简介：面向毕业设计、期末大作业与课程设计的机器学习实践资源，围绕股票价格趋势预测这一典型场景，提供可运行的Python仿真工程。代码包含数据解析、数据集构建、LSTM模型训练与评估等完整模块，并配有说明文档，注释详尽，适合初学至进阶读者快速上手，下载部署后即可直接使用。压缩包共包含13个文件，涵盖5个Python源码文件、说明文档、CSV格式数据集、训练生成的模型文件以及可视化结果图片，整体大小仅356KB，结构轻量清晰，便于本地复现与二次修改。这套资源由作者手打完成并取得98分，已获得导师认可，是完成毕业设计、课程作业或学习时序预测应用的可靠参考。目前已有303人学习下载，内容覆盖从数据读取、模型训练到结果评估的完整链路，可直接支撑项目展示与答辩准备。
1. 机器学习预测股票价格趋势：这个仿真选题为什么常年返工
每年课程设计季，「基于机器学习预测股票价格趋势的Python仿真」都是被选爆的题目，但交上来的结果两极分化严重：有人贴一张准确率 0.51 的混淆矩阵就说完成了，有人能把训练集准确率做到 0.95、验证集却只有 0.52。这个题目最大的反直觉之处在于——瓶颈从来不在模型，而在于数据组织、标签定义和验证逻辑这三件看似不起眼的前置工作。这篇文章按我实际做过一版完整交付物的顺序，把数据清洗、特征构造、模型选型、避坑清单和回测验证讲清楚，适合正在做课程设计或毕业设计、想用一份完整代码加说明文档拿高分的人。
2. 数据与标签：决定分数七成的前置工作
很多人拿到题目就先调模型，这是方向性错误。在股票趋势预测这个场景里，模型只是最后 30% 的工作量，前面 70% 都在处理数据和定义预测目标。下面按顺序拆开说。
2.1 获取股票数据与清洗：复权、停牌、缺失值的处理顺序
数据来源常见做法是 tushare、akshare 或者老师直接发的 CSV 文件。我一般建议课程设计用 CSV 起步，省掉注册 token 的步骤，把精力放在清洗上。拿到原始数据的第一个坑是价格没有复权：股票除权除息当天价格会跳空，不复权的序列看起来像断崖，模型会把这些跳空当成真实波动学习，结果自然离谱。所以先做前复权处理，如果用 akshare 的接口，通常adjust='qfq'参数就能解决；如果只有原始 CSV，就需要按数据源说明换算。
清洗顺序也重要：先排序再查重复值，最后处理缺失值。停牌日会导致连续几行缺失，最保险的做法是删除这些行，而不是用前值填充——用前值填充会让模型以为价格连续几周没变化，产生假特征。
import pandas as pd import numpy as np df = pd.read_csv('stock_data.csv', encoding='utf-8') df['trade_date'] = pd.to_datetime(df['trade_date']) # 按时间升序排列，删除重复日期 df = df.sort_values('trade_date').drop_duplicates(subset='trade_date') # 删除关键字段为空的记录，停牌日直接剔除 df = df.dropna(subset=['open', 'high', 'low', 'close', 'volume']) # 只保留建模需要的列 df = df[['trade_date', 'open', 'high', 'low', 'close', 'volume']].reset_index(drop=True) print(df.head())这段代码的逻辑是：日期排序这一步决定了后面所有特征计算的方向性，重复日期会直接污染 rolling 窗口；停牌日本质上没有交易，删除比填充诚实。reset_index(drop=True)是为了后续按位置切片时不踩索引错位的坑，课设代码里这个小动作经常被忽略但很实用。
2.2 特征构造：用技术指标把原始价格变成机器学习样本
模型没法直接吃原始价格序列，需要把价格转换成特征。课程设计里最稳的特征组合是移动平均线、收益率和波动率这三类，它们共同描述价格的状态：趋势方向、短期动量和波动程度。注意一个原则——所有特征只能用历史数据计算，任何涉及未来窗口的统计量都会让验证集分数虚高。
# 移动平均线，窗口包含当天，属于可用信息 for win in [5, 10, 20, 60]: df[f'ma{win}'] = df['close'].rolling(window=win).mean() # 收益率：隔日涨跌幅和5日累计涨跌幅 df['ret_1'] = df['close'].pct_change(1) df['ret_5'] = df['close'].pct_change(5) # 波动率：用近10日收益率的标准差衡量近期波动 df['volatility'] = df['ret_1'].rolling(window=10).std() # 计算完特征后删除前60行，因为ma60没有值 df = df.dropna().reset_index(drop=True)这里最容易犯的错是用pct_change(5)之后不删除前五行，模型拿 NaN 做训练直接报错或者静默丢弃。还有一点：ma5包含当天收盘价，这在逻辑上是允许的，因为信号在收盘后产生，当天数据对当天标签的预测是合理的信息；真正要禁止的是shift(-1)之类的未来值，这点在第四章避坑里再展开。
2.3 趋势标签怎么切：预测目标窗口的选择
