企业官网建设流程全解析

简介：这是一套基于机器学习的股票预测与分析完整项目，面向计算机专业毕业设计、课程设计及需要实战练习的学习者。项目包含可运行的Python源码、算法模型权重及详细文档说明，覆盖数据预处理、特征工程、模型训练与结果可视化等环节，并内置多家公司股票历史行情CSV数据，便于直接复现股票趋势预测流程。压缩包共2000个文件，以png图表、csv数据、npz模型数据、pth权重及py脚本为主，另有xml工程配置与说明文档，整体约693MB，结构完整，经过严格调试可直接运行。该项目在CSDN已有614人学习，代码注释与文档配套清晰，适合作为高分毕业设计参考或进一步扩展到量化交易分析方向。

1. 股票预测到底在预测什么：先别急着写代码

很多人拿到"基于机器学习的股票预测"这个毕设题，第一反应就是找一个LSTM模型，把过去60天的收盘价扔进去，预测明天的收盘价。回测画出来曲线完美贴合，导师看了点头，答辩时却被人问一句"你这预测出来价格，敢拿真钱去交易吗？"就哑火了。这个标题真正的核心不是"用Python写一个预测函数"，而是"如何构建一个符合金融逻辑、可回测、可解释的机器学习预测流程"。它解决的是：把历史行情、技术指标、交易量等信息转化为能训练的特征，把未来一段时间的涨跌或收益率转化为标签，训练出能在未见过的数据上稳定有效的模型，并用科学的方法评估它值不值得信。

适合谁？一是做本科/硕士毕设的学生，需要完整的源码和文档支撑；二是想入门量化的开发者，先弄清这条流水线的每个环节怎么串起来。这里强调一个反直觉结论：预测价格数值几乎注定失败，因为价格序列非平稳、噪声大；真正能做的是预测方向上概率——明天涨还是跌、未来5日收益率是否超过阈值。想清楚这个，整个毕设的立论就站住了。

2. 数据是预测的地基：用akshare拉日线数据与清洗拼接

2.1 为什么选akshare而不是Excel手工数据

常见做法是找历史行情数据源，免费的国内接口里akshare最省事，不用注册 token，直接 pip install akshare，就能拉A股日线、分钟线、指数成分股列表。比tushare方便在不需要积分，比yfinance的优势是A股复权、停牌状态处理得更符合国内习惯。有的同学喜欢从Wind或Choice导出Excel，但那只能做静态快照，没法做"滚动扩展窗口"的真实训练流程，而且不同格式的表拼接起来特别容易出错。所以这里建议直接用akshare，把数据采集写成可复现的脚本，毕设文档里也好写"数据来源与获取方式"。

2.2 拉取沪深300成分股日线数据的代码

先用akshare拿到沪深300成分股代码列表，再遍历拉日线前复权数据。前复权必须做，否则除权除息会让价格出现非自然的跳空，模型会把这种假信号当真。下面是最小可用代码：

import akshare as ak import pandas as pd import time # 1. 获取沪深300成分股，返回的DataFrame里有 symbol 和 name stock_300 = ak.index_stock_cons_csindex(symbol="000300") # 有时候返回的列名为 code，先用合法性检查兜底 if "code" not in stock_300.columns: stock_300 = stock_300.rename(columns={"代码": "code", "名称": "name"}) codes = stock_300["code"].astype(str).str.zfill(6).tolist() # 2. 拉取每只股票的前复权日线，存成dict data_dict = {} for code in codes[:50]: # 毕设跑通流程可以先限50只，全量300只容易触发限流 try: df = ak.stock_zh_a_hist( symbol=code, period="daily", start_date="20150101", end_date="20231231", adjust="qfq" # qfq 前复权，hfq 后复权，这里必须用 qfq ) if df is None or df.empty: continue # akshare返回的列名是中文，统一成英文便于后续特征工程 df = df.rename(columns={ "日期": "date", "开盘": "open", "收盘": "close", "最高": "high", "最低": "low", "成交量": "volume", "成交额": "amount" }) df["date"] = pd.to_datetime(df["date"]) df = df[["date", "open", "high", "low", "close", "volume", "amount"]].copy() df["code"] = code data_dict[code] = df except Exception as e: # akShare偶发网络错误，跳过这只，不要中断整个循环 print(f"{code} 拉取失败: {e}") time.sleep(0.12) # 控制请求频率，避免被源站限流

这段代码里最重要的参数是adjust="qfq"，a股除权除息后如果不复权，股价会产生向下的跳空缺口，机器学习会把这种缺口当成可预测的规律，实际是财务事件，不是市场行为。start_date和end_date决定了时间跨度，跨度太短模型学不到不同行情阶段（牛市、熊市、震荡市），建议最少覆盖5年以上，最好带一轮完整牛熊。codes[:50]是做原型验证的通用技巧，先跑通流程再上全量。

