企业官网建设流程全解析

简介：利用相关性分析的CNN-Attention-LSTM期货价格预测完整工程，面向计算机相关专业学生毕业设计、课程设计或项目实战，解决金融时间序列多因素预测难题。项目基于Python实现，覆盖数据预处理、模型构建、训练评估与预测API等环节，包含SQL/Excel原始数据、时间步处理脚本、CNN-Attention-LSTM核心代码及训练好的模型权重，注释详尽并附PDF使用教程和热力图，方便对照理解。压缩包共29个文件，约30.28MB，含8个py源码、6个npy数据、3个xlsx表格、2个模型权重、2个pdf文档等，目录清晰，可直接运行验证。已有81人学习浏览。通过该项目可掌握相关性分析方法筛选特征、理解注意力机制与LSTM在时序预测中的协同作用，并学习完整深度学习项目组织方式，为论文写作和答辩提供有力支撑。

1. 用相关性分析给 CNN-Attention-LSTM 预测期货价格先划好数据边界

期货价格预测的难点从来不是模型跑不出来，而是喂给模型的列到底该怎么选。常见新手做法是把原油、美元指数、持仓量、资金流等几十个因子全部丢进 CNN-Attention-LSTM，训练一轮就发现训练集拟合曲线漂亮得像教科书，换到验证集却把方向全猜反。问题大多不在注意力度量失效，而在特征里混进了太多跨期信息，或者预处理时把未来统计量写进了历史样本。更隐蔽的是，直接用价格本身做特征会带来非平稳序列的伪相关，网络学到的是绝对值趋势而不是波动结构。所以先把数据边界用相关性分析划清楚，再谈模型结构才有意义。

本文将按照做期货日频或高频预测时最常见可靠的一条路线展开：用 Spearman 相关性分析筛选与下一期收益率有单调关系的因子，生成固定时间步长的滑窗样本，再用带注释的 Python 代码搭建 CNN-Attention-LSTM，最后给出滚动回测和方向准确率的验证方式。整个过程不依赖特定自建数据集，只要把数据整理成统一 DataFrame 结构就可以跑；注释会覆盖每段代码在做什么、为什么这样做、改哪个参数会影响什么。

2. Python环境准备：整理期货数据集并用 Spearman 相关性分析筛选特征

2.1 Python安装与依赖选择

在开始写模型之前，先确认 Python 解释器和 TensorFlow 版本匹配。按目前社区成熟组合，Python 3.10 搭配 TensorFlow 2.10 或 2.15 都可以，不要直接用 3.13 去跑老版本 Keras。如果机器是空白环境，先按 python 安装教程装好 3.10，然后在 vscode 里做 python 环境配置：装好 Python 扩展，用Ctrl+Shift+P打开 "Python: Select Interpreter"，选中新建的 conda 环境。

conda create -n future python=3.10 -y conda activate future pip install pandas numpy matplotlib tensorflow scikit-learn openpyxl

这里需要解释一下兼容性：TensorFlow 2.10 以后在 Windows 上不再支持 GPU 的原生编译，如果读者用的是 N 卡，建议把 TensorFlow 换到 Linux 环境；本机只有 CPU 时，上面的命令也能跑通但慢一些。openpyxl是为了读 xlsx 格式的行情导出文件，scikit-learn用来做归一化和时序交叉验证。所有代码尽量控制在 pandas、numpy、TensorFlow 三件套内，便于改写。

2.2 数据集字段结构和避免未来函数

为了让本文不依赖某个具体仓库，我在这里约定一个通用期货特征表结构。假设你已经把原始行情整理成如下 CSV，列名如下表所示：

原始数据里极少有现成的“目标标签”，需要我们自己计算下一期收益。这里最容易踩的一个坑是未来函数：如果直接用df['close'].pct_change()，得到的是从上一期到本期已经实现的收益，用同一根 K 线的 close 去预测已实现的收益，等于把答案写在特征里。正确做法是让标签对齐到当前时间戳的“下一期收益”。

import pandas as pd df = pd.read_csv("future_daily.csv", parse_dates=["datetime"]) df = df.sort_values("datetime").reset_index(drop=True) # 先处理收益率特征，原始价格列不直接进模型 df["close_ret"] = df["close"].pct_change() df["volume_ret"] = df["volume"].pct_change() df["oi_ret"] = df["open_interest"].pct_change() # 外盘因子如果存在，同样做收益率处理 for col in ["brent_close", "usd_index"]: df[f"{col}_ret"] = df[col].pct_change() # 目标：下一期收益率，用 shift(-1) 对齐到当前行 df["target"] = df["close"].shift(-1) / df["close"] - 1.0 # 去掉因为 pct_change 和 shift 产生的 NaN df = df.replace([float("inf"), float("-inf")], float("nan")).dropna()

