企业官网建设流程全解析

简介：面向金融数据分析与机器学习初学者的完整股票预测项目，基于sklearn中的随机森林回归模型构建，提供数据获取、特征处理和模型训练等一整套实现。资源共包含15个文件，以4个Python脚本为核心，涵盖数据抓取、训练和预测等环节；附带1个CSV历史股价数据集、1个说明文档及多个项目配置文件，压缩包约24.25MB，目录结构清晰，便于直接运行和二次开发。当前已有287人学习下载，适合作为计算机、人工智能、金融商贸等相关专业的毕设、课设或实战练习。代码已经过测试运行，能完成股票价格预测的基本流程，并且在原有模型基础上保留了调参和对比的入口，可进一步扩展更多技术指标或其他机器学习算法。项目从数据清洗到模型评估层次分明，对理解sklearn建模流程和金融数据挖掘具有实际参考价值。

1. 为什么拿 sklearn 做股票预测要先想清楚这三个问题

拿 sklearn 做机器学习股票预测，是很多人入门机器学习的第一个完整项目：拉一段股票历史行情，算几个技术指标，丢进随机森林，输出“明天涨还是跌”。听上去顺理成章，可实际跑一轮就会发现，模型预测股票涨跌每次结果不一样，第一次准确率 72%，第二次可能是 68%，回测曲线很漂亮，换一段行情就翻车。这里不聊玄学，也不劝你用机器学习直接炒股，而是把“基于 sklearn 模型的机器学习股票预测”拆成一条能复现的路线：预测目标怎么定、特征怎么造、模型怎么选、结果怎么验证。适合刚学完机器学习基础、想用 python 完成完整项目的人，也适合做课程设计或者入门金融量化的同学。读完你至少能判断一件事：这个方向值不值得继续投入。

2. 预测目标与数据准备：先决定预测什么，再决定怎么写代码

预测目标决定后面所有代码的走向。很多人上来就把任务定义成“预测明天收盘价”，然后拿 sklearn 的回归模型硬拟合，结果测试集误差一塌糊涂，原因不是模型不行，而是目标选错了：股价是非平稳序列，直接回归价格等于让模型预测一个带趋势和噪声的随机游走。常见做法是把问题简化成分类：未来 N 个交易日收益率是否为正。这样模型只判断方向，不纠结精确数值，评估也更贴近交易里“涨跌”这个真实诉求。

N 的取值同样重要。用 1 个交易日做标签，噪声太大，模型学到的是盘中随机波动；用 20 个交易日，标签平滑但样本重叠严重，回测失真。我一般先用 5 个交易日，约一周持有期，兼顾信号强度和样本独立性。确定好“预测未来 5 日是否上涨”，再去准备数据，代码会清晰很多。

2.1 先确定预测对象：分类涨跌比回归价格更稳

先跑通“分类预测涨跌”，等流程稳定了再尝试“分类预测幅度”。幅度预测虽然信息量更大，但阈值怎么定、样本够不够、类别怎么平衡，都是额外难题。初次做股票预测，分类方向是最稳的第一步。

既然目标定了，下一步就是规范数据。股票数据来源不稳定，网上随便下载的 CSV 列名可能都不一样。为了不把时间花在清洗上，我会先定一个统一标准：date, open, high, low, close, volume，日期升序，没有空值。凡是外部数据，一律先转换成这个格式再进入特征工程。

2.2 安装与数据读取：用 scikit-learn，不是 sklearn

先解决环境问题。PyPI 上的sklearn包已经弃用，正确安装名是scikit-learn，但导入代码仍然写import sklearn。很多初学者执行pip install sklearn之后能导入，却装到了老版本或残留包，后面调模型时各种报错。建议在干净环境里直接装scikit-learn。

pip install scikit-learn pandas numpy

import pandas as pd import numpy as np df = pd.read_csv("history.csv", parse_dates=["date"]) df = df.sort_values("date").reset_index(drop=True) assert df["close"].notna().all(), "close 列存在空值" print(df.head())

逻辑说明：先按日期排序并重置索引，保证后续rolling和shift都基于正确的时间顺序。CSV 里的索引如果带跳跃，滚动窗口会算错。上传数据前先检查close列是否完整，我遇到过某个数据源后 20 行全是 NaN，特征算完一批 NaN，模型直接报错。

