测的两块地基LSTM 对输入数值范围很敏感收盘价动辄几十上百直接喂进去梯度会炸。所以第一步是归一化到 0~1 区间。第二步是把连续序列切成「用前 N 天预测第 N1 天」的样本对这个 N 就是时间步长time_step是这类项目里最需要调的参数之一。import numpy as np from sklearn.preprocessing import MinMaxScaler # 归一化fit 只在训练集上做避免验证集信息泄漏 scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(close_price) def create_dataset(data, time_step60): 把序列切成 (前 time_step 天, 第 time_step1 天) 的样本对 x, y [], [] for i in range(len(data) - time_step): x.append(data[i:i time_step, 0]) # 输入窗口 y.append(data[i time_step, 0]) # 预测目标 return np.array(x), np.array(y) time_step 60 # 用过去 60 个交易日预测下一天 X, y create_dataset(scaled, time_step) # LSTM 要求输入三维(样本数, 时间步, 特征数)单变量特征数为 1 X X.reshape(X.shape[0], X.shape[1], 1) print(输入形状:, X.shape, 标签形状:, y.shape)参数说明time_step60对应大约三个月的交易日是股票预测里比较常见的窗口。调小到 10 会让模型只看短期波动噪声大调到 120 以上样本数骤减容易过拟合。feature_range(0,1)是标准选择也有人用(-1,1)但配合tanh激活的 LSTM0~1 更省心。注意fit_transform只在训练数据上调用验证和测试阶段要用同一个 scaler 做transform否则归一化基准不一致预测值反归一化后会整体偏移。3.2 搭一个能收敛的 LSTM 网络模型结构不用太花哨两层 LSTM 加一层全连接就够跑出像样的曲线。关键是input_shape要和上一步的(time_step, 1)对上Dense(1)输出单值。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential([ # 第一层 LSTMreturn_sequencesTrue 才能接第二层 LSTM LSTM(50, return_sequencesTrue, input_shape(time_step, 1)), Dropout(0.2), # 随机丢弃 20%抑制过拟合 LSTM(50, return_sequencesFalse), # 最后一层只输出最后时间步 Dropout(0.2), Dense(25, activationrelu), # 中间全连接增加非线性 Dense(1) # 输出下一天的归一化价格 ]) # 回归任务用 mse优化器用 adam学习率默认 0.001 model.compile(optimizeradam, lossmean_squared_error) model.summary()逻辑说明return_sequencesTrue是把每个时间步的隐藏状态都传给下一层如果写成False第二层 LSTM 就没法接收序列。Dropout(0.2)放在两层 LSTM 之间是防止模型把训练集背下来的常用手段。Dense(25, activationrelu)这层不是必须的但加上后拟合能力更强代价是训练慢一点。lossmean_squared_error对应回归别用accuracy那是分类任务的指标。3.3 训练、预测与反归一化训练时把数据按 8:2 切分epochs给 50 左右配合EarlyStopping防止白跑。from tensorflow.keras.callbacks import EarlyStopping split int(len(X) * 0.8) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] # 验证集监控 loss连续 5 轮不下降就停并恢复最优权重 early_stop EarlyStopping(monitorval_loss, patience5, restore_best_weightsTrue) history model.fit( X_train, y_train, validation_data(X_test, y_test), epochs50, batch_size32, callbacks[early_stop], verbose1 ) # 预测并反归一化还原成真实价格 pred model.predict(X_test) pred_price scaler.inverse_transform(pred) real_price scaler.inverse_transform(y_test.reshape(-1, 1))参数说明batch_size32是显存和收敛速度的折中数据量小可以降到 16。patience5表示验证 loss 五轮不降就停restore_best_weightsTrue保证拿到的是最优那一轮的权重而不是最后一轮。反归一化这一步新手最容易漏scaler.inverse_transform必须用训练时 fit 的那个 scaler否则价格量纲完全对不上。跑完可以用matplotlib把real_price和pred_price画在同一张图上直观判断拟合程度。4. 避坑与排查这类项目最容易翻车的五个地方4.1 现象预测曲线整体平移形状对但数值差一截原因归一化时用了全量数据fit或者反归一化时换了新的 scaler。