标题写的是「预测趋势」，不是「预测价格」。趋势在这个场景里定义为：未来 N 天收盘价相对今天收盘价是涨还是跌，转成二分类标签。这个 N 的取值直接影响任务难度——N 越大，短期噪声被平均掉，规律相对清晰，但信号滞后；N 越小，样本越多，但标签里混入大量噪声。课程设计里 5 日是比较折中的窗口，短于 3 日基本是在猜硬币，长于 20 日又缺乏短线意义。
future_window = 5 # 未来第5天的收盘价 df['future_close'] = df['close'].shift(-future_window) # 标签：1表示未来5天上涨，0表示下跌或持平 df['label'] = (df['future_close'] > df['close']).astype(int) # 最后5行没有未来数据，删掉 df = df.dropna().reset_index(drop=True) # 看一下类别分布 print(df['label'].value_counts())shift(-future_window)取的是未来数据，但它只用于生成标签，不进入特征矩阵，这是合法的。打印类别分布的原因是检查样本均衡性——如果上涨样本占比 80%，模型全部预测上涨也能拿高分，后面要用class_weight和更严格的评估指标来校正。到此为止，数据集已经准备好了，包含约 10 个特征列加 1 个标签列，可以进入模型阶段。
3. 模型训练：随机森林保底、LSTM 做对比的落地组合
数据准备好之后选模型。这个题目里最常见的组合是「随机森林 / XGBoost 打底 + LSTM 做对比实验」，既能在课设答辩时展示不同流派模型的对比思考，又不至于在深度模型上过度耗时。接下来按时间切分、树模型、序列模型三部分讲。
3.1 时间序列切分：为什么不能用 train_test_split 随机打乱
股票数据是时间序列，相邻样本之间存在强相关性。如果直接用train_test_split默认的随机切分，训练集里会混入验证集时间段的样本，模型等于偷看了未来行情，验证集准确率虚高到 0.8 以上，但一上真实回测就打回原形。正确做法是严格按时间顺序切分：前 80% 训练，后 20% 验证。这也符合「用历史预测未来」的业务逻辑。
feature_cols = ['ma5', 'ma10', 'ma20', 'ma60', 'ret_1', 'ret_5', 'volatility', 'volume'] X = df[feature_cols].values y = df['label'].values # 按时间顺序切分，不做任何随机打乱 split_idx = int(len(X) * 0.8) X_train, X_val = X[:split_idx], X[split_idx:] y_train, y_val = y[:split_idx], y[split_idx:] print(f"训练样本：{len(X_train)}，验证样本：{len(X_val)}")这段代码背后还有一个容易被忽略的细节：验证集必须是时间轴上最新的数据，而不是随机抽样的 20%。用split_idx硬切分之后，训练集的时间范围一定早于验证集，这样评估结果才能反映模型在「未知未来」上的表现。指标基准：这个任务上验证集准确率能稳定超过 0.55 就说明模型学到了真实信号，0.6 以上已经是相当好的结果，超过 0.85 基本可以断定有泄漏。
3.2 随机森林：快速拿稳定分的关键超参数
随机森林是这类低信噪比数据的首选，因为它对噪声容忍度高、几乎不需要归一化、训练速度快，而且能直接输出特征重要性写进说明文档。但默认参数的随机森林很容易过拟合：树深度太深，每棵树把训练样本的噪声都记住了，验证集分数反而下降。下面这组参数是我在类似课设上调过多次的起点。
from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, accuracy_score, confusion_matrix model = RandomForestClassifier( n_estimators=300, max_depth=6, min_samples_leaf=5, class_weight='balanced', random_state=42, n_jobs=-1 ) model.fit(X_train, y_train) y_pred = model.predict(X_val) print("准确率：", accuracy_score(y_val, y_pred)) print(confusion_matrix(y_val, y_pred)) print(classification_report(y_val, y_pred)) print("特征重要性：", dict(zip(feature_cols, model.feature_importances_)))参数选择的原因：max_depth=6限制单棵树深度，防止树去拟合极端噪声样本；min_samples_leaf=5强制每个叶子节点至少 5 个样本，进一步平滑预测；class_weight='balanced'是应对上一章看到的类别不平衡，让模型对少数类的错分更敏感。n_estimators=300已经够用，继续增加到 1000 对准确率提升微乎其微，只增加训练时间。特征重要性这行输出是加分项，说明文档里放一张特征重要性图，答辩时能直接回答「模型学到了什么规律」。
