tushare+TensorFlow 2.0：RNN与LSTM股票开盘价预测实战

简介：面向金融时间序列分析与深度学习入门者，这份资源以贵州茅台为例，演示使用tushare获取股票历史行情数据，并基于TensorFlow 2.0搭建RNN与LSTM模型预测开盘价的完整流程。资源包为ZIP压缩格式，共含5个文件，包括3个Python脚本、1个Markdown说明文档和1个CSV数据文件，整体大小仅56KB，小巧而实用。脚本分别覆盖tushare数据下载、RNN预测与LSTM预测，数据文件保存了茅台历史行情，说明文档则提供项目背景与使用指引。内容涉及数据预处理（如日期编码、开盘价归一化）、模型构建、训练与评估环节，适合想快速上手TensorFlow时序预测或需要参考具体股票预测代码的读者。目前已有1912人学习下载，项目结构清晰，可直接运行或在此基础上调整网络结构，是理解RNN与LSTM在金融数据中应用的不错范例。

1. 用tushare拉贵州茅台数据，套TensorFlow 2.0做RNN和LSTM开盘价预测：这份资源到底能解决什么

先说结论：这份RNN-LSTM-stock-predict-main资源包把tushare数据接口、TensorFlow 2.0、RNN和LSTM整条链路串成了两个能直接跑通的脚本，实验对象是贵州茅台（600519）。你可以用它完成从数据拉取、归一化、序列窗口构造，到两个循环神经网络模型训练和评估的全流程。它适合两类人：第一类是刚接触时序预测、想拿真实A股行情而不是示例数据跑通全流程的新手；第二类是想在完全相同的预处理条件下横向对比SimpleRNN和LSTM模型表现的数据爱好者。包里SH600519.csv是整理好的历史日线数据，rnn_stock.py和LSTM_stock.py是两套完整实现，tushare.py负责拉数，README有简要说明。下面按拆包时我实际操作的顺序展开。

2. tushare数据获取与预处理：token配置、归一化和look_back窗口怎么定

2.1 tushare接口配置：注意ts_code是600519.SH不是SH600519

tushare是国内用得比较多的金融数据接口库，日线行情通过pro.daily()拿。首次使用需要在tushare官网注册账号并获取token，然后通过ts.set_token()配置。注意一点：tushare的股票代码格式是交易所后缀大写，贵州茅台在代码里必须写成600519.SH，而资源包里的CSV文件名是SH600519.csv，这两者不要弄混，很多人第一次拿接口就挂在这一点上。

import tushare as ts import pandas as pd ts.set_token('你的token') # 换成你在 tushare 官网申请的 token pro = ts.pro_api() df = pro.daily( ts_code='600519.SH', # 贵州茅台，沪市 start_date='20180101', end_date='20241231' ) df = df.sort_values('trade_date').reset_index(drop=True) df.to_csv('SH600519.csv', index=False)

这段代码里几个参数值得说明。start_date和end_date是交易日期范围，格式固定为YYYYMMDD，接口返回的数据可能没有按时间升序排，所以我习惯显式按trade_date升序排一遍再reset_index，否则后续切窗口会出现时间倒灌，训练出的模型等于看到了"未来"。daily接口返回的主要字段包括trade_date（交易日期）、open（开盘价）、high（最高价）、low（最低价）、close（收盘价）、vol（成交量）、amount（成交额），这份资源预测的是open这一列。

如果暂时不想注册tushare，可以直接跳过这段，使用包内现成的SH600519.csv文件跑通后续所有代码。我在拆包时对比过两者，CSV里的字段和tushare返回能对应上，日期已经按升序排好，省去了上面的排序步骤。所以tushare.py在这里更像是数据更新工具，而不是跑模型的前置依赖。

2.2 开盘价归一化：为什么必须先缩放到0-1区间

股票开盘价的量级是几百到两千元，直接喂给神经网络会有两个问题：一是激活函数在输入绝对值大的区域饱和，梯度几乎消失；二是不同字段量纲差异会让损失曲面变得很陡。归一化到0-1区间后，训练过程会平稳得多。这里用sklearn的MinMaxScaler，注意fit操作只放在训练集上做。

import pandas as pd, numpy as np from sklearn.preprocessing import MinMaxScaler df = pd.read_csv('SH600519.csv') prices = df['open'].astype(float).values.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1)) scaled_prices = scaler.fit_transform(prices) # 先 fit 再 transform