信息泄漏会让训练指标虚高而基准不一致会导致整体偏移。解决严格只在训练段fit_transform测试段用transform反归一化复用同一个 scaler 对象别重新 new 一个。4.2 现象loss 一直不降停在 0.1 附近不动原因多半是输入形状不对或者数据没归一化。LSTM 收到几十上百量级的输入梯度直接饱和。解决打印X.shape确认是三维(样本, 时间步, 特征)确认scaled的最大最小值在 0~1 之间。如果形状对、归一化也做了把学习率从默认 0.001 降到 0.0005 再试。4.3 现象每次运行预测结果都不一样原因LSTM 权重随机初始化且Dropout带随机性没有固定随机种子。这在「模型预测股票涨跌每次结果不一样」的吐槽里很常见。解决在脚本开头固定种子让结果可复现import numpy as np import tensorflow as tf import random seed 42 np.random.seed(seed) tf.random.set_seed(seed) random.seed(seed)注意固定种子只保证同一台机器同一环境下可复现换框架版本仍可能有细微差异。4.4 现象加载保存的模型报 Unknown layer 或形状不匹配原因保存时用了model.save(model.h5)但加载环境的 Keras 版本和训练时不一致或者自定义层没注册。解决优先用model.save(model.keras)新格式或者保存权重model.save_weights(w.weights.h5)再在代码里重建结构后加载。跨版本迁移时把训练和推理的环境锁成同一份requirements.txt。4.5 现象django 页面能打开但拿不到预测结果原因Web 层和模型层的数据格式没对齐常见的是 django 视图里传的是原始价格而模型期望归一化后的输入。解决在视图函数里复用训练阶段的 scaler把用户传入或数据库读出的价格先transform再喂给模型输出后再inverse_transform。另外确认 django 的settings.py里静态文件路径和模型文件路径用的是相对路径或环境变量别写死绝对路径。5. 进阶玩法把单变量预测改成多因子输入并做滚动预测跑通单变量只是起点。真正让这份资源在答辩里加分的是把它扩展成多因子输入以及用滚动预测代替一次性预测。多因子的思路是把收盘价、成交量、最高最低价一起归一化后作为特征维度input_shape从(time_step, 1)变成(time_step, n_features)。# 选取多个特征列一起归一化 features df[[Close, Volume, High, Low]].values scaler_multi MinMaxScaler(feature_range(0, 1)) scaled_multi scaler_multi.fit_transform(features) def create_multi_dataset(data, time_step60): x, y [], [] for i in range(len(data) - time_step): x.append(data[i:i time_step, :]) # 整个特征窗口 y.append(data[i time_step, 0]) # 仍然预测收盘价 return np.array(x), np.array(y) X_m, y_m create_multi_dataset(scaled_multi, 60) # 此时 X_m 形状为 (样本, 60, 4)模型 input_shape 改成 (60, 4)参数说明y只取第 0 列是因为我们预测目标仍是收盘价其余列作为辅助信息。特征列的选择有讲究成交量能反映市场活跃度最高最低价能刻画当日波动区间但如果你加入的列和收盘价高度共线收益有限还增加计算量。常见做法是先算一下相关系数矩阵挑相关性适中的几列。滚动预测则是每次只预测一天然后把预测值追加回输入窗口再预测下一天。这样能模拟真实交易中「每天更新数据」的场景# 用最后 time_step 天作为起点滚动预测未来 N 天 last_window scaled[-time_step:].reshape(1, time_step, 1) future [] for _ in range(10): # 预测未来 10 天 next_val model.predict(last_window, verbose0)[0, 0] future.append(next_val) # 把预测值拼到窗口末尾去掉最旧的一天保持窗口长度不变 last_window np.append(last_window[:, 1:, :], [[[next_val]]], axis1) future_price scaler.inverse_transform(np.array(future).reshape(-1, 1)) print(未来 10 天预测价格:, future_price.flatten())这里有个必须说清的边界滚动预测误差会累积预测步数越多越不可信一般展示 5~10 天就够了别拿它当真实交易依据。验证模型好坏时除了看 loss 曲线我习惯再算一个 RMSE 和 MAPE把预测值和真实值放一起对比指标含义参考阈值RMSE均方根误差量纲同价格越小越好和价格波动幅度比MAPE平均绝对百分比误差低于 5% 算拟合不错方向准确率涨跌方向预测对的占比接近 50% 说明没学到方向信息最后说个我自己的习惯每次改完time_step、层数或特征列我都会强制把随机种子固定、把训练集测试集切分打印出来确认一遍再跑一次完整流程。因为时序预测里数据泄漏太隐蔽一次疏忽就能让指标好看得不像话答辩时被追问一句「你怎么保证没用未来数据」就露馅了。希望这份拆解能帮你少走点弯路把这份资源真正用成自己的东西。本文还有配套的精品资源点击获取