参数说明：parse_dates=["date"]把日期列转成时间类型，方便后续按时间切分；reset_index(drop=True)是必须做的，否则原索引不连续，iloc切分时容易踩坑。不要相信任何来源的数据一定干净，打印 head 只是第一道防线，还要看缺失值、重复日期和停牌日。

2.3 特征和标签：滑窗特征一步到位，注意 shift 方向

股票预测特征不追求多，追求“到时间点为止只用了历史信息”。技术指标是入门首选，因为它们本身就是由历史价格算出来的。下面这段代码生成三类特征：滑窗收益率、滑窗均线、滑窗波动率，再加一个简化版 RSI。

def add_features(df: pd.DataFrame) -> pd.DataFrame: df = df.sort_values("date").reset_index(drop=True) close = df["close"] for n in [5, 10, 20]: df[f"ret_{n}"] = close.pct_change(n) df[f"ma_{n}"] = close.rolling(n).mean() df[f"std_{n}"] = close.rolling(n).std() delta = close.diff() gain = delta.clip(lower=0).rolling(14).mean() loss = (-delta.clip(upper=0)).rolling(14).mean() rs = gain / (loss + 1e-9) df["rsi_14"] = 100 - 100 / (1 + rs) return df.dropna()

逻辑说明：pct_change(n)计算的是当根 K 线相对 n 根 K 线前的收益率，rolling(n).mean()是截至当前时刻的移动平均，这两类特征都没有用到未来数据。RSI 用 14 日涨跌均值比，公式是经典版本，1e-9防止除零。代码在每根 K 线收盘后都能完整算出，不会把未来信息带进当前样本。

参数说明：窗口 5、10、20 是最常见的短中期组合，覆盖一周、两周、一个月的周期。std_n是波动率，用来捕捉风险变化；RSI 用来捕捉超买超卖。窗口不是越多越好，特征多了以后随机森林的max_features="sqrt"反而会稀释有效信号，初次先用三组窗口足够。

标签生成同样要用 shift，但方向完全不同。

def make_label(df: pd.DataFrame, horizon: int = 5) -> pd.DataFrame: df = df.copy() df["future_ret"] = df["close"].shift(-horizon) / df["close"] - 1 df["label"] = (df["future_ret"] > 0).astype(int) return df.dropna(subset=["label"])

逻辑说明：shift(-horizon)表示未来第 5 天的收盘价相对今天的涨跌幅，正数标为 1，负数标为 0。这里有一个关键点：特征close用的是今天收盘价，标签用的也是今天到未来的收益，所以最后一根 K 线无法生成完整标签，dropna会把它们剔除。如果你把 shift 方向写反成shift(horizon)，标签就变成了“过去 5 天是否上涨”，模型学到的全是历史，回测必崩。

2.4 时间序列切分：不要把训练标签伸进验证期

训练集和测试集不能随机打乱，必须按时间切分。但“按时间切分”也有隐蔽陷阱：标签是未来 5 日收益，如果训练集切在 2023 年最后一个交易日，训练集最后 4 个样本的标签已经伸进 2024 年的验证区间，模型等于提前见过了验证期的行情。

train_end = "2023-12-31" horizon = 5 train_idx = df.index[df["date"] <= train_end] train_cut = train_idx.max() + 1 # 训练集丢弃末尾 horizon 个样本，避免标签伸进验证期 train_ok = train_cut - horizon X_train = df.iloc[:train_ok].drop(columns=["label"])[feature_cols] y_train = df.iloc[:train_ok]["label"] # 测试集从 train_cut 开始，保留完整标签 X_test = df.iloc[train_cut:].drop(columns=["label"])[feature_cols] y_test = df.iloc[train_cut:]["label"] X_test = X_test.iloc[:-horizon] y_test = y_test.iloc[:-horizon]

逻辑说明：train_ok = train_cut - horizon是这次切分的核心。第train_cut - 1个样本的标签用到train_cut + 3的数据，已经越过切分点；只有把训练集末尾horizon个样本丢掉，才能保证训练标签全部落在训练区间内。测试集末尾同样需要去掉horizon个样本，因为最后几条数据的标签不完整，保留它们会造成评估结果虚高或偏低。

