企业官网建设流程全解析

简介：面向金融数据挖掘与深度学习入门人群的实践型资源，演示如何用tushare抓取贵州茅台历史行情，并在TensorFlow 2.0框架下搭建RNN与LSTM模型预测开盘价。压缩包共5个文件，包含数据获取脚本、RNN预测脚本、LSTM预测脚本各一个，另附历史数据CSV和README说明文档，整体仅56KB，轻量便捷，适合快速阅读与二次修改。代码覆盖数据预处理、日期整数编码、开盘价归一化、模型构建、Adam优化训练及误差评估等环节，LSTM部分突出门控机制对长期依赖的捕捉，便于对比两类循环网络在股价序列上的表现。已有1912人学习下载，可直接替换股票代码与时间窗口，迁移到其他品种或指标，是理解时序预测与TensorFlow 2.0实战的实用参考。

1. 用 tushare 喂给 TensorFlow 2.0：RNN 与 LSTM 预测茅台开盘价，到底靠不靠谱

用 tushare 把贵州茅台的日线数据拉下来，再在 TensorFlow 2.0 里分别搭 RNN 和 LSTM 预测下一日开盘价——这个项目我在本地从头到尾跑通过一遍。先说结论：纯历史行情喂给循环模型，对短周期开盘价能学到一定规律，但指望它稳定战胜市场不太现实；这个项目真正的价值在于把「tushare 取数 → 序列预处理 → TensorFlow 2.0 建模 → 训练评估」这一整条链路完整走通了。适合刚开始接触时间序列预测、手头需要一份真实股票数据练手的开发者。项目自带 SH600519.csv 和两个 Python 脚本，照着跑就能出预测曲线。

2. 数据准备：把 tushare 的日线变成模型真正能吃的序列

2.1 拉取与清洗：token 配置、字段筛选和交易日索引

tushare 目前主推的是 pro 版本接口，先要注册拿到 token，再调用ts.pro_api()。日常拉日线用pro.daily()就够了，接口返回的是 DataFrame，字段比老版get_k_data全很多，包括开高低收、昨收、涨跌幅、成交量、成交额。老接口虽然不用积分，但数据字段少、维护状态不明确，不推荐在这个项目里用。

import tushare as ts import pandas as pd ts.set_token('你的tushare_token') pro = ts.pro_api() df = pro.daily(ts_code='600519.SH', start_date='20150101', end_date='20231231') df = df.sort_values('trade_date') # tushare 默认按日期倒序，必须升序 df.to_csv('SH600519.csv', index=False) print(df.head())

这段代码做完三件事：配置 token、按 ts_code 拉取贵州茅台日线、按 trade_date 升序排列后落盘。ts_code的格式是「交易所代码.市场后缀」，上交所股票后缀是.SH。trade_date是YYYYMMDD字符串，直接字符串排序碰巧和日期排序一致，但要养成显式排序的习惯，避免后续和 datetime 混用时翻车。

这里有个新手最容易卡住的点：pro.daily()有积分门槛，注册后基础积分低，直接调用会报权限错误。常见做法是先用项目自带的 SH600519.csv 把流程跑通，再去 tushare 官网攒积分开接口权限。如果非要用接口，老版ts.get_k_data('600519')不需要积分，但字段少、接口稳定性一般，只适合拿来做数据下载的练习。

vol单位是手，amount单位是千元，这个细节容易在后续做特征工程时算错量纲。tushare 的日线数据是「有交易日才有记录」，停牌日直接没有这一行。这里不要用自然日去补全，否则等于往序列里塞了大量重复价格，模型学到的是「价格不变」的假规律。后面避坑章节会展开讲。

2.2 归一化、滑动窗口与数据划分：为什么开盘价在第 0 列

模型输入不能直接用原始价格。茅台开盘价一千多块，成交量几十万手，数值量级差太多，直接丢进神经网络会让梯度被大数值特征主导。常规做法是 MinMaxScaler 把所有特征压到 0～1 区间。特别注意：scaler 只能 fit 在训练段上，不能先对全量数据 fit 再做切分，否则测试集的 min/max 已经参与了缩放，等价于让模型偷看了未来统计量。

import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler data = pd.read_csv('SH600519.csv') features = data[['open', 'high', 'low', 'close', 'vol', 'amount']].values # 先按时间顺序切分原始数据，再做归一化 split_idx = int(len(features) * 0.8) train_raw = features[:split_idx] test_raw = features[split_idx:] scaler = MinMaxScaler(feature_range=(0, 1)) scaler.fit(train_raw) # 只在训练段上学习 min/max train_scaled = scaler.transform(train_raw) test_scaled = scaler.transform(test_raw) def make_sequences(data, lookback=30): X, y = [], [] for i in range(lookback, len(data)): X.append(data[i-lookback:i]) # 过去 lookback 个交易日 y.append(data[i, 0]) # 预测第 i 日的开盘价，open 在第 0 列 return np.array(X), np.array(y) X_train, y_train = make_sequences(train_scaled) X_test, y_test = make_sequences(test_scaled) print(X_train.shape, y_train.shape)

