企业官网建设流程全解析

简介：针对黄金价格预测这一金融分析场景，这份资源提供了一套结合LSTM神经网络与ARIMA时间序列模型的融合预测方案，面向投资者、金融从业者及数据科学初学者与研究者，包含完整可运行的算法代码。资源基于历史黄金价格数据完成预处理，先由ARIMA模型识别线性趋势并给出初步预测，再借助LSTM深度学习网络学习长期依赖与非线性特征，对初步结果进行优化，从而降低过拟合风险并提升预测准确性。压缩包共8个文件，涵盖Python算法脚本、CSV历史数据、说明文档、Docx教程与README等，整体约58KB，内容覆盖数据读取、建模、训练到预测全流程，并附有各文件用途说明，方便快速上手。目前已有161人参与学习，可用作理解模型融合原理、复现实验或课程设计、毕业设计、金融量化研究的参考框架；通过该资源既能掌握ARIMA与LSTM的建模要点，也能体会两种方法在时序预测中的协同互补，具备较强的实践价值。

1. 融合LSTM与ARIMA的黄金价格预测系统：主线是分工，不是堆模型

把黄金价格直接丢给LSTM训练的模型，结果经常不如一个简单的ARIMA(2,1,2)外推——原因不在深度学习不行，而在于LSTM把一个本来可以用线性方程描述的缓慢趋势反复学了很多遍，浪费了记忆容量。我一般不会让LSTM单独面对原始价格序列，而是先让ARIMA把趋势、周期这些线性成分吸收掉，再把ARIMA拟合后剩下的残差序列交给LSTM去捕捉跳变和波动聚集，最后把两路预测相加。这个“先ARIMA初步预测、LSTM再在残差上优化结果”的融合路线，是做黄金价格日频预测时最容易落地的一条路径。对刚接触时间序列的人来说，这套实现能同时讲清楚统计模型和深度学习在同一任务里的分工；对有经验的人而言，残差归因、滑窗设计和回测防泄漏才是真正需要盯住的部分。

2. 先让ARIMA把线性趋势“榨干”：差分、定阶与残差白噪声检验

2.1 ARIMA为何只做“初步预测”不做终局模型

黄金日线价格不是平稳序列：它既有长期趋势，也有由避险情绪、美元指数变动驱动的跳跃。ARIMA的本质是线性模型——自回归项描述当前值与过去值的线性组合，移动平均项描述过去误差的叠加，d次差分用来压制趋势和周期性。这个线性框架天然适合把趋势和周期“榨”出来，所以让ARIMA先跑第一轮预测是合理的第一步。

但ARIMA也有明确边界：它对波动聚集、尖峰厚尾、突发跳变这类非线性特征缺乏表达能力。黄金价格在宏观数据公布后常出现“先跳后回”的形态，这是典型非线性行为；ARIMA的残差里会留下明显结构，而不是白噪声。恰恰是这部分残差，可以作为LSTM的学习材料。这就是“ARIMA初步预测+LSTM二次优化”融合思想的核心——ARIMA做线性降维，LSTM做残差纠偏。

2.2 用ADF与KPSS双检验确认差分阶数 d

差分阶数 d 是ARIMA的“地基”。常用两种检验：ADF检验的原假设是“序列存在单位根，非平稳”，p值小于0.05时拒绝原假设，认为序列平稳；KPSS检验则反过来，原假设是“序列平稳”。单看ADF可能在高波动序列上误判，所以我习惯把两者并排跑：两个检验都通过，才把 d 定下来。

import pandas as pd from statsmodels.tsa.stattools import adfuller, kpss def stationarity_report(series, name="gold_price"): series = series.dropna() # ADF: H0=存在单位根，拒绝H0才平稳 adf_stat, adf_p, *_ = adfuller(series, autolag="AIC") # KPSS: H0=序列平稳，不拒绝H0才平稳 kpss_stat, kpss_p, _, _ = kpss(series, regression="ct") print(f"[{name}] ADF p={adf_p:.4f}, KPSS p={kpss_p:.4f}") if adf_p < 0.05 and kpss_p > 0.05: print("结论: 两种检验口径下都支持平稳") else: print("结论: 需要进一步差分，先试 d=1") # prices 是含日频收盘价的 DataFrame，列名为 close stationarity_report(prices["close"])

