简介这是一份面向计算机相关专业学生与项目实战学习者的深度学习实战源码以LSTM网络为核心完成股票收盘价格预测任务可作为毕业设计、课程设计或期末大作业的参考方案评审分达98分。资源包共8个文件压缩后约122KB包含1个核心Python脚本、2个XML配置文件、2个TXT数据与依赖说明、1个Markdown说明文档、1个PNG结果图及1个gitignore文件结构精简便于快速理解项目组织方式。目前已有406人学习下载。读者可从中获得完整的LSTM预测流程实现包括数据读取、特征构造、模型搭建、训练与预测评估等环节并借助说明文档与结果图快速复现实验、理解关键参数设置适合作为入门时序预测与深度学习项目的实践起点。1. 用 LSTM 预测股票收盘价一份能跑通的毕业设计源码拆解股票收盘价预测这个题目几乎每年毕业季都会被翻出来做一遍。原因很直接数据公开、业务好理解、模型有发挥空间答辩时老师也容易听懂。但真正动手做过的人都知道坑不在模型本身而在数据对齐、归一化、时间窗切分这些看起来不起眼的环节上。这份基于深度学习算法 LSTM 的股票收盘价格预测 Python 源码主体是一个predictStock.py脚本配套SH600000.txt单只股票的历史行情数据、requirements.txt依赖清单和一张预测结果图600000.png。它适合正在做计算机相关专业大作业、课程设计或毕业设计的学习者也适合想拿一个完整 LSTM 时间序列项目练手的人。下面我按「这份资源是什么、怎么跑起来、参数怎么调、坑在哪」的顺序把它拆开讲清楚。2. 先看清这份 LSTM 股票预测源码的结构与数据流2.1 目录里每个文件到底干什么拿到压缩包解压后根目录是PredictStock-master里面能看到的文件不多但每个都有明确分工。我先把它们列成一张表方便你对照自己解压后的实际情况。文件/目录作用是否关键predictStock.py主程序包含数据读取、预处理、LSTM 建模、训练、预测、绘图全流程核心SH600000.txt浦发银行历史行情数据作为模型输入核心requirements.txtPython 依赖清单锁定版本关键600000.png预测结果对比图用于快速确认跑通效果参考README.md项目说明通常含运行命令参考.idea/PyCharm 工程配置含vcs.xml、misc.xml可删.gitignoreGit 忽略规则可删这里要提醒一句.idea目录是 IDE 自动生成的换一台机器或换一个编辑器就没用了不用纠结它。真正决定项目能不能跑的是predictStock.py、SH600000.txt和requirements.txt这三样。2.2 数据长什么样LSTM 又是怎么吃进去的SH600000.txt是典型的日线行情文本常见字段包括日期、开盘、最高、最低、收盘、成交量、成交额。LSTM 做收盘价预测本质是拿过去 N 天的价格序列去预测第 N1 天的收盘价属于单变量时间序列回归。数据流大致是读文本 → 取收盘价列 → 归一化 → 滑动窗口切样本 → 划分训练测试集 → 喂给 LSTM → 反归一化 → 对比真实值。为什么一定要归一化因为 LSTM 内部是 sigmoid、tanh 这类饱和激活函数输入量纲差太大会导致梯度更新困难收敛慢甚至不收敛。股票价格动辄十几到几十直接送进去训练损失曲线大概率是一条平线这就是很多人第一次跑 LSTM 翻车的地方。滑动窗口的切法决定了样本数量。假设用 30 天预测 1 天一段 1000 天的序列能切出约 970 个样本。窗口太短模型看不到趋势窗口太长样本变少且噪声累积。常见做法是先用 20 到 60 之间的值试看验证集损失再定。2.3 环境依赖与版本对齐requirements.txt里通常锁定了numpy、pandas、matplotlib、scikit-learn、tensorflow或keras。这一步最容易出问题的是深度学习框架版本。老项目多用 Keras 独立包或 TensorFlow 1.x/2.x 的tf.keras两者 API 有差异。我一般会先建虚拟环境再装依赖避免污染全局环境# 创建并激活虚拟环境隔离依赖 python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate # 按清单安装依赖 pip install -r requirements.txt逻辑说明虚拟环境能避免不同项目间的包版本冲突尤其是 TensorFlow 这种对版本敏感的大包。参数说明python -m venv venv中的venv是环境目录名可自定义激活命令因系统而异。如果requirements.txt里没有写死版本号建议手动补上比如tensorflow2.10.0否则 pip 可能拉到最新版导致 API 不兼容。提示装完依赖后先执行python -c import tensorflow as tf; print(tf.__version__)确认框架能正常导入再往下走。3. 把 predictStock.py 跑起来从读数据到出预测图3.1 数据读取与收盘价提取主程序第一步是读SH600000.txt。这类文本常见两种格式带表头的 CSV 风格或纯空格分隔。读的时候要指定分隔符和列名否则列会错位。