这里也是“模型预测股票涨跌每次结果不一样”的一个隐藏来源。如果你每次重新运行脚本时数据排序不同、切分位置不同，结果自然不同。固定好数据顺序和切分边界，后面调参才可复现。

3. 模型选型与调参：从逻辑回归到随机森林的一步步替换

模型选型有一条朴素原则：先用简单的，再换复杂的。逻辑回归是股票预测最好的基线：训练快、可解释、不容易过拟合。如果逻辑回归在 AUC 上已经达到 0.55，随机森林可能只高一点点，但复杂度高很多；如果逻辑回归 AUC 只有 0.5，随机森林大概率也不会突然变神。下面从逻辑回归开始，一步步落到参数细节。

3.1 逻辑回归基线：特征标准化和 class_weight 是重点

股票数据里特征尺度差异很大，close是几十到几百元，rsi_14是 0 到 100，ret_5是百分比小数。逻辑回归对尺度敏感，必须做标准化。我习惯把标准化和模型放进同一个 Pipeline，这样交叉验证时每个 fold 都只会用训练集的均值和方差去变换验证集，不会造成数据泄漏。

from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score model_lr = Pipeline(steps=[ ("scaler", StandardScaler()), ("clf", LogisticRegression(max_iter=1000, class_weight="balanced", random_state=42)) ]) model_lr.fit(X_train, y_train) prob_lr = model_lr.predict_proba(X_test)[:, 1] print("logit auc:", roc_auc_score(y_test, prob_lr))

逻辑说明：Pipeline 把fit和predict串成一条流水线，训练时先对 X 拟合标准化器，再用标准化后的数据训练模型；测试时只用已经拟合好的标准化器做变换。如果你先在全量数据上算标准化，再切训练测试，验证集的信息已经参与了特征缩放，这属于一种常见泄漏。

参数说明：max_iter=1000是因为股票特征经过标准化后仍可能迭代慢，默认 100 不够时 sklearn 会报警；class_weight="balanced"让少数类获得更高权重，股票数据里涨跌样本往往不平衡，尤其震荡行情中“跌”的样本少，不加这个参数模型会倾向预测多数类。random_state=42是给逻辑回归内部随机数固定的，虽然线性模型随机性小，但保持可复现是好习惯。

3.2 决策树和随机森林：换模型的判断标准

逻辑回归的假设是特征与涨跌存在线性关系，但技术指标对股价的作用往往不是线性的，比如 RSI 低于 30 可能反弹、高于 70 可能回落，这种阈值效应树模型更擅长。决策树能自动做特征组合和非线性划分，但单棵树对噪声敏感，训练集 R2 可能很高，测试集直接崩。随机森林通过多棵树平均来压低方差，是目前 sklearn 股票预测里最常用的升级模型。

from sklearn.ensemble import RandomForestClassifier model_rf = RandomForestClassifier( n_estimators=300, max_depth=6, min_samples_leaf=20, max_features="sqrt", class_weight="balanced", oob_score=True, n_jobs=-1, random_state=42 ) model_rf.fit(X_train, y_train) prob_rf = model_rf.predict_proba(X_test)[:, 1] print("rf auc:", roc_auc_score(y_test, prob_rf)) print("oob auc:", model_rf.oob_score_)

逻辑说明：随机森林不需要特征标准化，所以这里没有 Pipeline。fit之后predict_proba返回两个列，第二列是预测为“上涨”的概率，评估和回测都应该用概率而不是二分类结果。oob_score_是袋外样本的准确率，可以粗看模型是否稳定，但它不是最终评判标准。

参数说明：n_estimators=300已经够用，继续加到 1000 收益很小但训练变慢；max_depth=6是防止树长得太深，股票数据噪声大，深度超过 8 很容易记住训练集；min_samples_leaf=20强制每个叶子节点至少 20 个样本，让预测更平滑；max_features="sqrt"是随机森林的标准配置，减少树间相关性。这些参数不是拍脑袋，是多次对比 AUC 后得到的一个不差钱的起点。