代码里有两个关键点：pct_change()默认分母是上一期，所以close_ret当前行表示本期的涨跌幅，可以作为特征；而target用了shift(-1)，让当前行的标签成为未来一期相对当前期的收益。训练时模型确实是在用 t 时刻信息预测 t+1 结果，不存在信息穿越。但需要记得，dropna()之后最后一行必然被删掉，因为该行的 target 是 NaN；真正的样本数是全表格减掉一个滑窗长度加一。

2.3 用 Spearman 相关性矩阵挑选和 target 真正相关的因子

为什么期货数据里常用 Spearman 而不是 Pearson？因为收益率的分布往往是厚尾，且很多技术指标与收益之间的关系并不是直线。Spearman 相关性分析计算的是等级相关，不要求正态分布，可以更稳健地找出“单调关系”。这一步是在为 CNN-Attention-LSTM 筛选输入特征：如果因子和目标的关系接近随机噪声，模型只能依靠记忆训练集来拟合，泛化能力会很差。

import seaborn as sns import matplotlib.pyplot as plt feature_cols = ["close_ret", "volume_ret", "oi_ret", "rsi14", "brent_close_ret", "usd_index_ret"] corr = df[feature_cols + ["target"]].corr(method="spearman") # 取出 target 与各因子之间的相关性绝对值 corr_with_target = corr["target"].drop("target").abs().sort_values(ascending=False) print(corr_with_target) # 画热力图便于观察因子之间的共线性 plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f") plt.title("Spearman Correlation Matrix") plt.show()

这段代码里corr(method="spearman")直接输出 Spearman 系数。注意，不要在相关系数大于 0.8 的两个因子里同时保留两个，因为 CNN 的卷积核会放大这种共线性，注意力机制也会把重复信息当作高优先级。我的经验做法是先按与 target 的相关性绝对值排序，然后逐个查看因子间相关性，如果两个因子相关系数超过 0.8，保留与 target 相关性较高的一方。通常会保留 5 到 8 个特征就足够，不需要把所有外盘数据都放进去。

2.4 构造滑窗样本和按时间顺序划分数据集

相关性分析完成后，选出的特征列需要切成长度为time_steps的三维张量，CNN 和 LSTM 才能处理。滑窗有两种常见做法：一种是直接按时间步生成连续重叠窗口，另一种是 stride 大于 1 的稀疏采样。高频数据里我一般用全重叠窗口，因为一个品种的样本量就是几千根 K 线，过度降采样会让训练样本不够。日频数据建议time_steps=20，相当于近一个月的交易日。

import numpy as np from sklearn.preprocessing import MinMaxScaler selected_features = ["close_ret", "volume_ret", "oi_ret", "rsi14", "brent_close_ret", "usd_index_ret"] time_steps = 20 X_list, y_list = [], [] data = df[selected_features + ["target"]].to_numpy(dtype=float) for i in range(time_steps, len(data)): X_list.append(data[i - time_steps:i, :len(selected_features)]) y_list.append(data[i, len(selected_features)]) X = np.array(X_list) y = np.array(y_list) # 保持时间顺序，前 80% 训练，后 10% 验证，最后 10% 作为测试 split1 = int(len(X) * 0.8) split2 = int(len(X) * 0.9) X_train, y_train = X[:split1], y[:split1] X_val, y_val = X[split1:split2], y[split1:split2] X_test, y_test = X[split2:], y[split2:] # 在训练集上拟合归一化器，再用同一变换处理验证集和测试集 scaler = MinMaxScaler() origin_shape = X_train.shape X_train_flatten = X_train.reshape(-1, origin_shape[-1]) scaler.fit(X_train_flatten) X_train = scaler.transform(X_train_flatten).reshape(origin_shape) X_val = scaler.transform(X_val.reshape(-1, origin_shape[-1])).reshape(X_val.shape) X_test = scaler.transform(X_test.reshape(-1, origin_shape[-1])).reshape(X_test.shape)