2.3 清洗与拼接：停牌、异常值、缺失值处理

拉下来的数据不能直接用，必须做三层清洗。第一层是缺失值，停牌日会有空行或NaN，最简单的做法是直接删除，但要注意有的股票停牌一个月，删除后日期不连续，后面做滚动窗口时窗口内天数变少，特征会失真。常见处理是：如果连续缺失不超过5天，用最近一个交易日的数据向前填充；连续缺超过5天的，直接剔除这段区间。第二层是异常值，比如成交量因为数据源错误出现0或负值，开盘价高于涨停价之类的，这类数据直接删掉对应行。第三层是拼接，把50只股票的数据纵向堆起来，但必须在堆之前给每只股票生成内部的"交易日序号"，因为不同股票停牌日期不同，用时间索引对齐反而会错位。

def clean_stock_df(df, max_gap=5): df = df.sort_values("date").reset_index(drop=True) # 删除成交量或价格<=0的行 df = df[(df["volume"] > 0) & (df["close"] > 0) & (df["high"] >= df["low"])] # 日期连续性检查：生成期望的交易日序列后求差集 full_dates = pd.date_range(df["date"].min(), df["date"].max(), freq="B") missing_dates = full_dates.difference(df["date"]) if len(missing_dates) <= max_gap: df = df.set_index("date").reindex(full_dates).ffill().reset_index() else: # 缺失过多，保留实际交易日期 df = df.dropna(subset=["close"]) # 生成股票内部连续序号，供后续时间窗口使用 df["day_idx"] = range(len(df)) return df all_df = pd.concat( [clean_stock_df(d) for d in data_dict.values()], ignore_index=True )

这里freq="B"是工作日频率，A股周一至周五交易，节假日会多算缺失，但一般只有几天，ffill能处理。day_idx是全流程的关键——后面构造"过去60天特征"时，不能用日历日来框，必须用这只股票自己的交易日序号。

3. 特征与标签构造：把K线转成监督学习样本

3.1 标签设计的三种做法：涨跌分类、收益率回归、未来N日极值

标签是整个预测任务的定义，做错了一切白搭。最常用的三种：第一种是二分类标签，未来第T天的收盘价是否高于今天的收盘价，高于为1，否则为0，这对应"持股/空仓"决策；第二种是回归标签，未来T日收益率(close[t+T]/close[t] - 1)，模型输出一个连续值；第三种是"未来N日最高价是否超过今日收盘价+阈值"或者"最低价是否跌破阈值"，这更像目标止盈止损。毕设里建议用第一种，分类任务评估简单、答辩好解释，而且神经网络和树模型都能输出概率，很方便做阈值调整。

需要注意的是，标签必须完全由"未来"数据构成，不能引入任何当时未知的信息。下面这段代码展示了正确的标签构造方法，其中shift(-T)保证了标签与特征在时间上对齐。

def make_labels(df, horizon=5, mode="classify"): df = df.sort_values("day_idx") # 未来horizon日收盘价 future_close = df["close"].shift(-horizon) if mode == "classify": # 用未来收盘价和当前收盘价比大小，作为涨跌标签 df["label"] = (future_close > df["close"]).astype(int) elif mode == "regression": df["label"] = future_close / df["close"] - 1.0 # 最后horizon行没有未来数据，标签为NaN，训练时必须丢弃 df = df.dropna(subset=["label"]).reset_index(drop=True) return df

为什么shift(-horizon)是时序里最容易出错的点：如果不做 shift，直接用当天的close和当天的feature，那标签里就包含了当天的收盘信息，特征如果也用了当天收盘，就变成"用答案预测答案"。另一个常见错误是dropna丢掉了没有未来标签的尾部数据，这会导致回测时最后horizon天无法出预测，所以策略要在标签有效的区间内逐日滚动。

3.2 技术指标特征：MA、RSI、布林带，用ta库还是手写

特征工程里，技术指标是必选项。常见做法是用ta库或talib生成RSI、MACD、布林带、ATR等指标，但talib在Windows上安装麻烦，ta库更友好。不过毕设里更推荐手写指标，不是造轮子，而是手写代码能保证你清楚每个指标的边界——比如RSI计算时是简单移动平均还是指数移动平均，不同实现结果差很多。下面给出核心特征的特征表：

