LSTM神经网络在股指预测与量化选股中的完整实践路径

简介：一份聚焦神经网络在金融时序分析中应用的科研论文PDF，面向量化研究、金融建模及机器学习实践者。资料系统梳理了数据预处理环节中的异常值检测与缺失值填补流程，重点讲解了RBP神经网络补全缺损数据、Markowitz均值-方差组合模型优化收益风险，以及NARX非线性多步预测网络构建股指预测模型的方法；同时结合Python绘制时间序列调和曲线，直观展示数据缺失情况。NARX模型采用三层结构，隐含层使用高斯激活函数，依据链式偏微分法则调整网络参数，最终给出平均误差0.092以内的实证结果。内容还覆盖了投资组合相关矩阵与协方差矩阵的评价维度，以及过拟合与交叉验证等实操问题，从数据清洗、组合评估到模型优化形成完整链路。资源为单份PDF文件，共1个文件，压缩包大小1.83MB，已有119人学习浏览。对于希望快速理解神经网络选股思路、NARX动态建模技巧以及风险收益平衡机制的读者，这份材料能提供较清晰的算法推导与实验参考价值，适合作为金融科技、数据建模方向的入门研读或项目参考资料。

1. 股指预测不是玄学，但网络选错、数据切错都会翻车

量化圈每隔一段时间就有人晒出“基于神经网络的股指预测与选股”的优美曲线，点开一看多半是验证集在涨。做过的人心里都有数：这个方向真正的难点从来不是把模型跑起来，而是让预测严格落在未来信息之外，让选股信号在回测里真实可复现。它要解决两件事——对指数未来涨跌给出概率判断，再把同一套方法平移到全市场个股上，排序选出值得持仓的组合。适合已有Python和基础机器学习底子、想用深度神经网络替代经验规则的从业者。看懂本文，你拿到的是一整套从数据清洗、特征构造、LSTM训练到选股验证的落地路径，而不是一张画饼的收益曲线。

2. 把涨跌装进监督学习：问题建模与网络选型

2.1 先定义问题：为什么预测方向比预测价格靠谱

我最初的做法很幼稚：把每天收盘价丢给LSTM，让它输出明天收盘价。训练损失降到接近0，验证集拟合得像印上去一样，可实盘一跑就钝。后来才想明白：价格序列是非平稳的，十年前3000点和现在3000点的含义完全不同。让网络去拟合绝对价格，等于逼它记下一条长期漂移曲线，而对真正要抓的短期相对变化几乎没有表达力。

常见做法是把它重构成分类问题：给定过去N个交易日的特征序列，预测未来H个交易日收益率是否大于某个阈值。数学化一点：x_t 是过去N天的特征向量序列，y 是未来H日收益率的正负号。为什么是分类而不是回归？因为分类对噪声更鲁棒，涨跌方向的信噪比远高于具体收益数值；同时分类输出天然能转成概率，为后面选股排序提供同一把尺子。阈值通常设在0.5%到1%之间，太大会让正样本稀少，太小则几乎全是噪声标签。

另一个必须想清楚的点是滑窗长度N。对日线数据，我一般取20个交易日（约一个月）作为基础窗口。20这个数字不是玄学，它对应A股月级别趋势的记忆长度；太长会把远古行情塞进来，太短则抓不住均线支撑。窗口定了之后，整个数据集的样本量由总交易日减去窗口和预测跨度决定，一般能拿到两千到三千条样本，够一个中小规模网络吃饱。

2.2 网络选型：前馈神经网络、LSTM、一维卷积与GNN怎么挑

模型选型是新手最容易翻车的地方。一上来就上几十层Transformer，结果验证集还不如“昨天涨今天就买”的朴素基线。先看前馈神经网络，也就是常说的BP神经网络：它结构最简单，输入是一个打平的特征向量，经过若干隐藏层后接输出层，靠反向传播更新权重。它的问题在于完全没有时间顺序概念——把第1天的数据和第19天的数据交换位置，模型输出不变，这对行情序列是致命的。用它做序列预测，调参再狠准确率也基本在52%以下，定位只能是基线对照。

循环神经网络（RNN）在设计上天生为序列建模，但经典RNN存在梯度消失，长序列记忆很差。LSTM神经网络用输入门、遗忘门和输出门把长期信息保存在单元状态里，是目前RNN最常用的替代。对股指日线这种几百到几千个样本的序列，两层LSTM把小周期波动和大周期趋势分开建模，是最稳的起点方案。卷积神经网络在序列预测里的用法比较特别：一维卷积神经网络用一维卷积核扫描时间轴，提取K线形态的局部模式，比如“连续三根阳线”“长下影线放量”。它训练快、不挑数据规模，但单用对全局趋势捕捉弱，常见做法是把1D CNN输出再接LSTM，让CNN提特征、LSTM记时序。