这段代码在切分窗口时没有打乱时间顺序，因为金融时序一旦 shuffle，未来信息就会混进训练集。归一化同样只在训练集上做fit，验证集和测试集只是transform，这是防止数据泄漏的基本要求。很多项目喜欢用scaler.fit_transform(X)处理全部数据，看起来没毛病，但测试集的均值和最大值已经参与了缩放，预测阶段只要出现更大波动，模型就会失真。滑窗生成的X形状是(样本数, time_steps, 特征数)，这个顺序在 Keras 里正好是 Conv1D 和 LSTM 期望的输入格式。

3. 搭建 CNN-Attention-LSTM 模型：带着注释走一遍关键层

3.1 按 CNN → Attention → LSTM 串接的理由

期货行情序列里，单看某一天的技术指标反应有限，真正有预测能力的是“最近几个交易日的形态组合”，比如放量滞涨、连续缩量回落、外盘和国内盘背离。CNN 的最大作用就是通过一维卷积核提取时间轴上的局部模式；卷积核宽度设为 3 时，每个局部窗口恰好覆盖三个交易日，能够捕捉短期组合信号。Attention 的作用则是为每个时间步分配权重，让模型在处理序列时自动放大与 target 相关程度更高的时刻。最后用 LSTM 建模时间依赖，因为 Attention 权重只代表当前窗口内的静态重要性，真正跨长周期的衰减记忆还是要靠门控循环单元。

需要特别说明的是，这里采用 CNN → Attention → LSTM 的顺序，是严格遵循标题里的组合方向：卷积输出先经过注意力加权，再进入 LSTM。这样 LSTM 看到的不是原始特征，而是在 CNN 和 Attention 双重过滤后对预测最有价值的时间步。如果某些实现把 Attention 放在 LSTM 之后做序列聚合，那本质上等价于“先编码后加权”，参数可以迁移但语义顺序不同，调参时不要直接照抄。

3.2 自定义 Attention 层与完整模型代码

Keras 自带的Attention层默认会把时间维度的信息求和，得到上下文向量，而我们需要保留时间步序列以便继续输入 LSTM。所以这里实现一个简化的加性注意力层，它对每个时间步计算一个标量权重，然后用权重乘以原输入，输出仍然是三维张量。

import tensorflow as tf from tensorflow.keras import layers, Model, Input from tensorflow.keras import backend as K class TimeStepAttention(layers.Layer): def __init__(self, units=32, **kwargs): super().__init__(**kwargs) self.units = units def build(self, input_shape): # input_shape: (batch, steps, features) self.W = self.add_weight( shape=(input_shape[-1], self.units), initializer='glorot_uniform', name='attention_w' ) self.b = self.add_weight( shape=(self.units,), initializer='zeros', name='attention_b' ) self.u = self.add_weight( shape=(self.units,), initializer='glorot_uniform', name='attention_u' ) def call(self, x): # 将输入投影到 units 维空间 score = K.tanh(K.dot(x, self.W) + self.b) # (batch, steps, units) score = K.sum(score * self.u, axis=-1) # (batch, steps) alpha = K.softmax(score, axis=-1) # (batch, steps) alpha = K.expand_dims(alpha, axis=-1) # (batch, steps, 1) return x * alpha

下面这段代码是完整的 CNN-Attention-LSTM 模型。为了让参数好理解，我把time_steps和特征数都从数据准备阶段传进来，避免硬编码。

def build_cnn_attention_lstm(time_steps, n_features): inputs = Input(shape=(time_steps, n_features)) # CNN 模块：局部特征提取 x = layers.Conv1D(filters=64, kernel_size=3, padding='same')(inputs) x = layers.BatchNormalization()(x) x = layers.ReLU()(x) x = layers.MaxPooling1D(pool_size=2)(x) # Attention 模块：对时间步加权，不改变维度 x = TimeStepAttention(units=32)(x) # LSTM 模块：捕捉序列依赖 x = layers.LSTM(units=64, dropout=0.2, return_sequences=False)(x) # 输出层：单目标，回归到下一期收益率 x = layers.Dense(16, activation='relu')(x) x = layers.Dropout(0.2)(x) outputs = layers.Dense(1)(x) model = Model(inputs, outputs) return model model = build_cnn_attention_lstm(time_steps=20, n_features=len(selected_features)) model.summary()