逻辑说明：adfuller的 autolag 参数用AIC自动选择最优滞后阶数；kpss的 regression="ct" 表示原假设中带有常数项和趋势项。两个结果的解读不是“OR”而是“AND”：只有ADF拒绝单位根且KPSS不拒绝平稳，才能放心使用当前的d。如果ADF的p值大于0.05而KPSS的p值小于0.05，说明非平稳迹象明显，应把d设为1再重跑一次。日频黄金价格一般差分一阶后就能满足要求，差分两阶要警惕过度差分导致的信息损失。

2.3 用ACF、PACF和auto_arima定 p、q

定完 d，再定 p 和 q。看相关图的规律是：AR项对应PACF截尾、ACF拖尾；MA项对应ACF截尾、PACF拖尾；ARMA项则两者都拖尾。这个判断对新手来说主观成分太大，所以自动定阶反而更可靠：

from pmdarima import auto_arima # stepwise=True 用逐步搜索，减少组合数量 model = auto_arima( prices["close"], start_p=0, max_p=5, start_q=0, max_q=5, d=1, # 由平稳性检验确定 seasonal=False, trace=False, error_action="ignore", suppress_warnings=True, stepwise=True, information_criterion="aic", ) print(model.order) # (p, d, q) print(model.summary())

逻辑说明：auto_arima的内部逻辑是按信息准则比较多个候选ARIMA模型；d直接传入差分阶数，避免它自己从头搜索。information_criterion="aic"表示用AIC做模型比较，样本量较大时可以换bic对参数数量惩罚更重。stepwise=True不会遍历全部组合，速度更快，但个别边界组合可能漏检；数据量小时开stepwise=False做全表搜索也行。打印model.order可以拿到最终定阶结果，例如 (2,1,1)，代表AR(2)、一次差分、MA(1)。

2.4 Ljung-Box残差检验：决定哪些残差交给LSTM

ARIMA拟合完成后，要把残差序列提取出来，先判断它是否还存在自相关。Ljung-Box检验的原假设是“残差序列相互独立”，p值大于0.05说明残差接近白噪声，这时融合收益有限；p值小于0.05说明残差里还残留可学习的结构，LSTM才有用武之地。

from statsmodels.stats.diagnostic import acorr_ljungbox # fitted 是ARIMA模型的拟合值，resid 是残差序列 resid = prices["close"] - fitted lb_test = acorr_ljungbox(resid, lags=[10, 20], return_df=True) print(lb_test)

逻辑说明：lags=[10, 20]分别检验10阶和20阶滞后范围内是否存在自相关。return_df=True让输出变成DataFrame，方便读取lb_pvalue列。如果10阶和20阶的p值都小于0.05，残差里仍有明显的线性或非线性结构，值得进入LSTM训练流程；如果p值接近1，说明ARIMA已经把信息提取干净，后续融合优先考虑其他特征工程，而不是硬接LSTM。

3. 用PyTorch搭LSTM训练管道：滑窗、归一化与门控细节

3.1 把价格序列切成“滑窗+标签”：LSTM的样本到底是什么

LSTM的输入是一个三维张量(batch, seq_len, input_size)。seq_len是回看的天数，input_size是每个时间步的特征数量。对日频黄金价格，我用过去20到60个交易日预测未来一天或未来三天均值，窗口太短学不到趋势惯性，太长则把几年前的旧行情也带进来，反而干扰判断。

import numpy as np import torch def make_windows(data, seq_len=30, horizon=1): xs, ys = [], [] for i in range(len(data) - seq_len - horizon + 1): xs.append(data[i:i + seq_len]) ys.append(data[i + seq_len:i + seq_len + horizon].mean()) return np.array(xs, dtype=np.float32), np.array(ys, dtype=np.float32) # prices 是一维numpy数组，提前做了归一化 X, y = make_windows(prices, seq_len=30, horizon=1)