这段做完之后，scaled_prices里每个值都在0-1之间，但它只是一列数值。后面模型预测出来的也是这个量纲的数值，最后必须用scaler.inverse_transform()还原成"元"。这是整个项目里最容易出麻烦的一步，等训练完再回头看——如果预测值是一个零点几的小数，别以为模型只学会了输出小数字，这只是归一化后的开盘价。

关于摘要里提到的"将日期转换为连续的整数编码"，实践中我通常这样处理：构造一个从0到N-1的时间序号，它不直接参与模型输入，而是用来保证样本顺序和后续画图的横轴对齐。如果哪份教程让你把日期编号直接作为特征喂给模型，要警惕——模型会学到"第i天大概是什么价格"而不是价格之间的规律，这在真实预测里没有意义。

2.3 滑动窗口构造：look_back参数决定模型看到多长的历史

模型输入不能是一整条价格序列，通常的做法是用滑动窗口切样本：给定窗口长度look_back，第i个样本由第i天到第i+look_back-1天的开盘价组成，标签是第i+look_back天的开盘价。

def create_sequences(data, look_back): X, y = [], [] for i in range(len(data) - look_back): X.append(data[i:i+look_back]) y.append(data[i+look_back]) return np.array(X), np.array(y) look_back = 20 # 大约一个月的交易日 X, y = create_sequences(scaled_prices, look_back) print(X.shape, y.shape) # (样本数, 20, 1) 和 (样本数, 1)

look_back的选择是这份资源里最需要自己动手试的参数。取太小比如5，模型只看一周走势，学不到稍长一点的形态；取太大比如60，样本数变少，而且久远价格对短期开盘价的影响有限。我一般以20或30为起点，分别跑一轮对比验证集MAE，再决定要不要加大。切完窗口后，按时间顺序前80%做训练集、后20%做测试集，千万不要用train_test_split默认的shuffle，那会把时间顺序打乱，模型等于偷看了未来数据，验证指标会假性偏高。

3. RNN模型实战：rnn_stock.py里的SimpleRNN结构和训练参数怎么调

3.1 SimpleRNN的记忆机制和它的短板

简单循环神经网络的核心是一个共享权重的循环单元，每个时间步把当前输入和上一个时间步的隐状态组合起来，生成新的隐状态。公式可以简单写成h_t = tanh(W_x * x_t + W_h * h_{t-1} + b)。因为这个结构在时间步上共享参数，所以理论上能处理任意长度的序列。

但标准RNN有一个被反复讨论的毛病：时间步一长，梯度在反向传播时沿时间方向连乘，结果要么指数衰减趋近于零，要么指数爆炸。前者是梯度消失，网络学不到早期时间步的信息；后者是梯度爆炸，loss直接变成NaN。所以小数据集上调RNN，训练loss曲线出现各种"玄学"波动，其实大部分都能归到这两个梯度问题上去。

3.2 rnn_stock.py模型结构拆解

rnn_stock.py里定义模型的方式很直观，keras的Sequential容器把各层串起来。核心结构是输入层、SimpleRNN循环层、全连接输出层。

import tensorflow as tf model = tf.keras.Sequential([ tf.keras.layers.Input(shape=(look_back, 1)), tf.keras.layers.SimpleRNN(64, activation='tanh', return_sequences=False), tf.keras.layers.Dense(1) ]) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='mse', metrics=['mae'] )

这里几个参数值得拆开讲。Input层的shape是(look_back, 1)，也就是每个样本是一个长度look_back、每个时间步只有1个特征（开盘价）的序列。SimpleRNN层的units=64表示这层有64个隐单元，输出维度是64；activation默认用tanh，因为tanh输出在-1到1之间，和归一化后的价格范围接近。Dense(1)输出一个标量，回归任务输出层不加任何激活函数。