下面是我一般会写的读取与提取逻辑你可以对照源码里的实际写法调整import pandas as pd import numpy as np # 读取行情文本sep 按实际分隔符调整常见为逗号或制表符 df pd.read_csv(SH600000.txt, sep\t, encodingutf-8) # 统一列名避免中文列名带来的编码问题 df.columns [date, open, high, low, close, volume, amount] # 只取收盘价转成 float 防止字符串参与运算 close df[close].values.astype(float32).reshape(-1, 1) print(样本总数:, close.shape[0])逻辑说明reshape(-1, 1)把一维数组变成「样本数 × 1 特征」的二维形状这是 sklearn 归一化和 LSTM 输入都要求的格式。参数说明sep必须和文件真实分隔符一致用错了会读成单列encoding在 Windows 上若报错可换gbk。如果源码里用的是pd.read_csv默认参数而你的文件是空格分隔就会读出乱列这是第一个高频翻车点。3.2 归一化与滑动窗口切样本归一化用MinMaxScaler把价格压到 0 到 1 之间。注意scaler 必须只在训练集上 fit再 transform 测试集否则会造成数据泄漏测试指标虚高。滑动窗口负责把序列变成监督学习样本from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) # 先整体归一化便于演示严谨做法应只在训练段 fit scaled scaler.fit_transform(close) def create_dataset(data, look_back30): x, y [], [] for i in range(len(data) - look_back): # 取连续 look_back 天作为输入 x.append(data[i:i look_back, 0]) # 第 look_back1 天收盘价作为标签 y.append(data[i look_back, 0]) return np.array(x), np.array(y) look_back 30 X, y create_dataset(scaled, look_back) # LSTM 要求输入为 [样本, 时间步, 特征] X np.reshape(X, (X.shape[0], X.shape[1], 1)) print(样本形状:, X.shape, y.shape)逻辑说明create_dataset用循环切出输入输出对look_back就是时间窗长度。参数说明look_back30表示用 30 天预测下一天这个值直接决定样本量和模型感受野。np.reshape把二维样本升成三维第三维是特征数单变量预测固定为 1。很多人卡在形状不匹配的报错上根源就是漏了这一步 reshape。3.3 搭建 LSTM 网络并训练模型结构一般是「LSTM 层 → Dropout → Dense 输出 1 维」。Dropout 用来抑制过拟合股票数据噪声大不加 Dropout 训练集损失会降得很低但测试集很差。下面是一个可用的结构from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential() # 第一层 LSTM50 个隐藏单元输入形状为 (时间步, 特征数) model.add(LSTM(50, input_shape(look_back, 1), return_sequencesFalse)) # Dropout 随机丢弃 20% 神经元缓解过拟合 model.add(Dropout(0.2)) # 输出层回归任务用线性激活输出 1 个值 model.add(Dense(1)) model.compile(lossmean_squared_error, optimizeradam) model.fit(X, y, epochs50, batch_size32, verbose1)逻辑说明return_sequencesFalse表示只把最后一个时间步的输出传给下一层适合「多对一」预测。参数说明LSTM(50)的 50 是隐藏单元数数据量大可加到 100epochs50是训练轮数太少欠拟合、太多过拟合batch_size32影响梯度稳定性。loss用均方误差是回归任务的标准选择。3.4 预测、反归一化与绘图训练完要预测并还原到真实价格量纲否则图上的数值全是 0 到 1看不出对错import matplotlib.pyplot as plt # 预测并反归一化回真实价格 pred model.predict(X) pred_price scaler.inverse_transform(pred) real_price scaler.inverse_transform(y.reshape(-1, 1)) plt.plot(real_price, labelReal) plt.plot(pred_price, labelPredict) plt.legend() plt.savefig(600000.png) plt.show()逻辑说明inverse_transform把归一化后的预测值还原成元才能和真实收盘价对比。参数说明y.reshape(-1, 1)是因为标签是一维的反归一化要求二维。保存的600000.png就是源码里那张结果图跑通后你可以直接拿它放进论文或答辩 PPT。注意如果预测曲线整体滞后真实曲线一天属于正常现象因为模型学的是「用历史推未来」不是提前知道消息面。4. 参数怎么调look_back、隐藏单元与训练轮数的取舍4.1 look_back 对预测效果的影响look_back是最值得先调的参数。