逻辑说明：seq_len=30表示用过去30个交易日预测未来，horizon=1表示预测一步（这里取未来一天均值）。xs的形状是(样本数, 30, 1)，但此时还缺一个维度，送到PyTorch前要 reshape为(样本数, 30, 1)。窗口步长为1会导致相邻样本高度重叠，训练时模型容易“背答案”，常见做法是把步长调成seq_len//2或直接随机采样，让训练集样本之间没那么强的相关性。

3.2 归一化里最容易漏的泄漏：scaler只fit训练段

LSTM对输入尺度非常敏感，黄金价格从1500美元涨到2500美元，数值范围变化很大，不归一化会拖慢收敛甚至让Loss不降。一般用Min-Max归一化把价格缩放到 [0,1] 或 [-1,1]。关键一步是：fit只能作用在训练段上，验证段和测试段都用训练段的scaler做transform。

from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) train_len = int(len(prices) * 0.7) # fit_transform 只用在训练段 scaled_train = scaler.fit_transform(prices[:train_len].reshape(-1, 1)) # transform 不带 fit，防止测试段信息泄漏 scaled_test = scaler.transform(prices[train_len:].reshape(-1, 1))

逻辑说明：如果对整个序列一起fit_transform，测试段的最高价、最低价会提前参与归一化，导致训练阶段就“看到”了未来信息。这个问题在时序预测里极其隐蔽，回测时表现很好，一到实盘就失效，根源往往就在这里。选择feature_range=(0,1)而不是(-1,1)时要注意LSTM默认激活函数是tanh，输出范围在(-1,1)之间，输入范围越接近输出范围，前向传播的数值越稳定；因此用(-1,1)往往比(0,1)收敛更平缓。

3.3 PyTorch模型定义与训练循环

黄金价格日频数据量不大，LSTM层数1到2层就足够，隐藏单元数量128到256之间比较常用。下面是一个可以直接在Notebook里跑的最小实现：

import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size=1, hidden_size=128, num_layers=2, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout, ) self.fc = nn.Linear(hidden_size, 1) def forward(self, x): out, _ = self.lstm(x) # out: (batch, seq_len, hidden_size) return self.fc(out[:, -1, :]) # 取最后一个时间步的隐状态 model = LSTMPredictor() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) loss_fn = nn.MSELoss()

逻辑说明：batch_first=True让输入形状变成(batch, seq_len, input_size)，和NumPy的窗口数组排列一致，省去转置麻烦。out[:, -1, :]取出序列最后一个时间步的隐状态，代表模型读完整个窗口后的“浓缩理解”，接一层全连接输出价格。dropout=0.2只对多层LSTM的层间连接生效，单层时会被PyTorch忽略，这是常见误解。hidden_size大并不一定好，黄金日线数据样本通常只有几千条，隐藏单元超过256后容易过拟合，验证损失开始上升而训练损失还在下降。

训练循环里，我会加上梯度裁剪和早停：

from torch.utils.data import DataLoader, TensorDataset dataset = TensorDataset(torch.from_numpy(X), torch.from_numpy(y)) loader = DataLoader(dataset, batch_size=64, shuffle=True) for epoch in range(60): model.train() epoch_loss = 0.0 for x_batch, y_batch in loader: pred = model(x_batch.unsqueeze(-1)) loss = loss_fn(pred.squeeze(), y_batch) optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm=5.0) optimizer.step() epoch_loss += loss.item() if (epoch + 1) % 10 == 0: print(f"epoch {epoch + 1}, loss={epoch_loss / len(loader):.6f}")

逻辑说明：unsqueeze(-1)把(batch, seq_len)变成(batch, seq_len, 1)，匹配input_size=1。max_norm=5.0是梯度裁剪的常见默认值，LSTM训练时梯度在时间步上连乘，容易出现梯度爆炸，裁剪阈值设在5到10之间能稳定训练。shuffle=True在纯序列预测里要谨慎：相邻样本高度重叠，shuffle后训练更平稳，但模型学到的时间依赖可能变弱；如果验证集表现不佳，可以改成shuffle=False对比一次。