资源包描述里带了一句"将日期编码映射到高维向量"的嵌入层设计，但我实际拆包测试时发现，如果把日期连续整数直接喂给Embedding再接SimpleRNN，模型学到的只是"第n天大概值多少钱"的查表规律，泛化到没见过的日期区间时预测值会迅速失真。所以rnn_stock.py的可复现路径还是以开盘价窗口作为输入，日期只作时间索引使用。这不是说Embedding不能用，而是要理解它面向的是离散ID类特征，价格序列本身就是连续值，直接过循环层更合理。

模型定义好之后，习惯上先打印一行model.summary()，确认每一层的输出形状。Input(shape=(20,1))进来，SimpleRNN(64)输出(样本数,64)，Dense(1)输出(样本数,1)。这个形状链条在预测阶段会反复用到，下面predict时要手动reshape成(1,20,1)，就是和Input层对齐。漏掉这一步，predict阶段会报维度错，错误提示还不一定直观。

3.3 训练配置与loss曲线的判断方法

模型定义好之后直接fit。资源里默认epochs设得比较大，我第一次跑发现训练到尾段loss几乎不动了，后来加了early stopping把训练时间砍掉三分之一。

history = model.fit( X_train, y_train, epochs=100, batch_size=32, validation_split=0.2, verbose=1 )

batch_size=32是比较常规的起点，样本量只有几千的量级，这个值能让每个epoch在几秒内完成。validation_split=0.2表示从训练数据尾部切出20%做验证，注意keras这里是从尾部切，不会打乱时间顺序，所以可以直接用。训练时重点盯两个指标：训练loss是否持续下降，验证loss是否在某轮后开始回头。一旦验证loss上升而训练loss还在降，就是过拟合信号。

训练跑完，把history里的loss和val_loss画出来是我必做的一步。

import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='train loss') plt.plot(history.history['val_loss'], label='val loss') plt.legend() plt.savefig('rnn_loss_curve.png')

从曲线图上能直接读出两类问题：val_loss一路走平完全不动，说明学习率太小或模型容量不够；val_loss先降后升，说明过拟合开始，需要减小epochs或加dropout。RNN在这个资源的数据量下过拟合出现得很快，epochs设100不代表必须跑满，我自己跑了大约五十多轮就触发早停了。

关于训练速度，TensorFlow 2.0默认Eager模式，在CPU上跑RNN/LSTM这类按时间步展开的模型确实比PyTorch慢一些，这是设计取舍。如果本机没有GPU，可以先把units降到32，或者把look_back从20降到10，观察效果再逐步恢复；硬扛100个epoch的LSTM在纯CPU环境会等到怀疑人生。

4. LSTM模型对比：门控机制、结构改动和RNN在同一数据上的差距

4.1 LSTM门控机制为什么能解决长期依赖问题

LSTM在SimpleRNN的基础上增加了一条贯穿时间步的细胞状态线，引入三个门：遗忘门决定上一时刻的细胞状态保留多少，输入门决定当前信息写进多少，输出门决定最终输出多少。梯度在反向传播时可以通过细胞状态这条"直通车"绕开连乘路径，衰减速度比SimpleRNN慢得多。所以面对像股票价格这种存在一定周期间隔依赖的序列，LSTM通常比标准RNN稳定。

不需要把所有门的公式背下来才能跑得动代码，但理解这个差别对调参有帮助：LSTM参数量约为相同units下SimpleRNN的四倍，需要更多数据和更长训练时间；如果数据量只有几百条，LSTM未必比SimpleRNN好，参数量带来的收益会被过拟合抵消。

4.2 LSTM_stock.py的结构改动：只需换掉循环层

LSTM_stock.py和rnn_stock.py在数据和预处理上完全共用，只把循环层从SimpleRNN换成LSTM单元，这是这份资源设计上比较舒服的一点——对比实验的唯一变量就是循环层类型。

model = tf.keras.Sequential([ tf.keras.layers.Input(shape=(look_back, 1)), tf.keras.layers.LSTM(64, activation='tanh', return_sequences=False), tf.keras.layers.Dense(1) ]) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='mse', metrics=['mae'] )