3.3 用 TimeSeriesSplit 网格搜索：别让 KFold 打乱时序

调参时很多人直接GridSearchCV(cv=5)，默认的 KFold 会把数据随机打乱再分成 5 份，训练集里可能出现 2020 年的数据预测 2018 年的验证集，这叫时序泄漏。股票预测必须用TimeSeriesSplit，它按顺序切分，每一折的训练集始终在验证集之前。

from sklearn.model_selection import TimeSeriesSplit, GridSearchCV param_grid = { "max_depth": [4, 6, 8], "min_samples_leaf": [10, 20, 40], "max_features": ["sqrt", 0.5] } tscv = TimeSeriesSplit(n_splits=5) grid = GridSearchCV( RandomForestClassifier( n_estimators=150, class_weight="balanced", random_state=42, n_jobs=-1 ), param_grid, cv=tscv, scoring="roc_auc", n_jobs=-1 ) grid.fit(X_train, y_train) print(grid.best_params_) print(grid.best_score_)

逻辑说明：TimeSeriesSplit的每一折都会用更长的历史做训练，验证集始终紧跟在训练集后面。GridSearchCV 会把 5 折的 AUC 平均作为评分，best_score_是对未来表现的悲观估计，因为股票预测跨期越长，市场环境变化越大，分数会比你期望的低一些。

参数说明：scoring="roc_auc"比默认 accuracy 更适合不平衡样本。n_jobs=-1让网格搜索并行跑，但并行只加速计算，不改变结果。这里random_state=42同时出现在基础模型和GridSearchCV外层，确保每次网格搜索结果一致。

网格搜索跑完不要直接采信best_score_，还需要把最优模型放到第 2 章切出来的X_test上做最终验证。如果网格搜索分数 0.58，测试集分数 0.52，说明参数过拟合了训练段，要回退到更简单的参数组合。

4. 评估与回测：算清楚“预测准”和“赚不赚钱”是两回事

很多初次做股票预测的人看到测试集准确率 0.78 就兴奋，但准确率在股票数据里经常骗人。行情如果一年涨了 60%，模型只要一直预测“涨”，准确率轻松超过 0.65，实际什么都没学到。评估必须多层验证：先看 AUC 和 PR，再做回测看收益曲线，最后和买入持有基准对比。

4.1 用 AUC 和 AP 代替准确率评估涨跌方向

AUC 不依赖固定阈值，它衡量的是模型对正负样本排序的能力。AUC 等于 0.5 表示没有区分度，0.55 到 0.6 之间在股票预测里已经是值得继续改进的信号。比 AUC 更严格的是 Average Precision，它聚焦正例，也就是“预测上涨”里有多少真正上涨，这对交易更有参考价值。

from sklearn.metrics import roc_auc_score, average_precision_score print("rf auc:", roc_auc_score(y_test, prob_rf)) print("rf ap:", average_precision_score(y_test, prob_rf))

逻辑说明：roc_auc_score吃的是测试集真实标签和模型输出的概率，不是predict出来的 0/1 结果。AUC 对类别不平衡不敏感，不会因为多数类占比高而虚高，这是它比 accuracy 适合股票预测的原因。

average_precision_score是 PR 曲线下面积，当正样本很少时，它的数值会比 AUC 低很多，但更贴近“预测上涨是否靠谱”这个业务问题。同样两个模型，AUC 相同的时候，AP 高的那个在真正上涨的日子里表现更稳定，回测收益也通常更好。

4.2 写一个最简单的回测函数：收益、最大回撤、年化

回测的代码要短，但逻辑必须严谨。这里有一个常见歧义：测试集里第 t 行的预测概率是在第 t 天收盘后得到的，如果当天买入，等于用了当天收盘价成交，还能吃到当天的收益，这在实盘中做不到。所以信号要shift(1)，把 t 日的信号放到 t+1 日执行。

def quick_backtest(df, prob_col="prob", signal_th=0.55, horizon=5): df = df.copy() df["sig"] = (df[prob_col] > signal_th).astype(int) df["sig_exec"] = df["sig"].shift(1) df["future_ret"] = df["close"].shift(-horizon) / df["close"] - 1 df["strat_ret"] = df["sig_exec"] * df["future_ret"] df = df.dropna(subset=["strat_ret"]) equity = (1 + df["strat_ret"]).cumprod() drawdown = equity / equity.cummax() - 1 return { "累计收益": round(equity.iloc[-1] - 1, 4), "年化收益": round(equity.iloc[-1] ** (252 / len(df)) - 1, 4), "最大回撤": round(drawdown.min(), 4), "交易次数": int((df["sig_exec"] == 1).sum()), } X_test_plot = X_test.copy() X_test_plot["prob"] = prob_rf X_test_plot["date"] = df["date"].iloc[X_test.index] X_test_plot["close"] = df["close"].iloc[X_test.index] print(quick_backtest(X_test_plot, prob_col="prob", signal_th=0.55))

