企业官网建设流程全解析

简介：一套基于tushare与TensorFlow 2.0的股票预测实战资源，以贵州茅台历史行情为样例，从tushare接口获取数据，完整展示RNN与LSTM模型对开盘价的预测流程。面向金融数据分析、量化交易入门及深度学习初学者，帮助解决从金融数据获取到模型训练评估的全链路问题。压缩包为zip格式，共5个文件，包含3个Python脚本（分别用于数据下载、RNN构建与LSTM构建）、1个Markdown说明文档和1个CSV历史数据文件，整体仅56KB，轻量便携。已有1912人学习下载。资源提供可直接运行的示例代码，涵盖日期整数编码、开盘价归一化、训练集与验证集划分、Adam优化及均方误差评估等关键步骤，并配有README讲解思路，还给出了模型在历史数据上的预测对比思路，方便读者观察RNN与LSTM的差异，适合作为课程设计、毕业设计或量化策略研究的参考起点。

1. 用tushare和TensorFlow 2.0预测茅台开盘价：先搞清楚这套方案值不值得做

如果你刚接触tushare和TensorFlow 2.0，想拿真实股票数据练手RNN和LSTM，贵州茅台几乎是最常见的标的：行情连续、成交活跃、数据质量好，不需要处理太多停牌和异常。但很多人卡在两步：一是不知道tushare怎么取到干净的日线数据，二是把时间序列预测当成普通回归，模型输入形状都没搞对，最后预测值一条直线，还以为是LSTM不行。这篇文章我会从tushare下载茅台日线，一步步清洗、滑动窗口、归一化，再实现SimpleRNN和LSTM两个模型，最后用滚动预测验证模型真实水平。适合有Python基础、想搞懂循环神经网络落地细节的读者。我会把参数和踩坑都摆出来，你可以直接照着复现。

2. tushare下载贵州茅台日线数据：从注册到DataFrame的完整链路

2.1 为什么选tushare而不是其他免费数据源

做股票预测，数据是第一道坎。tushare的pro接口返回的是规整的DataFrame，字段名稳定，还提供复权因子，这比手动抓网页或者用一些社区维护的数据源省心。我一般优先用它是因为它把交易日历、复权、停牌这些事项都处理好了，你只需要关心模型。当然，这并不意味着tushare没有门槛：pro接口需要注册并设置token，部分接口有积分要求，但日线行情这种基础接口通常够用。如果你只是练手RNN和LSTM，不想在数据清洗上花费太多时间，tushare是合适的起点。另外，它返回的列名是统一的小写英文，比如open、close、high、low、vol，后续直接进pandas，不需要做列名映射。

有人会问，为什么不直接用akshare或者baostock？akshare免费但接口返回格式经常变，baostock没有前复权这么方便。tushare在数据规范性上胜出，代价是token和积分机制。我的建议是：想快速跑通就用tushare，遇到权限报错再换方案。这篇文章的核心在于后面的特征工程和模型，数据源只要稳定可复现就行。

2.2 用pro_bar接口下载茅台日线：参数和复权选项

先确保安装并导入tushare，然后设置token。注意token是你在官网个人页面申请的一串字符，不要把它硬编码在公开脚本里，环境变量或配置文件中读取更安全。下面这段代码会下载2015年到2023年的茅台日线，并使用前复权。

import tushare as ts import pandas as pd ts.set_token('你的token') pro = ts.pro_api() df = ts.pro_bar( ts_code='600519.SH', adj='qfq', start_date='20150101', end_date='20231231' ) print(df.head())

这里解释参数：ts_code是股票代码，贵州茅台在上海交易所，代码是600519.SH；adj='qfq'表示前复权，这样2015年的价格不会因为后续分红除权而产生跳变，对训练RNN和LSTM很重要；start_date和end_date用'YYYYMMDD'字符串格式。pro_bar会返回历史日线，列包括trade_date、open、high、low、close、pre_close、change、pct_chg、vol、amount。其中open是当天开盘价，vol是成交量，不是volume。这一点后面做特征时要特别注意。如果你不传adj，默认是未复权，直接用未复权数据预测开盘价会受到除权缺口影响，模型会把“除权日”误学成暴涨暴跌，所以强烈建议用复权。