3.4 遗忘门、输入门、输出门在价格预测里都在干什么

LSTM靠三个门控制信息流动。遗忘门决定“过去的价格模式哪些该忘掉”，比如黄金进入新的震荡区间后，半年前的支撑位信息就应该衰减；输入门决定“当前这个价格波动有多少值得写进记忆”，突发跳水这类小概率事件会通过输入门被放大；输出门决定“此刻把记忆中哪些部分转成预测信号”。

三者的计算都依赖当前输入和上一时刻的隐状态，并通过sigmoid输出0到1之间权重。记忆单元内部用的是tanh激活，把候选值压制在(-1,1)之间，防止数值无限增长。所以LSTM的超参数里，hidden_size本质上是“记忆容量”，num_layers是“特征抽象的层级数”。对黄金价格这种单变量输入，我通常把特征扩大到“收盘价、日均振幅、20日滚动波动率”再进LSTM，这样input_size=3，记忆容量128即可。特征增加后，遗忘门和输入门的组合会在训练中自动学习“震荡期少更新记忆、趋势期多写入当前价格”的切换逻辑。

4. ARIMA初预测+LSTM残差修正：三种融合线路与误差传导

4.1 残差叠加：最贴近“ARIMA初步预测后LSTM优化结果”的做法

先让ARIMA对历史价格完成拟合，得到拟合值；真实价格减去拟合值得到残差序列。把这段残差当作LSTM的“新价格序列”来训练，预测未来残差。最后将ARIMA的未来预测值加上LSTM的残差预测值，就是融合系统的最终输出。

import numpy as np # arima_model 来自第2章的 auto_arima in_sample_pred = arima_model.predict_in_sample() resid = prices["close"].values - in_sample_pred # 对残差序列做滑窗，训练LSTM resid_scaler = MinMaxScaler(feature_range=(-1, 1)) resid_scaled = resid_scaler.fit_transform(resid.reshape(-1, 1)) X_resid, y_resid = make_windows(resid_scaled.flatten(), seq_len=30, horizon=1) # 训练LSTM残差模型，代码同第3章 # lstm_resid_model.predict(X_resid) 得到残差预测 future_arima = arima_model.predict(n_periods=5) # ARIMA的未来预测 future_resid = lstm_resid_model.rescale_and_predict(5) # LSTM的未来残差预测 final_forecast = future_arima + future_resid

逻辑说明：predict_in_sample拿的是ARIMA对训练期的拟合值，对应的残差才是LSTM可以学习的材料；如果用滚动预测的predict结果，残差里会混入预测误差，训练目标不稳定。resid_scaler的范围设为(-1,1)，因为LSTM的隐状态经过tanh，残差序列本身有正有负，映射到这个区间能保留符号信息。最终预测是两段直接相加：ARIMA提供趋势基准，残差LSTM只在基准上下做修正。这个方案的好处是ARIMA的线性预测逻辑完整保留，坏处是残差预测误差会原样传导到最终结果，如果ARIMA的残差本身已经接近白噪声，融合收益会非常小。

4.2 特征拼接：把ARIMA预测值当成LSTM的外生特征

残差叠加之外，另一种常见路线是把ARIMA的预测输出当作LSTM的输入特征。具体做法是：每次滑窗训练时，ARIMA都对这个窗口的未来做出一个“初步预测”，把预测值作为一维额外特征拼在滑窗末端，LSTM学的是“在ARIMA的判断之上，价格会怎么偏离”。这个方案对LSTM的压力更大，因为它要同时理解ARIMA的预测逻辑和价格本身的动态；但好处是误差不会像残差叠加那样逐层传导，LSTM有机会在训练中自动纠正ARIMA的线性偏差。

实际操作中，特征拼接对特征工程的要求更高。ARIMA预测值必须和滑窗的末端时刻对齐，否则LSTM会把一个错位的参考值当作正确基准。我一般只在外生变量数量明确（比如美元指数、实际利率）时才做拼接，单独用ARIMA输出做特征的效果并不比残差叠加明显。