逻辑说明：sig在 t 日根据概率生成，sig_exec = sig.shift(1)让信号延迟到 t+1 日生效。future_ret从 t 日收盘到 t+horizon 日收盘，策略收益只有信号生效那天才会吃到这段涨幅。这样就不会把 t 日当天的收益算进策略，避免回测曲线虚高。

参数说明：signal_th=0.55不是随便定的。逻辑回归给出的概率通常集中在 0.5 附近，用 0.5 做阈值会频繁开平仓，手续费先吃掉收益；抬高到 0.55 能过滤掉一部分噪声。这个阈值可以在 0.5 到 0.7 之间做敏感性测试，最优值不是固定的。

4.3 和基准比：超出买入持有才有意义

策略收益再高，也要先问一个问题：如果什么都不做，直接买入并持有到回测结束，收益是多少？牛市里买入持有可能赚 80%，你的策略赚 60%，表面上好看，实际跑输了基准。计算基准收益很简单：用最后一根收盘价除以第一根收盘价减 1。

bench_ret = X_test_plot["close"].iloc[-1] / X_test_plot["close"].iloc[0] - 1 strat_result = quick_backtest(X_test_plot) print("benchmark return:", round(bench_ret, 4)) print("strategy return:", strat_result["累计收益"])

逻辑说明：基准收益是“无脑持有”的对照实验。策略收益只有在超过基准时，模型提供的涨跌信号才有实际价值。如果策略跑输基准，要么是信号质量不行，要么是交易频率太高导致成本吃掉收益，这时优先检查回测里的交易次数和最大回撤，而不是急着换模型。

这里也能解释一个常见疑问：为什么测试集 AUC 有 0.58，回测却不赚钱。因为 AUC 衡量的是排序质量，策略还要面对阈值、成本、持有期等多个环节的损耗，每个环节吃掉一点，最后收益就可能变负。评估股票预测模型，回测是唯一能让你说服自己的方式。

5. 避坑清单：模型预测股票涨跌每次结果不一样怎么办

前面几章的代码虽然能跑通，但换成真实数据后大概率会遇到几个经典问题。下面五条是我反复踩过的，每条都按“现象、原因、解决”来拆，方便你对照排查。

5.1 坑一：模型预测股票涨跌每次结果不一样

现象：同一份数据，第一次运行准确率 72%，第二次变成 68%，有时连 AUC 也跳来跳去。

原因：随机森林有自助抽样，逻辑回归有求解随机性，train_test_split默认也会随机打乱数据。只要其中一个环节没有固定随机种子，结果就不可能完全复现。另一个隐藏原因是数据索引在做concat或iloc后没有重建，导致切分逻辑每次拿到的行顺序不同。

解决：固定random_state=42，并且同时固定在三个地方：模型、train_test_split、GridSearchCV 的模型。时间序列切分不用train_test_split，但如果你用了，必须传shuffle=False。如果所有随机种子都固定后结果仍不同，先检查数据排序，df.sort_values("date").reset_index(drop=True)必须在特征计算之前执行。

5.2 坑二：特征或标签用错了未来数据，回测自欺欺人

现象：训练集 AUC 0.92，测试集 AUC 0.51，回测收益负得很稳定。

原因：未来函数泄漏。最常见的写法是df["ret_5"] = df["close"].pct_change(-5)，符号写反后特征变成了“未来 5 天的收益率”；还有人用shift(1)去构造标签，模型实际在预测“昨天涨没涨”。

解决：检查所有特征列，凡是rolling、pct_change、diff产生的序列，都要确认它是用当前行和过去行计算的，不包含未来 K 线。标签必须用shift(-horizon)生成“未来收益”，测试时把最后一小段丢进dropna。一个快速的自测方法是把特征最大值日期打印出来，看是否晚于标签日期，如果特征日期比标签日期还新，一定有泄漏。