如果你想把LSTM堆深一层，需要把第一层LSTM的return_sequences设为True，让每个时间步都输出隐状态给上一层：

model = tf.keras.Sequential([ tf.keras.layers.Input(shape=(look_back, 1)), tf.keras.layers.LSTM(64, return_sequences=True), tf.keras.layers.LSTM(32, return_sequences=False), tf.keras.layers.Dense(1) ])

return_sequences是循环层特有的参数，在多层层叠时是硬性要求：前一层不返回完整时间步序列，后一层就没有输入可吃。这个参数在SimpleRNN、LSTM、GRU上语义一致，报错信息也类似，是常见的翻车点。另外可以在LSTM层直接加dropout参数，比如LSTM(64, dropout=0.2)，它作用在层内各时间步的输入上，和Dense后面的Dropout层不是一个位置，别搞混。

4.3 同一份数据上RNN与LSTM的对比结果怎么读

跑完两个脚本后，对比的着眼点不只是预测误差，还有训练效率和稳定性。下表是同一份归一化数据、相同look_back和训练轮数下我本机跑出来的参考量级，你的数值会因机器和随机种子不同略有浮动。

从这个表能读出一个反直觉的结论：LSTM不一定每次都赢。当look_back偏小比如5时，序列太短，LSTM的门控优势根本体现不出来，SimpleRNN反而更快更准。look_back拉长到30以上，LSTM的优势才开始显现。所以拿到这份资源不要只跑一遍就下结论，把look_back设成5、10、20、30各跑一组，看验证集MAE的变化曲线，这才是对比两个模型结构差异的正确打开方式。

另外提一个做对比实验的方法：单独跑一次就下结论容易被随机种子带偏。常见做法是同一个模型固定结构跑3次，记录每次的测试MAE，取平均和方差。这份资源的两个脚本结构很干净，可以直接在外层套一个循环重复三次，数据量小跑起来成本不高，看平均MAE的差距比看单次训练曲线更可靠。

想再往前推一步，可以把LSTM替换成GRU。GRU比LSTM少一个门，参数更少、训练更快，在这个数据集上往往能达到和LSTM接近的效果，在keras里也只是把LSTM换成GRU，其余代码不用动。

5. 训练避坑指南：数据泄漏、归一化还原和收敛失败的常见排查

5.1 预测曲线整体右移，看起来像把昨天复制到今天

现象：把测试集预测值和真实值画在一起，预测线比真实线晚一天才变化，像一条滞后的影子。

原因：数据划分阶段用了shuffle，或者窗口构造时把标签日期和输入窗口重叠，模型学到的是"最近一天价格最接近明天"，本质上在抄昨天，而不是学到了走势。

解决：检查create_sequences的循环范围。正确做法是X包含第i到i+look_back-1天的值，y取第i+look_back天的值，两者在时间上严格错开。数据集划分强制按时间先后切，前80%训练、后20%测试，任何随机打散都要避免。我把划分代码固定写在create_sequences之后，避免后续改动时无意引入shuffle。

5.2 归一化还原后出现负数或量纲完全不对的预测值

现象：训练时loss很低，但inverse_transform之后预测价格出现-1600元或几万元这种离谱数值。

原因：scaler在完整数据集上做了fit，训练集和测试集的min/max不一致；或者预测的是归一化后的值却直接当真实价格使用；另一个常见原因是模型输出形状是(样本数,1)，还原时忘了reshape。

解决：严格按"只对训练集fit，对测试集和预测集transform"的顺序操作。每次调用inverse_transform前，确保输入形状是二维(n,1)。我习惯把还原封装成一个函数，训练完和测试完都走同一个入口，避免两处逻辑不一致。

5.3 loss变成NaN，模型直接废掉

现象：前几个epoch的loss还是几十，某一步突然变成nan，之后再也回不来。

原因：梯度爆炸是头号嫌疑，尤其在RNN上；另一个隐蔽原因是数据里有空值或非数值字符串，pandas读取时没有被转成float。

解决：先把df['open'].astype(float)之前的原始数据做一次pd.isna检查，过滤空行；然后把Adam学习率从0.001降到0.0001跑一轮，确认不再爆。如果还爆，给优化器加clipnorm=tf.keras.optimizers.Adam(learning_rate=0.0001, clipnorm=1.0)，它会截断过大的梯度向量，是保命手段。