前复权的含义是“以当前价格为基准，把历史价格做修正”，所以下载后所有价格都在同一价格尺度下，序列里不会出现因为分红造成的断崖式下跌。做RNN这类对数值敏感的模型，这一步比想象中更重要。你可以打印df.dtypes确认vol是float64，并且没有空值。

2.3 清洗与排序：漏掉停牌和重复交易日会怎样

下载下来的数据默认是按日期倒序的，也就是最新一天在最上面。很多初学者不排序就开始切片，导致训练集和测试集时间顺序错乱。我们需要做几件事：把trade_date转成datetime类型，按日期升序排列，重置索引，然后检查有没有重复日期或缺失值。

df['trade_date'] = pd.to_datetime(df['trade_date']) df.sort_values('trade_date', inplace=True) df.reset_index(drop=True, inplace=True) print(df.isnull().sum()) print(df.duplicated(subset='trade_date').sum())

这一步逻辑很简单，但有两个细节值得说。第一，排序必须用升序，因为时间序列模型要求过去在前、未来在后。第二，tushare返回的是实际交易日，周末和节假日没有记录，这是正常的，不要试图填充这些空余日期。如果你用weekday做周期性特征，另说；但RNN窗口天然是按交易日滑动的，缺了周末就让它缺。真正需要担心的是停牌日，比如某一天因为临时停牌没有记录，你的连续窗口就会出现“跳空”。只有极少数情况下需要你根据交易日历补一行NaN，然后填充前值。就茅台而言，这些年停牌很少，但代码里保留merge交易日历的逻辑会更稳健。这里先不展开，后续避坑章节再细说。

清洗后，数据就可以进入特征工程了。这里顺手提一句：如果你想检查数据年份范围，可以打印df['trade_date'].min()和max()，确保切片没有丢失头尾。另外，df仍然保留着pre_close、change、pct_chg这些列，但在后续特征选择中我通常只保留open、high、low、close和vol，其他列和明天开盘价的直接关系不大，留着反而增加噪音和训练开销。

3. 特征工程与窗口化：RNN/LSTM输入到底是什么形状

3.1 用过去N天预测明天：滑动窗口的意义

RNN和LSTM处理的是序列，单条数据进入模型时必须带有“步长”维度。预测开盘价这个任务，最自然的设定是：用过去N个交易日的特征序列，预测下一个交易日的开盘价。也就是说，如果今天是第t天，我们要预测第t+1天的open，输入是[t-N, t]这一段特征，而不是像普通回归那样只用t这一天的特征。滑动窗口就是干这个的。

窗口大小N怎么定？这没有标准答案。N太小，模型看不到趋势；N太大，训练样本数量下降，而且远期的信息可能是噪音。我做实验一般先试N=10或者20，对应两周到一个月左右交易日。你可以把它做成超参数，后面批量搜索。注意，这里的“预测开盘价”必须严格使用开盘前的已知信息：如果[t-N, t]包含了第t+1天的任何数据，那就构成未来函数。后面会专门说这个坑。

为什么要用连续窗口？因为循环神经网络的记忆机制需要一个时间跨度的上下文，单独拿某一天的行情去预测次日，模型学不到“沿趋势运动”这类被市场参与者反复提及的规律，尽管这些规律在统计上很弱。窗口让模型有机会捕捉短期的动量或均值回归行为。对茅台这种流动性极好的股票，窗口里的成交量变化其实比价格本身更值得模型观察，所以后续特征里我把vol也放进去。

3.2 归一化：MinMaxScaler的fit与transform切分陷阱

我们先准备特征矩阵和目标向量。特征里不仅有open，还有high、low、close、vol。目标就是下一日的open。我习惯把特征和目标分开归一化，这样预测后能单独还原成真实股价。