这里有两个关键选择。第一，特征列顺序固定为[open, high, low, close, vol, amount]，所以 open 在索引 0，后续取data[i, 0]就是第 i 日的开盘价。第二，lookback=30表示用过去 30 个交易日预测下一个交易日，对应大约一个半月的交易天数，是股票序列预测里比较常见的窗口长度。窗口太短（如 5）模型只能看到短期波动，窗口太长（如 120）样本量急剧下降且容易过拟合。

划分比例 8:2 是按行切分，不是按日期切分。代码里split_idx取总行数的 80%，前 80% 做训练，后 20% 做验证。这里绝对不能随机 shuffle，时间序列一旦打乱，模型等于既看了过去又看了未来，训练出来的 loss 低得没有意义。

提示：做完这一步，检查一下X_train.shape。正常结果是(样本数, 30, 6)，三个维度分别对应样本数、时间步数、特征数。如果看到的是二维，说明滑窗逻辑有问题，后面喂给 LSTM 一定会报维度不匹配。

3. 上手 TensorFlow 2.0：SimpleRNN 与 LSTM 两个模型对比实现

3.1 RNN 基线：一层 SimpleRNN 加 Dropout，先把流程跑通

RNN 循环神经网络的特点是每个时间步的隐藏状态会往后传递，理论上能捕捉序列中的前后依赖。但标准 RNN 对长序列存在梯度消失问题，30 个时间步不算特别长，用它做基线模型是合理的起步选择。项目里的 rnn_stock.py 用 Keras Sequential 搭模型，几行代码就能出来。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import SimpleRNN, Dense, Dropout model_rnn = Sequential([ SimpleRNN(64, activation='tanh', return_sequences=False, input_shape=(30, 6)), Dropout(0.2), Dense(1) ]) model_rnn.compile(optimizer='adam', loss='mse', metrics=['mae']) model_rnn.summary()

SimpleRNN的units=64是隐藏状态维度，64 起步是常见做法：32 偏小、128 训练慢。activation='tanh'是循环层的标准激活函数，不需要额外纠结。return_sequences=False表示只返回最后一个时间步的输出，因为最终目标是预测一个具体的开盘价数值，不需要保存完整的时间步序列。input_shape=(30, 6)对应前面滑窗构造的 30 个时间步、6 个特征。

Dropout(0.2)在循环层输出之后加，用来压过拟合。股票序列噪声大，RNN 参数量不多但同样容易记住训练集上的随机波动。loss='mse'是回归问题的默认选择，metrics=['mae']是为了看平均绝对误差，数值更直观。整个 SimpleRNN 单层 64 单元的参数量不到一万，训练速度非常快，CPU 上几十秒就能跑完一个 epoch。

这个模型最大的意义是作为基线。不要指望它给出多惊艳的预测，而是拿它的 loss 和后面 LSTM 的结果做对比，验证 LSTM 的门控机制到底有没有带来实质提升。如果 RNN 和 LSTM 结果几乎一样，说明问题不在模型结构，而在数据或滑窗构造上。

3.2 LSTM 翻版：双层的门控机制更适合价格序列，但参数量翻倍

LSTM 通过输入门、遗忘门、输出门控制信息保留和丢弃，能有效缓解梯度消失。股票价格序列里既有长期趋势也有短期波动，LSTM 理论上比 SimpleRNN 更适合这类数据。项目里的 LSTM_stock.py 采用了双层 LSTM 结构，第一层返回完整时间步序列给第二层继续提取特征。

from tensorflow.keras.layers import LSTM model_lstm = Sequential([ LSTM(64, return_sequences=True, input_shape=(30, 6)), Dropout(0.2), LSTM(32, return_sequences=False), Dense(1) ]) model_lstm.compile(optimizer='adam', loss='mse', metrics=['mae']) model_lstm.summary()

第一层LSTM(64, return_sequences=True)的return_sequences=True是双层 LSTM 的关键：必须输出所有时间步的隐藏状态，第二层才能继续按序列处理。第二层LSTM(32, return_sequences=False)只输出最后一步，直接接全连接层输出预测价格。参数量上，单层 LSTM 因为内部有四个门控结构，大约是同样 units 的 SimpleRNN 的四倍。双层 64+32 的话，总参数量在三万左右，训练速度明显比 RNN 慢，但也没有到不能接受的程度。

训练时加上 EarlyStopping 和模型保存，是这类项目的标准配套。归一化后的 MSE 在 0.001～0.003 区间算是正常水平，对应真实价格误差大约在几十元。如果验证集 loss 始终降不下去，先回去检查数据，别急着调网络结构。

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint callbacks = [ EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True), ModelCheckpoint('best_lstm.h5', monitor='val_loss', save_best_only=True) ] history = model_lstm.fit( X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test), callbacks=callbacks, verbose=1 )

epochs=50搭配patience=10的意思是：最多训练 50 轮，但连续 10 轮验证集 loss 不下降就提前停，并恢复最优权重。这个组合能在过拟合之前「踩刹车」。batch_size=32是常规选择，数据量不大时不用刻意调。validation_data直接用之前按时间切出来的后 20% 数据，每轮训练结束都能看到验证集指标。