3.3 LSTM 对比：序列样本构造与训练代价
如果指导老师明确要求用深度学习模型，或者你想在对比实验里加一个序列模型，再上 LSTM 也不迟。要注意 LSTM 的输入形态不是二维表格，而是三维序列：每个样本要携带过去 N 天的特征轨迹。常见做法是用过去 60 个交易日作为时间步长，预测下一天的涨跌方向。训练时长会明显拉长，CPU 上跑 10 轮可能需要十几分钟，要有心理准备。
from keras.models import Sequential from keras.layers import LSTM, Dense, Dropout from sklearn.preprocessing import MinMaxScaler # 先做归一化，注意只在训练集上fit scaler = MinMaxScaler() X_train_scaled = scaler.fit_transform(X_train) X_val_scaled = scaler.transform(X_val) # 构造序列样本：每个样本包含前time_step天的特征 time_step = 60 def make_sequences(data, labels, time_step): X_seq, y_seq = [], [] for i in range(time_step, len(data)): X_seq.append(data[i - time_step:i]) y_seq.append(labels[i]) return np.array(X_seq), np.array(y_seq) X_seq_train, y_seq_train = make_sequences(X_train_scaled, y_train, time_step) X_seq_val, y_seq_val = make_sequences(X_val_scaled, y_val, time_step) model = Sequential([ LSTM(32, input_shape=(time_step, X_train.shape[1])), Dropout(0.2), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) model.fit(X_seq_train, y_seq_train, epochs=10, batch_size=64, validation_data=(X_seq_val, y_seq_val))一个现实结论：在股票这种噪声占主导的数据上，LSTM 的表现通常不会显著超过随机森林，甚至经常更差。这不是模型没调好，而是数据本身的信噪比决定了树模型更容易捕捉到稳定的局部模式。把这个对比结果如实写进说明文档，反而比硬说 LSTM「效果更好」更有说服力。对比维度可以整理成一张表，方便答辩展示。
| 对比维度 | 随机森林 | XGBoost | LSTM |
|---|---|---|---|
| 训练速度 | 秒级 | 秒级 | 分钟级 |
| 调参难度 | 低 | 中 | 高 |
| 是否需要归一化 | 不需要 | 不需要 | 需要 |
| 对噪声的鲁棒性 | 高 | 高 | 中 |
| 课程设计推荐度 | 最推荐 | 推荐 | 按需选 |
4. 避坑：趋势预测最常见的五个翻车现场
这一章是我做这个题目时踩过的坑合集，每条都按「现象 → 原因 → 解决」写。股票预测本身带玄学成分，但下面这些坑不是玄学，是实实在在的代码逻辑错误，排查完准确率能立刻回到正常水平。
4.1 特征里混进未来数据：训练集准确率虚高的第一元凶
现象：训练集准确率 0.93，验证集准确率 0.51，差距大得离谱。原因：构造特征时用了shift(-1)或未来窗口的统计量，比如df['close'].shift(-1).rolling(5).mean()，训练时数据里已经包含了未来行情。解决：检查所有特征构造代码，凡是出现shift(-1)或窗口终点在未来的操作全部重写。一个排查办法是把特征矩阵单独拿出来看：如果某一行特征的值和前一天收盘价完全一样，就是不小心混入了当日收盘价序列本身的复制。
4.2 类别不平衡：上涨样本占七成时准确率没有意义
现象：准确率 0.72 看着不错，打开混淆矩阵发现模型把验证集所有样本都预测成上涨。原因：数据里上涨天数占比可能高达 70%，模型只要全部预测上涨就能拿这个准确率。解决：第一，训练时加class_weight='balanced'；第二，评估报告主看召回率、F1 值和混淆矩阵，不能只看 accuracy。这两个动作缺一个，说明文档里的评估部分就会被答辩老师一句话问穿。