图神经网络（GNN）是这几年的热点，把个股之间的关联、行业联动建模成图结构，理论上对选股很有吸引力。但图的构造方式、邻接矩阵的时效性都很难调，数据量也不够支撑，入门阶段不建议动它，等LSTM流水线跑通再研究不迟。我给的选型结论是三步走：BP做基线；LSTM作为主力模型先把预测做稳；之后用1D CNN+LSTM的复合结构去提特征，换取边际收益。架构对比见表。

2.3 输入设计：只喂收盘价等于让模型闭眼猜

我见过很多人复现代码，训练数据就是一个收盘价序列，网络怎么调都上不去。原因很简单：单序列信息量太低，成交量、换手率、振幅、量比、均线偏离这些特征直接关系到参与者情绪和资金行为，不加等于少了一整维信息。我常用的特征集按四维组织。第一维度是价格：开高低收，以及它们衍生出的涨跌幅和振幅。第二维度是量能：成交量、成交额、换手率、量比（当日成交量与过去5日均量的比值）。第三维度是资金：指数层面可以看北向资金净流入，个股层面如果拿不到就用成交额替代。第四维度是技术形态：5日和20日均线偏离度、RSI、布林带位置。

特征不是越多越好，这是血泪教训。原始序列堆到三四十维，网络很快开始背特征，验证集幻觉式上涨。经验上限是20维左右，超过的部分该筛就筛。另外，所有特征在进网络前要做标准化，量纲不统一会让LSTM的门控机制失效——比如成交额以亿为单位、RSI在0到100之间，直接把原始值拼进特征向量，梯度会被大数值特征带走，小数值特征等于白放。

3. 从行情数据到训练样本：特征构造与数据集切分

3.1 数据获取与清洗：停牌、复权和跳空三件事

以沪深300指数日线为例，常见做法是用akshare这类免费数据接口直接拿数据，代码很短：

import akshare as ak import pandas as pd # 拉取沪深300指数日线，接口返回的列名在不同版本略有差异 raw = ak.index_zh_a_hist(symbol="000300", period="daily", start_date="20100101", end_date="20241231") raw.columns = ["date", "code", "open", "close", "high", "low", "volume", "amount", "amplitude", "pct_change", "change", "turnover"] # 只保留建模要用的列，并按时间升序排列 df = raw[["date", "open", "close", "high", "low", "volume", "amount", "turnover"]].copy() df["date"] = pd.to_datetime(df["date"]) df = df.sort_values("date").reset_index(drop=True) # 有缺失的交易日直接剔除，不做填充 df = df.dropna().reset_index(drop=True) print(df.tail())

这段代码的逻辑是先拿全历史日线，再统一列名，然后按时间排序，最后剔除缺失值。需要说明的是，指数日线本身不存在复权问题，但如果把模型平移到个股上，一定要用前复权价格，否则除权日会出现一个与真实交易无关的假跳空，模型会当成重要信号学进去。停牌日同样要处理：常见做法是删除该日记录，而不是用前后填充值硬补，因为补出来的价格不真实。

参数上，start_date选2010年而不是更早，一是A股早期流动性结构和现在差异大，二是数据区间越长行情风格漂移越明显。对日线级预测，10到15年数据已经能覆盖两三轮牛熊，再多反而让模型去拟合早已失效的旧规则。

3.2 特征构造与标签生成：未来5日方向怎么写才不泄漏

特征构造我习惯用向量化操作一次性算完，写在一个函数里，清洗和调试都方便：

def build_features(df): # 基础涨跌幅和振幅 df["ret_1d"] = df["close"].pct_change() df["amp"] = (df["high"] - df["low"]) / df["close"] # 均线偏离度：收盘价相对均线的位置 for win in [5, 10, 20]: ma = df["close"].rolling(win).mean() df[f"ma_dev_{win}"] = df["close"] / ma - 1 # 量比：当日成交量除以5日均量，反映放量缩量 df["vol_ratio"] = df["volume"] / df["volume"].rolling(5).mean() # RSI(14)，常用动量指标 diff = df["close"].diff() gain = diff.clip(lower=0).rolling(14).mean() loss = (-diff.clip(upper=0)).rolling(14).mean() rs = gain / (loss + 1e-9) df["rsi_14"] = 100 - 100 / (1 + rs) # 标签：未来5日收益率是否超过0.5%，作为上涨正样本 df["future_ret"] = df["close"].shift(-5) / df["close"] - 1 df["label"] = (df["future_ret"] > 0.005).astype(int) # 删除因滚动窗口和shift产生的前后缺失行 df = df.dropna().reset_index(drop=True) return df