这里几个设计点值得展开。卷积层的padding='same'保证滑窗维度不变，否则 Attention 和后续 LSTM 需要重新计算时间步长度。BatchNormalization放在卷积和激活之间，能够稳定训练过程，尤其当 RSI 这类指标和其他因子数值范围差异较大时效果明显。MaxPooling1D 的pool_size=2会将 20 个时间步压缩到 10 个，减少 LSTM 的计算量；但代价是损失部分短期连续信息，如果数据集特别小，建议去掉池化层，让时间步保持为 20。

3.3 必须说清楚的关键参数表

期货价格预测的模型复杂性控制很关键，参数不是越大越好。下表是我在日频主力合约数据上比较常用的初始参数，适合几百到几千根 K 线的规模。

参数调整的核心逻辑是：如果验证集中方向准确率低于 52%，先看是不是特征选择出了问题；如果训练损失远低于验证损失，再考虑减小 LSTM units 或增大 dropout。CNN 的卷积核数量对结果的影响没有 LSTM 隐层维度敏感，所以不要一上来就盲目调大 filters。

3.4 损失函数与评估指标符号

期货收益率存在明显的极端值，比如跳空高开、跌停、夜盘突发行情。直接用均方误差会让模型把注意力全放在少数极端样本上，导致普通行情预测失真。这里建议用 Huber 损失，它在误差较小时接近 MSE，误差较大时接近 MAE，能对离群值更稳健。

model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss=tf.keras.losses.Huber(delta=0.5), metrics=[tf.keras.metrics.MeanAbsoluteError()] )

代码中的delta=0.5是判断误差进入线性区的阈值。如果 label 已经是小数形式的收益率，通常 0.1 到 1.0 之间比较合适；如果直接预测价格，需要把 delta 放大到几十甚至几百。这个值可以作为超参数记录在一起，便于后期回测比较。

4. 训练与回测：早停回调、滚动预测和三个高频踩坑点

4.1 训练代码和回调配置

训练阶段必须同时配置早停和学习率衰减。期货数据样本量本身不大，模型很容易在 20 个 epoch 内开始记忆训练集；早停的前提是不要关掉 shuffle 吗？注意，Keras 的fit默认会把训练数据按 batch 随机打乱，这在时序模型里本身没有问题，因为样本来自滑窗，窗口内部的时间顺序被保留了，窗口之间的随机顺序不会破坏时间因果性。但验证集不能打乱。

from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau, ModelCheckpoint early_stop = EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) reduce_lr = ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=5, min_lr=1e-5 ) checkpoint = ModelCheckpoint( filepath='best_model.keras', monitor='val_loss', save_best_only=True ) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=200, batch_size=32, callbacks=[early_stop, reduce_lr, checkpoint], verbose=1 )

EarlyStopping 的patience=10表示连续 10 个 epoch 验证损失没下降就停止训练，同时restore_best_weights=True会把模型恢复到验证集表现最好的权重，而不是停留在最后一个 epoch。ReduceLROnPlateau 在验证损失停滞 5 个 epoch 后将学习率减半，这个组合在日频期货上比固定学习率稳定很多。

4.2 用滚动预测替换一次性预测

拿到测试集后，很多人直接把整个X_test扔进model.predict，把输出和y_test对比。这种做法验证的是模型的拟合能力，但和实盘操作方式并不一致。实盘交易中，每一根新 K 线收盘后，我们只能用最新的一段时间窗口去预测下一个 bar，等新的真实数据产生后再把新窗口滚动起来。因此验证阶段也应该按时间顺序逐个预测。

predictions = [] last_window = X_test[0].copy() # 第一个预测使用测试集第一个窗口 for i in range(len(X_test)): pred = model.predict(last_window[None, :, :], verbose=0)[0, 0] predictions.append(pred) # 将当前窗口的下一真实窗口滑进来 if i < len(X_test) - 1: last_window = X_test[i + 1]

注意这里没有把预测值塞回特征空间重新计算下一步，因为 LSTM 不是自回归模型，它的输入特征依赖的是真实观测值。滚动预测代码里X_test[i + 1]直接用了下一个窗口的真实特征，这等于假设每次预测都能在真实数据收盘后立刻执行，符合实盘信号产生顺序。如果要是做多步预测，可以用模型输出作为下一时间窗口的 target 更新特征，但那样误差会累积，需要单独讨论。