4.3 加权集成：在验证集上求解最优权重

把ARIMA和LSTM当成两个完全独立的预测器，在验证集上寻找最优加权系数，是融合的最后一种常见做法。权重不能手拍，需要一个盲测区间。

from scipy.optimize import minimize def weighted_loss(w): pred = w[0] * arima_pred + (1 - w[0]) * lstm_pred return np.mean((pred - y_true) ** 2) # w 的初值取0.5，约束在0到1之间 res = minimize(weighted_loss, x0=[0.5], bounds=[(0, 1)], method="Nelder-Mead") best_w = res.x[0] print(f"最优权重: ARIMA={best_w:.3f}, LSTM={1 - best_w:.3f}")

逻辑说明：arima_pred和lstm_pred是在验证集上各自独立做出的预测，y_true是验证集真实值。优化目标是最小化均方误差，bounds=[(0,1)]保证权重在两个模型之间分配，不会出现负权重。样本量小的时候，验证集上求出的权重可能会过拟合这一小段行情；我一般还会多看权重在不同时间段里的稳定性，若ARIMA权重在震荡市和趋势市之间波动超过0.3，加权集成反而增加不稳定因素。

4.4 融合策略对比

选择时我的原则是：先用残差叠加快速看LSTM在残差上是否学到了有效结构；如果残差训练损失和验证损失都下降，说明非线性成分存在，再扩展特征拼接；加权集成放在最后，因为它会引入一个“验证集权重”，多一层过拟合风险。

5. 滚动回测验证方向准确率：融合系统上线前的最后一关

5.1 walk-forward回测怎么写

融合系统不能像普通机器学习那样随机切分训练集，必须按时间顺序滚动。每轮只“看到”过去，预测未来，然后再把真实观测值纳入下一轮训练。

def walk_forward(X, y, model_fn, train_days=700, step=250): preds, trues = [], [] start = train_days while start + step <= len(X): train_x, train_y = X[:start], y[:start] test_x, test_y = X[start:start + step], y[start:start + step] model = model_fn(train_x, train_y) # 重新训练 preds.extend(model.predict(test_x).flatten()) trues.extend(test_y.flatten()) start += step return np.array(preds), np.array(trues)

逻辑说明：train_days=700大约三年交易日，保证ARIMA和LSTM都有足够数据；step=250是一年交易日，每次预测一年后把真实值并入训练集。滚动回测的代价是训练多次，LSTM模型较慢时可以把step调大到500减少训练轮次，但回测结论会更粗。

5.2 方向准确率：投资者真正该盯的指标

一个预测系统的RMSE再低，如果涨跌方向经常判错，对买卖决策几乎没有参考价值。方向准确率（DA）的计算是：预测变动方向与真实变动方向一致的比例。

def direction_accuracy(y_true, y_pred): true_dir = np.sign(np.diff(y_true)) pred_dir = np.sign(np.diff(y_pred)) return (true_dir == pred_dir).mean() true_dir = np.sign(np.diff(y_true)) pred_dir = np.sign(np.diff(y_pred)) print(f"方向准确率: {direction_accuracy(y_true, y_pred):.2%}")

逻辑说明：np.diff得到相邻两天的差值，np.sign转成1、0、-1，逐位比较。如果方向准确率稳定在55%以上，配合标的本身的波动率可以设计简单的多空策略；低于52%时，预测结果基本接近随机，不建议直接上交易决策。回测还要看分段表现，比如震荡市和单边上涨市的方向准确率往往差异很大，融合系统如果只在趋势行情里有效，就要在文档里明确这个边界条件。

5.3 三个容易泄漏数据的位置

第一个是归一化，scaler必须只在训练段fit，测试段只能transform。第二个是滑窗拼接，训练集最后一个窗口的结束时间，不能跨过训练/测试的分割点，否则预测目标会提前出现在输入里。第三个是滚动回测重新训练时，ARIMA的d和LSTM的seq_len每次都要用截至当前的数据重新确定，不能沿用全量数据下的最优参数。这三条同时满足，融合系统的回测结果才值得当作决策依据。

本文还有配套的精品资源，点击获取