它决定模型回看多少天。设太小比如 5模型只能看到一周波动抓不住中期趋势设太大比如 120样本数骤减且早期信息对当前预测的贡献被稀释。我一般会做一组对照实验固定其他参数只改look_back看测试集 RMSElook_back样本量约现象10多拟合快但曲线抖动大30适中趋势跟随较好常用起点60偏少平滑但可能滞后120少易过拟合训练慢实操建议从 30 起步上下各试一档用测试集误差说话别凭感觉定。4.2 隐藏单元数与过拟合的平衡LSTM(50)里的 50 是隐藏单元数代表模型容量。加到 100 或 128拟合能力更强但股票数据信噪比低容量太大很快就把训练集噪声也记住了。判断过拟合看两条曲线训练损失持续下降而验证损失开始上升就是过拟合信号。此时优先加 Dropout 或减小隐藏单元而不是继续加轮数。4.3 训练轮数与早停epochs50是写死的但更稳的做法是加EarlyStopping验证损失几轮不降就停from tensorflow.keras.callbacks import EarlyStopping # 验证损失连续 5 轮不下降就停止并恢复最优权重 early EarlyStopping(monitorval_loss, patience5, restore_best_weightsTrue) model.fit(X, y, validation_split0.2, epochs100, batch_size32, callbacks[early])逻辑说明validation_split0.2从训练数据里切 20% 做验证patience5是容忍轮数。参数说明restore_best_weightsTrue保证结束时用的是验证损失最低那轮的权重避免最后一轮恰好过拟合。这套组合比硬写epochs靠谱得多。5. 避坑与排查跑 LSTM 股票预测最常见的五个问题5.1 报错「Input 0 is incompatible」形状不匹配现象model.fit或predict时报输入维度不符。原因LSTM 要求三维输入[样本, 时间步, 特征]而create_dataset出来的是二维。解决在送入模型前执行X np.reshape(X, (X.shape[0], X.shape[1], 1))并确认input_shape(look_back, 1)与之一致。5.2 损失曲线不下降几乎是一条平线现象训练几十轮 loss 基本不变。原因多半是没归一化或归一化对象搞错。解决确认MinMaxScaler作用在收盘价上且训练前数据已缩放到 0 到 1。若仍不降把学习率显式设为adam(learning_rate0.001)再试。5.3 预测图数值全是 0 到 1 的小数现象画出来的曲线在 0 到 1 之间和真实价格对不上。原因忘了反归一化。解决预测后调用scaler.inverse_transform(pred)真实值同样要反归一化两者量纲一致才能对比。5.4 测试集指标好得离谱实际预测一塌糊涂现象RMSE 很小但换一段数据就崩。原因归一化时用了全量数据 fit造成数据泄漏。解决只在训练段fitscaler测试段只transform。这是毕业设计答辩最容易被追问的点务必改掉。5.5 换股票数据后列错位或读成单列现象df只有一列或收盘价列全是 NaN。原因sep分隔符与文件实际不符或列名对不上。解决先用print(df.head())看前几行确认分隔符和列数再调整sep和columns。中文列名建议统一改成英文避免编码报错。6. 让预测更可信多步预测与误差评估的落地技巧单步预测只能看下一天答辩时老师常会问「能不能预测未来一周」。多步预测有两种做法递归预测和直接多输出。递归预测是把预测出的下一天再喂回模型当输入循环 N 次直接多输出是把 Dense 层改成输出 N 维。递归实现简单但误差会累积直接多输出更稳但需要改标签构造。我一般先用递归快速出效果def predict_future(model, last_seq, steps, scaler): seq last_seq.copy() preds [] for _ in range(steps): # 取最近 look_back 天作为输入 cur seq[-look_back:].reshape(1, look_back, 1) p model.predict(cur, verbose0)[0, 0] preds.append(p) # 把预测值追加回序列供下一步使用 seq np.append(seq, p) return scaler.inverse_transform(np.array(preds).reshape(-1, 1)) future predict_future(model, scaled, 7, scaler) print(未来 7 天预测收盘价:\n, future)逻辑说明seq维护滚动序列每预测一步就追加实现递归。参数说明steps7是预测天数last_seq是归一化后的完整序列。注意递归步数越多误差越大超过 10 步结果参考价值就明显下降。评估指标别只看 RMSE建议同时算 MAE 和 MAPEMAPE 是百分比误差答辩时更好解释。另外一定要留出一段完全没参与训练的数据做最终测试而不是从训练集里切。我踩过最深的坑就是早期图省事用全量数据归一化结果指标漂亮得不像话一换数据就原形毕露。从那以后我每次做时间序列项目都强制先切训练测试再 fit scaler这一步走对了后面调参才有意义。希望这份拆解能帮你把这份 LSTM 股票收盘价预测源码顺利跑通也帮你在答辩时多几分底气。本文还有配套的精品资源点击获取