下面是正确做法：先把数据按时间切成训练集和测试集，再分别fit和transform。如果先在全量数据上fit MinMaxScaler，测试集的最大最小值会渗透进归一化参数，这种泄漏会让验证分数虚高，实盘预测却“翻车”。

from sklearn.preprocessing import MinMaxScaler feature_cols = ['open', 'high', 'low', 'close', 'vol'] target_col = 'open' data_x = df[feature_cols].values.astype('float32') data_y = df[target_col].values.astype('float32') split_idx = int(len(df) * 0.8) train_x = data_x[:split_idx] test_x = data_x[split_idx:] train_y = data_y[:split_idx] test_y = data_y[split_idx:] scaler_x = MinMaxScaler() scaler_y = MinMaxScaler() train_x_scaled = scaler_x.fit_transform(train_x) test_x_scaled = scaler_x.transform(test_x) train_y_scaled = scaler_y.fit_transform(train_y.reshape(-1, 1)).ravel() test_y_scaled = scaler_y.transform(test_y.reshape(-1, 1)).ravel()

这里把输入特征和目标分开归一化，原因是后续预测，我们只对目标做反变换。注意，train_y.reshape(-1,1)是为了让MinMaxScaler接受列向量，ravel()再转回一维。train_x_scaled和test_x_scaled是二维矩阵，行数是交易日数，列数是5个特征。这时候还没有形成窗口，下一步再切。

为什么目标要单独归一化？因为你需要还原预测值为真实价格。如果和特征混在一起用一个scaler，inverse_transform时必须构造一条完整的特征向量，但这向量里的其他特征你不知道，还原就会卡住。单独scaler_y就简单得多：预测出的归一化值直接传进去，出来的就是茅台股价。

3.3 构造三维张量：samples, timesteps, features

TensorFlow 2.0的RNN和LSTM层输入要求三维：(batch_size, timesteps, features)。我们的timesteps就是窗口大小，features就是5。构造序列的函数可以这样写：

import numpy as np def make_sequences(x_scaled, y_scaled, window_size): X, Y = [], [] for i in range(window_size, len(x_scaled)): X.append(x_scaled[i - window_size:i, :]) Y.append(y_scaled[i]) return np.array(X), np.array(Y)

注意这里Y取的是第i个目标，而X取的是[i-window_size, i-1]这一段，正好错开，没有用到第i天的特征。这样构造出的每个样本形状是(window_size, 5)，模型就知道“用过去window_size个交易日预测这个交易日”。但这里有个细节：当我们分别对train_x_scaled和test_x_scaled调用make_sequences时，测试集第一个样本的输入窗口完全在测试集内部，损失了测试集最前面的历史信息，而且训练集和测试集之间没有过渡的缝隙。这是常见的简陋做法，会导致测试集起始几天的预测不准确。更好的做法是让测试集从训练集末尾的窗口开始滚动，这就是最后一章要讲的滚动预测。

调用方式：

window_size = 10 X_train, Y_train = make_sequences(train_x_scaled, train_y_scaled, window_size) X_test, Y_test = make_sequences(test_x_scaled, test_y_scaled, window_size) print(X_train.shape, Y_train.shape) # (?, 10, 5), (?,)

参数说明：window_size=10意味着输入10个交易日的特征；X_train的第一个维度是样本数，约等于训练集长度减去窗口大小。Y_train是一维数组，每个值对应一个目标开盘价的归一化值。到这里，模型输入才算准备好。你可以把这里的打印结果和后面的LSTM模型对照，输入层shape必须严格踩住(10, 5)，否则后续fit会直接报维度错误。