4.3 噪声数据过拟合：股票不是图片，别追求训练集 100%
现象：训练集准确率 0.99，验证集 0.52，换一组参数依然如此。原因：股票收益率序列是最典型的噪声数据，价格波动里大量信息是随机游走，深树模型把每个噪声点都当成规律记住了。解决：限制树深度到 6 层以内、提高min_samples_leaf、用交叉验证确认指标稳定性。记住一个经验值：这个任务训练集和验证集准确率差距控制在 5 个百分点以内才是健康区间，差距拉到 20 个百分点就是过拟合了。
4.4 归一化泄漏：MinMaxScaler 把验证集统计量混了进来
现象：LSTM 的验证集准确率很高，但回测一塌糊涂。原因：有人对全量数据做了scaler.fit_transform(X)，验证集的上下界参与了归一化参数的求解，相当于验证集信息渗透进了训练过程。解决：严格分两步——只在训练集上fit，再用同一个 scaler 对验证集做transform。这一点对神经网络和 SVM 这类对尺度敏感的模型是致命项，对树模型没有影响，所以很多人用随机森林时从没发现过，一到 LSTM 就翻车。
4.5 前复权与停牌日：同一只股票在不同数据源结果不一样
现象：同一只股票代码没变，换了个数据源后准确率从 0.58 变成 0.49。原因：不同数据源的复权方式不一致，有的给前复权，有的给后复权，有的干脆不给；历史停牌日期有的填充了前值，有的返回空值。解决：统一使用前复权价格，并在说明文档里明确写清楚数据处理口径；停牌日按 2.1 的处理方式直接删除，不要用前值填充。这两条写进文档后，别人复现时结果才能和你对齐。
5. 回测仿真：把预测信号变成可验证的资金曲线
预测准确率只是中间指标，这个题目里的「仿真」最终要落到策略回测：按预测信号模拟买卖，看资金曲线能不能跑赢买入持有。这一章是拿高分的关键，因为多数人做完预测就停了，而你补齐了从信号到收益的最后一环。
# 把预测结果回填到总数据上，只填充验证集部分 df['pred_signal'] = np.nan df.iloc[split_idx:, df.columns.get_loc('pred_signal')] = y_pred df['pred_signal'] = df['pred_signal'].fillna(0).astype(int) # 最小回测逻辑：预测上涨的次日开盘买入，预测下跌的次日开盘卖出 capital = 10000.0 position = 0.0 equity_curve = [] for i in range(split_idx, len(df) - 1): if df['pred_signal'].iloc[i] == 1 and position == 0: # 等额买入，按次日开盘价成交 position = capital / df['open'].iloc[i + 1] capital = 0.0 elif df['pred_signal'].iloc[i] == 0 and position > 0: # 清仓，按次日开盘价成交 capital = position * df['open'].iloc[i + 1] position = 0.0 equity_curve.append(capital + position * df['close'].iloc[i]) # 回测收益 total_return = (equity_curve[-1] / 10000 - 1) * 100 print(f"回测收益率：{total_return:.2f}%")回测逻辑说明：pred_signal用的是第 i 天的收盘后信号，所以最早只能在第 i+1 天开盘成交，代码里open.iloc[i+1]就是这个意思，避免用到当天收盘前根本拿不到的信息。这个最小回测没有考虑手续费和滑点，但足够验证策略方向。网上能搜到大量 python 量化交易策略代码，但直接套用的前提是你的预测形态和回测逻辑对得上——预测周期是 5 天，回测却每天买卖，两者就脱节了。
三个进阶验证技巧：第一，跑一个买入持有基准作对照——同样从 split_idx 开始买入持有到结束，如果策略收益连基准都没跑赢，说明预测信号没有转化为真实价值；第二，在回测里加万三手续费和千一滑点后重新计算收益，结果下降 5% 以上是正常的，这能证明策略对交易成本不敏感；第三，检查参数敏感度——把future_window从 3 改成 5、10，看准确率和回测收益的波动幅度。这三个验证做完，说明文档的仿真部分就完整了，高分的底气也在这里。
最后说一个我自己的习惯：我会把特征定义、标签口径和回测逻辑三者的说明写在同一份文档的开头，确保代码、数据和文字三个人对得上。理由是回看时最容易忘的就是当时怎么定义「趋势」的——窗口是 5 天还是 10 天，决定了整个实验的结论是否成立。这一步做完，这个方向的完整闭环才算合上。希望帮到你。
本文还有配套的精品资源，点击获取