这里有一个关键细节：标签的future_ret用的是close.shift(-5)，意味着第t行样本的标签只有到t+5日收盘后才能确定。真实部署时要格外注意，当天收盘后只能做出当天的特征和预测，不能用未来数据验证，这是很多回测失效的根源。

量比、均线偏离、RSI都是无量纲或有界量，进入LSTM前不需要再做标准化；成交量、成交额这类绝对量则要取对数或交给StandardScaler。不要把原始成交量直接喂进去，几百亿和几百万的数值差距会把梯度推向一个方向，小特征直接失效。

3.3 按时间切分与标准化：训练集、验证集、测试集顺序不能乱

切分股票数据不能像图像分类那样随机打乱，必须按时间顺序硬切：

import numpy as np def split_sequences(df, feature_cols, seq_len=20): data = df[feature_cols].values labels = df["label"].values X, y = [], [] for i in range(len(data) - seq_len): win_x = data[i:i + seq_len] win_y = labels[i + seq_len - 1] # 窗口内最后一天的标签 X.append(win_x) y.append(win_y) X = np.array(X, dtype=np.float32) y = np.array(y, dtype=np.int64) # 按时间顺序：前70%训练，中间15%验证，最后15%测试 n = len(X) idx_train = int(n * 0.70) idx_val = int(n * 0.85) X_train, y_train = X[:idx_train], y[:idx_train] X_val, y_val = X[idx_train:idx_val], y[idx_train:idx_val] X_test, y_test = X[idx_val:], y[idx_val:] return (X_train, y_train), (X_val, y_val), (X_test, y_test)

这里seq_len=20代表用最近20个交易日的特征序列预测未来5日方向。特征窗口和标签窗口前后相接，不存在重叠，所以每个滑窗样本的信息只来自窗口内的过去20天。标准化必须在切分之后进行，且只能fit训练集，再拿同一组参数transform验证集和测试集：

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() n_features = X_train.shape[2] X_train_flat = X_train.reshape(-1, n_features) scaler.fit(X_train_flat) # 只学训练集的均值和方差 X_train = scaler.transform(X_train_flat).reshape(X_train.shape) X_val = scaler.transform(X_val.reshape(-1, n_features)).reshape(X_val.shape) X_test = scaler.transform(X_test.reshape(-1, n_features)).reshape(X_test.shape)

如果把scaler.fit放在切分前，或对整个数据集做，验证集和测试集的信息就会泄漏进训练过程，这是时序预测里最隐蔽的坑，也是很多模型实验集指标高得离谱、实盘一塌糊涂的原因。

注意：标准化一定要在切分之后做。先切分、再fit、再transform，这个顺序错了，后面的所有评估都失去意义。

4. LSTM模型训练与调参：先让预测稳定，再谈收益

4.1 搭建一个可复现的两层LSTM预测器

模型结构我固定成“LSTM层+全连接层”，代码短、调试容易，也方便后续把数据规模扩大后换更复杂的结构：

import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size, hidden_size, num_layers, dropout=0.3): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout if num_layers > 1 else 0.0, ) # 二分类：输出1个logit，配合BCEWithLogitsLoss使用 self.fc = nn.Linear(hidden_size, 1) def forward(self, x): # x shape: (batch, seq_len, input_size) out, (h_n, c_n) = self.lstm(x) # 取最后一个时间步的隐状态作为序列表示 last = out[:, -1, :] logits = self.fc(last).squeeze(-1) return logits

参数含义逐一说清楚：input_size是特征维度，也就是第3章feature_cols的长度；hidden_size是LSTM隐状态维度，64是起步值，再小表达能力不足，再大容易过拟合；num_layers=2分成两个堆叠层，让网络先学短周期再学长周期；batch_first=True表示输入张量维度顺序是(批次, 序列长度, 特征数)，PyTorch默认是(序列长度, 批次, 特征数)，写错就会出现维度报错。

forward里out[:, -1, :]取的是序列最后一个时间步的输出。有人会把所有时间步的输出做mean pooling，也可以，但最后一个时间步的信息最接近预测点，实操里效果通常更好。全连接层把隐状态压到1个logit，对应二分类；如果要换成三分类（涨/平/跌），把fc输出维度改成3并把损失函数换成CrossEntropyLoss即可。