5.3 坑三：类别不平衡让准确率虚高

现象：测试集里“上涨”样本占 75%，模型全部预测上涨，准确率 0.75，但 AUC 只有 0.51。

原因：股票行情在多头阶段上涨天数远多于下跌天数，模型只要学到一个“默认涨”的偏置就能拿到高准确率。此时 accuracy 完全失真。

解决：评估一律改用roc_auc_score和average_precision_score，不要打印 accuracy 作为主要指标。模型侧加class_weight="balanced"，让少数类样本的损失更高。不要急着用 SMOTE 过采样，时序数据里随机过采样会生成与未来样本重叠的伪样本，class_weight 在 sklearn 里已经够用。

5.4 坑四：切分时训练标签伸进验证期

现象：测试集前三天回测收益特别高，后面突然回落，整个回测结果不稳定。

原因：训练集最后一个样本的标签覆盖到验证期前四天，模型在训练阶段已经“看过”验证期初的行情，所以验证集最前端异常容易预测。

解决：用第 2.4 节的方法，在训练集末尾丢弃horizon个样本。更严谨的做法是把标签结束日期作为切分依据：训练集中每一行额外记录一个label_end_date = date + horizon 个交易日，切分时保证label_end_date <= train_end。用代码检查一下训练集最后一行的label_end_date，如果大于train_end，就是泄漏。

5.5 坑五：sklearn 和 scikit-learn 安装混了导致模型导入报错

现象：from sklearn.ensemble import RandomForestClassifier报No module named 'sklearn'，或者明明装了 scikit-learn，一运行却提示版本太旧。

原因：PyPI 上还有个叫sklearn的废弃包，某些教程让读者pip install sklearn，结果环境和真正的scikit-learn冲突，导入时加载了错误路径。

解决：在干净的虚拟环境里执行pip install scikit-learn，不要装sklearn。然后用pip list | grep scikit-learn确认安装版本。如果已经装混了，先卸载两个包再重装。

6. 进阶技巧：把概率输出变成仓位信号，再滚动重训

先看一个只有 30 行的滚动重训流程：每次用过去 500 天数据训练，预测接下来 20 天，然后滑动窗口继续。这套流程比单次训练测试更接近实盘，也能缓解模型失效问题。

def rolling_train(df, model, train_window=500, test_window=20): prob_list, date_list = [], [] for start in range(0, len(df) - train_window - test_window, test_window): train = df.iloc[start:start + train_window] test = df.iloc[start + train_window:start + train_window + test_window] model.fit(train[feature_cols], train["label"]) prob = model.predict_proba(test[feature_cols])[:, 1] prob_list.extend(prob) date_list.extend(test["date"]) result = pd.DataFrame({"date": date_list, "prob": prob_list}) return result

逻辑说明：训练窗口覆盖最近约两年交易日，预测窗口 20 天，模型每隔一个月重新训练一次。这样可以捕捉市场风格变化，避免用一个训练了三年的模型去预测完全不同的行情。参数可以按数据量调整，数据越多，训练窗口可以拉长到 1000 天。

参数说明：test_window=20在回测里等于一个月调仓一次，每次只对新的 20 天做预测。prob_list接收的是predict_proba的正类概率，后续回测用这个概率做阈值判断，而不是直接用 0/1 结果。

在滚动重训基础上，仓位管理是更实际的落地技巧。不要只看predict输出的 0 或 1，要用predict_proba输出连续概率。比如概率超过 0.6 才满仓，低于 0.6 但高于 0.55 只建半仓，低于 0.55 空仓。这样做的原因是：概率越接近 0.5，模型越没把握，投入资金应该越少。你可以用最后 20 天数据对比不同阈值下的累计收益和最大回撤，选出最稳的阈值区间。

另一个容易被忽略的验证方法是校准曲线。sklearn 里可以用calibration_curve看预测概率和实际上涨频率是否一致；如果模型给出 0.6 概率的样本实际上涨只有 0.52，说明概率被乐观估计了，阈值要相应抬高。

我现在拿到任何机器学习股票预测需求，第一反应不是换更复杂的模型，而是先确认四件事：预测目标、horizon、切分边界、评估指标。这四件事写不清楚，后面调参全是在碰运气。把 sklearn 这套流程跑顺之后，再尝试 XGBoost、LightGBM 或深度学习，也只是替换模型接口，整个数据与回测骨架不用重写。希望这篇内容能帮你在股票预测这条路上少踩几个坑。

本文还有配套的精品资源，点击获取