4. 避坑：股票时间序列预测里我踩过的五个坑

第一个坑：把日期当成特征喂给模型。现象：把 trade_date 归一化后拼进特征矩阵，训练时 loss 一直居高不下，预测曲线几乎是一条水平线。原因：日期编码和价格之间没有可学习的因果关系，归一化后的日期接近单调递增，模型只学到了一个无意义的时间趋势项。解决：只保留 ohlcv 和成交量特征，日期只做索引不做输入。摘要里提到的「将日期转换为连续的整数编码」在早期版本里常见，但这个思路现在基本被放弃，建议直接丢弃日期列。

第二个坑：Keras 报输入维度不匹配。现象：执行 fit 时抛出expected ndim=3, found ndim=2。原因：DataFrame 是二维结构，直接传进去等于把每个样本当成一个独立时间步，根本没有构造(样本数, 时间步, 特征数)的三维张量。解决：先跑make_sequences滑窗函数，再打印X.shape确认是三维，最后才进模型。

第三个坑：预测曲线整体延迟一天，看起来贴合度极高但其实是假象。现象：把预测值和真实开盘价画在一起，两条曲线几乎重合，但整体向右平移了一天，MAE 还异常低。原因：模型其实在拟合「昨日收盘价 → 今日开盘价」的跳空关系，本质上是拿前一天的信息做无脑预测，并没有学到多日模式。解决：用「上一交易日收盘价当作今日开盘价的预测值」做一个无脑基准线，如果模型跑不赢这条基准线，说明学到的东西没有增量价值。

第四个坑：全样本归一化造成数据泄漏。现象：训练时 loss 很漂亮，但拿模型去预测「只有过去数据」的真实场景，误差明显变大。原因：MinMaxScaler 在全部数据上 fit，测试段的 min/max 参与了缩放，相当于模型间接看到了未来统计量。解决：严格按照「先按时间切分 → 只用训练段 fit scaler → 再 transform 训练和测试段」的顺序走，这也是第 2 章代码里特意先切分再 fit 的原因。

第五个坑：停牌日补全导致序列失真。现象：用 pandas 按自然日resample补全停牌日之后，模型预测值长期不变。原因：补全操作把停牌日填充成前值，序列里出现大量重复价格，模型学到「价格永远不变」的假规律。解决：保持 tushare 返回的交易日序列，不要用自然日对齐。构造滑窗时直接按行索引走，有交易记录才算一个时间步。

注意：pro.daily()的积分权限报错不属于数据处理问题，但极其常见。现象是调用接口时提示没有权限或访问受限，原因是 tushare 对 daily 接口有积分门槛，解决方式是先用项目自带 CSV 文件跑通流程，再去 tushare 官网攒积分或换旧版get_k_data接口应急。

5. 验证与预测：回测里看模型能不能信，以及怎么预测下一天

5.1 反归一化与滚动预测：补零列的小技巧

模型输出的是 0～1 区间的归一化预测值，直接看没有意义。反归一化时有个常见坑：scaler.inverse_transform需要完整特征维度，但模型只预测了 open 一个字段。方式不是只传一列，而是构造一个 6 列的零矩阵，把预测值塞进第 0 列，再取反变换后的第 0 列。

pred_scaled = model_lstm.predict(X_test) dummy = np.zeros((len(pred_scaled), 6)) dummy[:, 0] = pred_scaled[:, 0] pred_open = scaler.inverse_transform(dummy)[:, 0] true_open = scaler.inverse_transform(test_scaled[30:])[:, 0]

这里test_scaled[30:]对应测试集中第一个滑窗的起始位置，要和pred_scaled的行数对齐。更严格的验证方式是滚动预测：每预测完一天，把真实观测值追加到窗口末尾，再预测下一天，模拟真实的逐日预测过程。一次性预测全部测试集会有信息优势，滚动预测的结果更接近实际使用情况。

5.2 误差指标与使用边界

评估时别只盯 MSE，加一个 MAPE 更直观。计算公式是mean(abs((真实值-预测值)/真实值)) * 100%，茅台开盘价在 1500～2000 元区间时，MAPE 在 2% 以内已经算是这个任务里不错的水平。我习惯把预测值、真实值和「上一日收盘价」三条线画在一张图里，肉眼判断模型到底有没有跑赢无脑基准。

预测未来一天只是把最后 30 个交易日的数据滑窗出来，丢进模型拿到归一化结果再反变换，逻辑和测试集完全一致。但有一点要认清：模型只学了历史价格模式，突发事件、政策变化、市场情绪这些信息在行情数据里没有体现，预测结果只能当参考，不能当交易信号。从那以后我每次跑这类预测项目，都强制走一遍「严格时间划分 + 无未来函数 + 无脑基准对比」三步检查，过滤掉了很多看似漂亮实则没用的模型。希望帮到你。

本文还有配套的精品资源，点击获取