4. TensorFlow 2.0搭建RNN和LSTM：两个模型的代码与参数差别

4.1 用tf.data把数据喂给模型，别让CPU拖后腿

数据准备好了，接下来就是模型。TensorFlow 2.0下，训练这种小规模时序模型，很多人感觉训练速度比PyTorch慢，其实大多数时候不是框架本身的锅，而是数据管道没做对。直接用X_train去model.fit也可以，但每次喂数据都要经过Python层，CPU和GPU之间来回等待。我一般会把训练数据包成tf.data.Dataset，加上shuffle、batch和prefetch。

import tensorflow as tf dataset = tf.data.Dataset.from_tensor_slices((X_train, Y_train)) dataset = dataset.shuffle(buffer_size=1000).batch(32).prefetch(tf.data.AUTOTUNE)

shuffle的buffer_size不要太大，时间序列本来就有顺序，太大的buffer会把序列顺序彻底打乱，反而破坏局部依赖。batch_size=32是经验值，你可以试16或64。prefetch(tf.data.AUTOTUNE)让数据在后台准备，这是提速的关键。如果你用的是GPU或者苹果M系列芯片，这一步差距很明显；即使CPU训练，也会有可观收益。注意，验证集和测试集不要shuffle，保持时间顺序，否则评估结果没有意义。这里顺带说一句，很多人拿这个数据集和PyTorch做对比，其实在数据量只有几千条的场景下，框架差异几乎可以忽略，真正决定训练时间的是你如何处理数据管道。

4.2 SimpleRNN模型：一个能跑通的基准线

先搭建一个最简的SimpleRNN作为基准。它结构最简单，适合排查数据流程。

model_rnn = tf.keras.Sequential([ tf.keras.layers.SimpleRNN(64, activation='tanh', input_shape=(window_size, len(feature_cols))), tf.keras.layers.Dense(1) ]) model_rnn.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='mse', metrics=['mae'] ) history_rnn = model_rnn.fit( dataset, epochs=30, validation_data=(X_test, Y_test), verbose=1 )

这里SimpleRNN(64)表示隐层单元数64，activation默认就是tanh，输入形状是(window_size, 5)。Dense(1)输出一个标量，就是下一日开盘价。损失选了mse，同时用mae做监控。epochs先设30，观察loss曲线。SimpleRNN的问题是对长序列记忆能力差，参数少，训练快，但很容易出现梯度消失。如果从它开始跑，能快速验证你的数据管道和窗口构造是否正确。

我习惯把history里的loss打印出来，看训练集和验证集是否在收敛。如果训练集loss下降但验证集loss走高，就是典型的过拟合。对开盘价预测这种低信噪比任务，过拟合非常容易发生，所以后面会有专门的避坑讨论。SimpleRNN在我做的实验里通常比LSTM差不了太多，但稳定性略逊，如果你只是想快速验证流程，它足够。

4.3 LSTM模型代码：遗忘门带来的差异和训练速度对比

接下来换成LSTM。LSTM引入了遗忘门，能保留长期状态，参数量大约是SimpleRNN的四倍。在同样的窗口和数据集上，LSTM收敛更慢，训练时间也更长。如果你在TensorFlow 2.0上跑，会发现用了tf.data之后，LSTM训练速度比直接用numpy数组要快不少；但和PyTorch比，并没有绝对差距，关键还是看数据管道的写法。

model_lstm = tf.keras.Sequential([ tf.keras.layers.LSTM(64, activation='tanh', return_sequences=False, input_shape=(window_size, len(feature_cols))), tf.keras.layers.Dense(1) ]) model_lstm.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='mse', metrics=['mae'] ) history_lstm = model_lstm.fit( X_train, Y_train, epochs=50, batch_size=32, validation_data=(X_test, Y_test), verbose=1 )

我这段直接用numpy数组fit，方便你对比上一节的dataset写法。实际项目里建议统一用tf.data，尤其当数据量大了以后。LSTM有两个常见参数需要调：units和return_sequences。我们最后要接全连接层，所以return_sequences=False，只输出最后一个时间步的隐状态。如果你在后面还要堆LSTM层，第一层要设return_sequences=True。激活函数保持tanh，遗忘门默认sigmoid，不需要改。