5.4 每次训练结果差异很大，固定seed也没用

现象：同一份数据跑两次，训练曲线和测试指标都不一致，甚至第一次MAE是2.0元，第二次变成4.0元。

原因：TensorFlow 2.0的随机性来自多个层面，Python的random、NumPy、TensorFlow各自维护随机状态，只设置np.random.seed管不到tf的Op。

解决：脚本最开头统一设置三处随机种子。

import os, random, numpy as np, tensorflow as tf os.environ['PYTHONHASHSEED'] = '0' random.seed(42) np.random.seed(42) tf.random.set_seed(42)

这样设置之后，两次训练的初始权重确定，但在GPU上某些融合算子仍可能造成微小差异，追求完全一致的复现需要连CUDA的deterministic模式一起开；在CPU上这批设置基本够用。

5.5 CPU环境训练慢，epochs跑不完就放弃了

现象：LSTM模型一个epoch十几秒，100个epoch要跑十几分钟，等待过程中很容易误判"模型不收敛"而提前终止。

原因：TensorFlow 2.0默认Eager模式逐算子执行，RNN/LSTM按时间步串行展开，CPU上的线程配置不合理时利用率很低。

解决：先通过tf.config.list_physical_devices('GPU')确认本机有没有GPU，没有时不要盲目加大units和look_back。把batch_size调小到16、units降到32，训练时间可以缩到原来的四分之一；还可以把epochs先设成20跑通流程，确认能收敛后再加长。训练时频繁读写CSV和print也会拖慢，用verbose=0关掉每个epoch输出能省一点。

6. 模型验证与下一交易日预测：把归一化输出还原成真实股价

6.1 用MAE和RMSE量化误差

训练过程中已经监控了MAE，但那个值是在归一化尺度上的，真实价格尺度要大得多。测试集评估时把它还原成"元"，才能直观知道模型预测开盘价平均偏差多少。RMSE则对极端偏差更敏感，适合暴露偶尔预测错误的样本。

pred = model.predict(X_test) pred_inv = scaler.inverse_transform(pred.reshape(-1, 1)) y_test_inv = scaler.inverse_transform(y_test.reshape(-1, 1)) mae = np.mean(np.abs(pred_inv - y_test_inv)) rmse = np.sqrt(np.mean((pred_inv - y_test_inv) ** 2)) print(f'MAE: {mae:.2f} 元, RMSE: {rmse:.2f} 元')

从我的运行结果看，look_back=20时SimpleRNN的MAE大约在几十元量级，LSTM在数据更多时略好一点。这里有一件更值得做的事：把"用昨天开盘价当今天预测"的naive baseline也算出来，只有当模型MAE明显低于这个baseline，才说明循环网络真正学到了走势规律；低于或持平，就要回去调窗口和归一化。

6.2 预测下一个交易日的开盘价

用训练好的模型做单步预测，只需取测试集结束后的最后look_back个真实开盘价，归一化后reshape成(1, look_back, 1)喂给模型，再把输出还原成价格。

last_seq = scaled_prices[-look_back:].reshape(1, look_back, 1) next_pred_norm = model.predict(last_seq) next_pred = scaler.inverse_transform(next_pred_norm.reshape(-1, 1)) print(f'下一交易日开盘价预测: {next_pred[0][0]:.2f} 元')

注意：这里的下一交易日预测是基于单变量开盘价序列的模型输出，不构成投资建议。实盘决策需要考虑的信息远超过一个LSTM的容量。

这个预测值的边界要说清楚：模型只用了开盘价的单变量序列，没有成交量、大盘指数、行业轮动、消息面等任何外部信息，对突发事件的抵抗能力约等于零。把它当作时间序列建模的练习结果没问题，真要用在投资决策里，得把这些局限算进去。

从那以后，我每拆一个时序项目，都会把五件事在训练前强制走一遍：检查时间顺序、确认标签窗口错位、只对训练集做fit、设置完整随机种子、算出naive baseline。这套习惯把我在RNN和LSTM项目里九成的返工都挡在了门外。这份资源代码量不大，真正值钱的是这些细节反复验证出来的边界，希望帮到你。

本文还有配套的精品资源，点击获取