4.2 训练配置：学习率、早停与学习率衰减

训练循环用PyTorch标配写法，加上梯度裁剪、早停和学习率衰减三个机制：

def train_model(model, train_loader, val_loader, epochs=60, lr=1e-3, patience=10): optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=1e-5) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode="min", factor=0.5, patience=5) criterion = nn.BCEWithLogitsLoss() best_val_loss = float("inf") best_state = None wait = 0 for epoch in range(epochs): # 训练阶段 model.train() total_loss = 0.0 for xb, yb in train_loader: optimizer.zero_grad() logits = model(xb) loss = criterion(logits, yb.float()) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() total_loss += loss.item() * xb.size(0) # 验证阶段 model.eval() val_loss = 0.0 with torch.no_grad(): for xb, yb in val_loader: logits = model(xb) loss = criterion(logits, yb.float()) val_loss += loss.item() * xb.size(0) scheduler.step(val_loss) # 早停：验证损失连续patience轮不下降就恢复最佳权重 if val_loss < best_val_loss: best_val_loss = val_loss best_state = {k: v.clone() for k, v in model.state_dict().items()} wait = 0 else: wait += 1 if wait >= patience: model.load_state_dict(best_state) print(f"早停于 epoch {epoch}") break else: model.load_state_dict(best_state) return model

三个关键点。第一，梯度裁剪clip_grad_norm_是LSTM训练必须的，序列建模的梯度范数容易爆炸，不裁剪loss会突然变成nan，max_norm=1.0是保守值，想放开可以试2.0。第二，weight_decay=1e-5做小的L2正则，对抗过拟合。第三，ReduceLROnPlateau在验证损失平稳时把学习率减半，比固定学习率更容易收敛到好的局部极小值。

EarlyStopping的patience（10轮）和scheduler的patience（5轮）要区分开：scheduler先一步开始降学习率，给模型机会跳出平台期；如果降了学习率还改善不了，再触发早停，这比直接早停更稳。epochs=60只是上限，实战里数据量小时往往20到40轮就早停了。

4.3 评估预测：方向准确率、F1和朴素基线对比

训练完不要只看loss，要看预测方向的命中情况。我固定用下面这组指标卡模型：

from sklearn.metrics import accuracy_score, f1_score, confusion_matrix def evaluate(model, X, y): model.eval() with torch.no_grad(): logits = model(torch.tensor(X)) prob = torch.sigmoid(logits) pred = (prob >= 0.5).int().numpy() acc = accuracy_score(y, pred) f1 = f1_score(y, pred) cm = confusion_matrix(y, pred) return {"accuracy": acc, "f1": f1, "confusion": cm}

除了accuracy，我还额外看两个东西。一是F1分数，因为涨跌样本经常不平衡，单边行情里会严重倾斜，准确率会被多数类放大。二是看涨类别的召回率——选股任务里更关心“该涨的股票有没有被选出来”，召回率低说明模型把大量真上涨漏掉了，排序选股的意义就大打折扣。

最重要的对照实验是朴素基线：直接用“今日收盘涨，则预测明天也涨”做规则，准确率大约51%到53%。神经网络如果连这个都超不过，别谈后面的选股，先去查特征和泄漏。当模型在测试集上准确率稳定大于55%时，方向统计意义上可用；想冲到60%以上，日线级别的指数预测很难复现，不如转向选股场景——样本量从1个指数变成几千只股票，模型能学到的东西才够多。

5. 时序预测的五个经典坑：数据泄漏、过拟合与失效特征

5.1 标准化和标签里的未来函数：两个最隐蔽的数据泄漏

现象：训练完的模型在验证集上准确率高达80%，曲线完美得像资产翻倍，可实盘交易几天就连续亏损。这是我在这个方向踩过的最大一个坑，排查到最后发现泄漏根本不在模型里，而在数据处理。

原因一：有的人在切分数据前对整份DataFrame做StandardScaler，把验证集、测试集的均值和方差也学进了转换参数。模型等于开卷考试，测试数据的信息已经被编码进特征分布里，验证集当然好看。原因二：标签构造时误用未来信息，比如用当天的最高最低价来决定当天是否持仓，或者用未来复权数据反推现在的价格，都属于未来函数。

解决：严格遵循“先按时间切分，再只fit训练集”两步法；标签必须由t+1日及之后的纯未来数据计算，且特征窗口和标签窗口之间不能有重叠。我现在的代码里专门写了一条断言，测试集样本的时间戳必须全部晚于训练集，跑数前先校验，宁可报错也不要带病训练。