训练完成后，可以简单对比model_rnn和model_lstm在测试集上的mae。通常LSTM会略好，但不一定，因为开盘价预测信噪比很低。如果两者差不多，不要意外，这是常态。真正有价值的是后面的滚动预测评估。在调参时，我一般会先从units=32和epochs=50开始，观察曲线再决定加不加层。对茅台这种单序列数据，堆太多的LSTM层容易过拟合，一层到两层足够。

5. 训练与预测常见问题排查：5个能让模型翻车的坑

这一章我会把实际踩过的坑和排查路径写出来。这些问题在基于tushare数据做RNN/LSTM预测时几乎必然遇到。

5.1 在归一化时用了全量数据，导致未来数据泄漏

现象：训练集和测试集mae都很低，但一旦换成新数据，预测曲线严重偏离真实价格。

原因：预处理时先在全量数据上调用MinMaxScaler.fit_transform，测试集的最大值和最小值已经参与计算缩放参数。模型在训练时“偷看”了未来的统计信息，测试集不再是真正的未来数据。

解决：先按时间切分，再scaler.fit(train_x)和scaler.transform(test_x)。另外，目标值的归一化也要同样处理，只对训练目标fit，测试目标用同一个scaler。你在第3章看到的就是正确写法。如果是从别的教程拷来的代码，第一件事就是检查有没有在切分前全量fit。其实这个坑我见过很多次，尤其网上一些为了演示效果的教程，会用整个数据集的min/max把两条曲线画得很漂亮，但你上线后就会发现完全不是一回事。

5.2 时间序列不能用随机shuffle，验证集必须按时间切

现象：LSTM在验证集mae上表现很好，但实际使用中连续预测几天后误差越来越大。

原因：keras的validation_split默认在尾部切，但如果你在fit中传了shuffle=True，训练样本的顺序被打乱，验证集也受影响。更重要的是，如果你用train_test_split(random_state=42)随机切分时间序列，模型看到的是跨时间的样本，验证集里可能包含训练集的“未来”，评估结果虚高。

解决：对时间序列要做“按时间顺序”的训练/验证/测试切分。训练shuffle可以，但保证shuffle只发生在训练集内部。验证集和测试集永远保持时间顺序，不要调用shuffle。这一点在金融数据里是底线，否则模型到底有没有泛化能力，根本看不出来。如果你用keras自带的validation_split，确认它按尾部切分，不要在shuffle=True时同时使用它，否则验证集可能来自时间靠前的部分，模型相当于“穿越”回过去预测，这种评估毫无意义。

5.3 预测值几乎一条直线，问题大多在目标构造和未来函数

现象：模型预测的开盘价曲线在训练集和测试集上都接近水平线，只在末端有轻微波动。

原因：常见有三种。第一，训练时不小心把当天open作为特征，模型学到“恒等映射”，但到测试集上会直接崩；第二，窗口构造时索引错位，把y_target取成了当前窗口的最后一天而不是下一天，导致输入和目标高度线性相关，预测退化成均值；第三，损失函数用MSE，模型为了最小化误差，选择预测条件均值，开盘价走势本身接近随机游走，条件均值就是一条水平线。

解决：先打印X_train[0]和Y_train[0]，人工核对窗口最后一行的日期是否早于目标日期。再用滚动预测看整体趋势，如果还是水平线，检查有没有对连续价格做差分。把目标换成“涨跌幅”或者“差分后的开盘价”，往往能缓解水平线问题。不过，预测开盘价的绝对值本来就难，一条水平线不代表代码错了，可能只是模型没学到可预测性。

5.4 损失函数选错：MSE会把极端波动“平滑”掉

现象：模型在正常行情预测尚可，但遇到大阳线或大阴线时，预测值总是偏向中间区域，追不上一两根大K线。

原因：MSE对误差平方加权，极端样本的误差被放大，模型为了避免惩罚，倾向于输出更保守的预测。这在金融序列里尤其明显，因为极端值的方差很大。

解决：可以改用Huber损失，即tf.keras.losses.Huber(delta=1.0)，它对离群点不那么敏感。同时，在metrics里保留mae方便对比。如果你非要看方向准确率，可以自定义准确率，比如预测值与真实值符号一致（涨或跌）的比例。这里不展开，但记住损失函数不是越精确越好，而是要和你的目标一致。方向准确率对交易更实际，但评估代码要绕一些，我一般会在训练后用np.sign比较预测值和真实值的方向一致性。