4.3 三个容易做错的地方

第一个坑是归一化泄漏。之前已经提到在全量数据上fit_transform，很多教程这么写，但期货数据在不同的市场状态下波动率差异极大。一旦测试集里包含了多年后的大行情极值，训练集的 min-max 范围就会失守，导致所有特征缩放后集中在 0 到 0.1 之间。保险做法是只对训练集每个特征做 min-max，存储 scaler 并在模型保存时一起打包。

第二个坑是相关性分析中混入了同步行情。比如用日频国内期货收盘价和当日 16:00 才更新的外盘原油收盘价对齐，看起来有强相关，但其实在当前 K 线未收盘前，外盘数据还没产生；真正可用的是前一日的 brent 收盘价，而不是当日。因此在 prepare 数据阶段就要用shift(1)把外盘因子滞后一天，保证所有特征在 t 时刻都是可观测的。

第三个坑是时间序列交叉验证的使用方式。K 折随机打乱会把前年的样本和去年的样本混在一起，网络会通过学习价格水平而非波动规律来预测。正确做法是使用TimeSeriesSplit，每一折都按时间顺序切分，并且需要把归一化器重新 fit 到每一折训练集上。如果只想验证最终模型，用 80/10/10 的简单顺序划分已经足够。

5. 结果验证：方向准确率比 RMSE 更容易暴露过拟合

5.1 计算方向准确率和收益相关性

回归模型的评估指标通常看 MAE、RMSE，但期货交易更关心预测方向和真实方向是否一致。一个模型可能在数值误差上表现很好，却几乎把所有涨跌方向都预测成 0 附近的小幅度波动，这种模型对交易没有帮助。方向准确率的定义是predictions * y_test > 0的比例，收益相关性则是预测值与真实收益的 Spearman 相关性。

import numpy as np from scipy.stats import spearmanr y_pred = np.array(predictions).flatten() y_true = y_test.flatten() mae = np.mean(np.abs(y_pred - y_true)) rmse = np.sqrt(np.mean((y_pred - y_true) ** 2)) direction_acc = np.mean((np.sign(y_pred) * np.sign(y_true)) > 0) corr, p_value = spearmanr(y_pred, y_true) print(f"MAE: {mae:.6f}") print(f"RMSE: {rmse:.6f}") print(f"Direction Accuracy: {direction_acc:.2%}") print(f"Spearman Correlation: {corr:.4f}")

输出结果里有一点需要警惕：如果方向准确率超过 58%，而样本量只有几百，先不要高兴，去检查测试集最后一段是否出现了极端趋势行情。因为单边上涨时模型只需要预测正方向就能获得高准确率。这种虚高通常伴随着corr提高但p_value很大，说明预测值和真实收益之间的相关性并不显著。要补充一个更严格的分位检验：把预测按大小分成五组，看每组的真实收益率均值是否有单调递增趋势，这比单一相关系数更能说明排序能力。

5.2 用可视化对比预测和真实收益

验证模型的最后一步是画图，把预测曲线和真实收益率叠在一起看。不要直接画价格曲线，价格有强自相关性，预测值和真实值都会表现出高度同步，看起来像拟合得很好，实际是因为两者都继承了共同的趋势成分。画收益率对比图才看得出模型是否把握住了方向。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.plot(y_true, label='True Return', alpha=0.8) plt.plot(y_pred, label='Pred Return', alpha=0.8) plt.axhline(y=0, color='gray', linewidth=0.8) plt.legend() plt.title("True vs Predicted Return on Test Set") plt.show()

从这张图里重点找两个现象：一是真实收益峰值处预测值是不是严重钝化，如果是，说明 Huber 的 delta 设置过大，或者 LSTM 隐层容量不足；二是预测值是否几乎为零，只在零点附近抖动，这是回归模型最常见的问题，通常需要增大 batch size 或降低 dropout 来让梯度更稳定。还有一个实用技巧：把方向准确率按周维度进行滚动计算，比如每周 5 个交易日滚动求窗口内的方向一致率，如果某些连续窗口准确率低于 30%，说明模型在这段时间的预测系统性反向，可以考虑在策略层加上预测置信度过滤，而不是无条件跟随输出。

本文还有配套的精品资源，点击获取