5.2 过拟合与随机种子：为什么两次训练结果差很多

现象：训练集loss一路降到0.1以下，验证集loss在某个epoch后突然反弹；或者模型输出基本只有“涨”一类。另一个现象是同一份数据、同一个脚本，两次训练的准确率能差3到5个百分点，这让回测和调参都不可信，神经网络在这里表现得像个黑匣子。

原因：hidden_size设到256甚至512，LSTM层数加到3层以上，再加上全连接层后参数量轻松过千万，而日线样本量只有两三千条，模型直接背题。随机种子不固定是另一个隐形原因：PyTorch的DataLoader默认shuffle=True，加上没有固定torch.manual_seed，每个epoch的样本顺序都在变，训练结果自然漂移。

解决：从LSTM两层、hidden_size=64起步，dropout=0.3，加早停和梯度裁剪；在脚本开头固定torch.manual_seed(42)、np.random.seed(42)，DataLoader里设置generator。如果调大参数量，要同步增加正则强度并把训练集样本扩到1万条以上，否则就是拿参数量换幻觉。

5.3 类别不平衡与回测滑点：选股信号失效的两个放大器

现象：把模型从指数平移到全市场个股后，Top20组合的回测年化收益很高，但实盘跟单跑不赢，有的月份还跑输指数。

原因一：全市场个股的涨跌分布并非均衡。指数成分股在震荡市大约五成交易日上涨，但个股端牛市里上涨占比可到60%以上。模型用默认阈值0.5做分类时，会把大量边缘上涨判成下跌，选股排名的区分度被压缩。原因二：回测只按收盘价成交，没扣手续费和滑点。A股双边费率加滑点一般在万三到万五，5日换仓一次一年约50次换手，成本累计吃掉3到5个点；预测本身只有55%左右的准确率，这点优势很容易被交易成本抹平。

解决：对类别做加权或降低判断阈值；回测里每笔成交强制扣除双边费用，至少扣万五再算净收益；选股周期不要短于5个交易日，换手越频繁成本越敏感。我现在的做法是：预测概率只用于排序，排名稳定后再结合基本面做人工过滤，不盲目相信分数本身。

5.4 特征失效与行情漂移：模型不是训一次用一年

现象：模型在测试集上准确率56%，照此跑了一个月，第二个月开始连续低于50%，Top20组合跑不赢指数。很多人第一反应是“模型坏了”，其实只是市场风格变了。

原因：日线特征（均线、RSI、量比）在趋势市有效，进入震荡市后特征分布整体偏移，模型学到的是旧风格下的规律。行情风格漂移不是异常，而是常态；用固定模型去对抗漂移，等于拿去年的地图找今年的路。

解决：滚动重训，每月底用最近12个月数据重新训练一次；同时对特征分布做监控，比如计算特征均值、方差的变化幅度，一旦超过阈值就触发重训。这是我做这个方向最持续的维护成本，也是想长期投入必须接受的现实：模型是一个需要定期保养的工具，不是一劳永逸的印钞机。

6. 从预测分数到选股组合：用RankIC评估选股能力

6.1 用预测概率排序，构建等权组合

训练好模型后，等收盘拿到当日全市场股票特征，逐只推理出上涨概率，按概率从高到低排序，取前20只等权持有5个交易日：

scores = [] for stock_df in all_stocks: # 每只股票的特征序列 prob = predict(model, stock_df) # 取sigmoid后的概率 scores.append(prob) # 按概率降序取前20只，等权分配资金 picks = sorted(range(len(scores)), key=lambda i: -scores[i])[:20] weight = 1 / 20

等权是为了不把赌注押在单只股票上。排序而不是设阈值选股，是因为模型校准不一定完美——概率绝对值可能有偏，但相对排名在同类股票之间更稳定。

6.2 RankIC与分组回测：看排序能力，不看准确率

选股模型的评价指标和预测模型不一样：准确率只说明“涨跌命中”，选股还看重“概率高的是不是真的涨更多”。我固定用下一期收益和预测概率的Spearman相关系数，也就是RankIC来判断：

我自己的习惯是每天盘中跑完选股后，把Top20组合收益和全市场平均收益对比，连续跟踪4到8周，看超额收益是否稳定为正。这个频率能过滤掉单个月的行情运气，也比训练一次看一个测试集更接近实盘真相。这个方向值得做，但它不是一夜暴富的捷径，靠的是把数据、特征、回测纪律一件件磨到位。我自己也栽过“验证集75%、实盘亏损”的跟头，后来才明白，时序预测里最大的敌人不是模型容量，而是无处不在的未来信息。希望你在这个方向上少走几步弯路。

本文还有配套的精品资源，点击获取