5.5 模型保存和加载问题：TensorFlow 2.0的隐藏细节

现象：用model.save保存，再用load_model加载，预测时shape报错，提示输入需要三维，但你明明传了三维数组。

原因：TensorFlow 2.0不同版本对SavedModel处理方式不一样，有时保存模型时输入形状带None批次维度，需要传入(batch, timesteps, features)才能让模型build。另外，如果你在训练前没有调用model.build或者没有给model传过一次真实输入，保存的模型可能缺少输入形状。

解决：在fit之后，随便拿一个样本调用model.predict(X_test[0:1])，让模型完成build，然后再保存。保存用model.save('lstm_model.keras')更稳，加载用tf.keras.models.load_model。加载后再次predict。还有一个容易被忽略的点：训练时用了tf.data，但predict时直接用numpy，没问题；如果你在模型里用了自定义预处理，加载后要确保输入已经经过同样的缩放，否则预测值完全错误。就这个场景而言，最稳妥的方式是保存前把scaler_x和scaler_y也存成npy文件，加载模型时一并读回。

6. 用滚动预测把模型逼到墙角：更真实的评估技巧

很多人跑完上面的代码，直接看测试集mae就觉得模型调好了。但test set里的每个样本都是独立窗口，模型并没有经历“连续预测”的情景。更贴近实际的方法是滚动预测：从训练集末尾的一个窗口出发，每一步用真实的历史特征（不包括未来）预测下一个交易日的开盘价，然后把真实数据滑动一步，继续预测。注意，因为我们只预测开盘价，而且输入特征都是前一日收盘前已知的，所以滚动预测时不需要用模型自己的输出回填，这避免了误差累积。

def rolling_predict(model, full_x_scaled, scaler_y, window_size, start_idx): preds = [] n = len(full_x_scaled) - start_idx - window_size for i in range(n): window = full_x_scaled[start_idx + i : start_idx + i + window_size] pred = model.predict(window[np.newaxis, :, :], verbose=0)[0, 0] preds.append(pred) return np.array(preds) # 将训练和测试拼接，从训练集末尾窗口开始滚动 full_x_scaled = np.concatenate([train_x_scaled, test_x_scaled], axis=0) start_idx = len(train_x_scaled) - window_size pred_scaled = rolling_predict(model_lstm, full_x_scaled, scaler_y, window_size, start_idx) pred_original = scaler_y.inverse_transform(pred_scaled.reshape(-1, 1)).ravel()

这里的start_idx指向训练集末尾的前一个窗口。这个函数从训练集末尾的真实数据开始滚动，每一步使用真实特征，所以它模拟的是“开盘前已知历史，预测今日开盘价”的流程。注意，model.predict时输入要加np.newaxis变成(1, window_size, 5)，否则会因shape不匹配报错。预测输出是归一化的，需要scaler_y.inverse_transform还原成真实股价。

为什么强调滚动预测？因为直接对测试集X_test做predict时，每个样本的窗口都是从测试集内部随机取的，缺少对训练集末尾状态的延续。滚动预测让模型在一个连续的时间轴上工作，早期预测偏差会通过窗口自然传导，因此滚动mae通常比直接测试集预测更高。这个数字更接近真实上线后的表现。我自己的血泪经验是：如果滚动预测曲线整体滞后真实曲线一天，说明模型实际上只是在重复昨天的状态，并没有学到预测能力；如果滚动预测在转折点处有明显的钝化，说明窗口太短，可以考虑把window_size从10改成20，再试试给模型堆一个Dropout层。开盘价序列的噪声极大，滚动预测能帮你把模型的真实下限看清楚。希望这个技巧能帮到你在类似预测任务里少走弯路。希望帮到你。

本文还有配套的精品资源，点击获取