用ta库一行能生成几十个指标，但容易生成未来函数——因为很多库的指标默认用了全量数据做中心化或归一化，你看起来没什么问题，实际上数据被"从未来借了信息"。比如有人用ta.MACD，之后又对整个DataFrame做Z-score标准化，标准化用的是全部数据的均值和方差，这就是典型的未来函数。所以准则只有一个：所有特征计算必须只用当前时刻及之前的数据，写在循环里或者用rolling()，不要在构造完整个数据集之后再做全局标准化。

import numpy as np import pandas as pd def add_features(df): df = df.sort_values("day_idx").copy() close = df["close"] # 收益率：保留多窗口，树模型能自己选择用哪个 for win in [1, 5, 10, 20]: df[f"ret_{win}"] = close.pct_change(win) # 均线偏离：当前价/过去N日均价 - 1 for win in [5, 10, 20]: ma = close.rolling(win).mean() df[f"ma_bias_{win}"] = close / ma - 1.0 # 波动率：用收益率标准差 for win in [5, 10, 20]: df[f"vol_{win}"] = df["ret_1"].rolling(win).std() # RSI-14 手动实现 delta = close.diff() gain = delta.clip(lower=0) loss = -delta.clip(upper=0) avg_gain = gain.ewm(alpha=1/14, adjust=False).mean() avg_loss = loss.ewm(alpha=1/14, adjust=False).mean() rs = avg_gain / avg_loss df["rsi_14"] = 100 - 100 / (1 + rs) # 布林带位置：20日均线上下2倍标准差 mid = close.rolling(20).mean() std20 = close.rolling(20).std() upper = mid + 2 * std20 lower = mid - 2 * std20 df["bb_pos"] = (close - lower) / (upper - lower).replace(0, np.nan) return df

这段代码里的ewm(alpha=1/14, adjust=False)是RSI公式中注明的Wilder平滑，用adjust=False是为了让指数权重从最早时刻开始一致，如果使用默认的adjust=True，序列前段权重不同，指标值会偏移，虽然不算错误，但会跟主流平台如TradingView的计算结果对不上，答辩时容易被动。

3.3 构造样本的时序切分：防止未来函数浸入

特征和标签都构造好之后，下一步是把数据切成样本矩阵。这里最容易踩坑的是把所有股票的数据混在一起做随机切分。绝对不能随机切分！因为同一天的样本之间高度相关，比如2021年3月，全市场都在涨，随机切分会把上涨样本同时分进训练集和测试集，模型记忆了市场状态，测试集准确率虚高，一到实盘完全失灵。正确做法是"按时间切分"，比如前80%时间做训练，后20%做测试。

all_features = [col for col in df_panel.columns if col not in ["date", "code", "close", "label"]] X = df_panel[all_features].values y = df_panel["label"].values dates = df_panel["date"].values # 按时间切分：假设按日期排序后取80%临界点 cut_idx = int(len(dates) * 0.8) X_train, X_test = X[:cut_idx], X[cut_idx:] y_train, y_test = y[:cut_idx], y[cut_idx:]

这里有个细节，df_panel是已经按日期排序的，如果之前concat的时候按股票堆叠，要重新sort_values("date")。另外，如果你用了股票的day_idx特征，那么这个特征本身也是从0递增的，模型学到的可能不是市场规律，而是"第1024天以后都是上涨"，这属于序号泄漏。所以特征集中绝不要放day_idx、code这类与预测目标没有因果关系的ID类变量。处理办法是把它们设为索引而不是特征列。

4. 模型选择与参数调优：从逻辑回归到XGBoost

4.1 基准模型逻辑回归：参数少，能跑通全流程

很多同学一上来就上LSTM，结果训练半天不收敛，连数据预处理对不对都不知道。我的建议是第一个模型用逻辑回归，它解释性强、训练快、不容易过拟合，适合作为毕设的baseline。逻辑回归的本质是学习一组线性权重，对特征做sigmoid映射，在金融这种低信噪比场景下，线性模型往往不比非线性模型差太多，而且权重绝对值可以解释成"特征影响方向"。

from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, precision_score, f1_score model_lr = LogisticRegression(max_iter=1000, C=1.0, random_state=42) model_lr.fit(X_train, y_train) y_pred = model_lr.predict(X_test) print("Accuracy:", accuracy_score(y_test, y_pred)) print("Precision:", precision_score(y_test, y_pred))

这里C=1.0是正则化强度的倒数，C越小正则化越强，防止过拟合。为什么不设C=0.1？因为如果特征没做标准化，逻辑回归收敛可能有问题。先跑一个StandardScaler对特征做Z-score标准化，注意必须用训练集的均值和标准差去变换测试集，不能在全量数据上拟合Scaler。这是另一个高频翻车点。

4.2 随机森林与XGBoost：处理特征重要性和过拟合控制

随机森林是比逻辑回归更上一步的选择，能捕捉非线性关系，还能输出特征重要性。XGBoost在结构化数据上通常比随机森林好一点，但参数多、调参复杂，毕设里不一定需要追求极致精度，把随机森林调好足够拿高分。最关键的两个参数是max_depth和n_estimators，股票数据噪声大，max_depth别超过6，树太深必然过拟合。n_estimators用200左右就行，太多会让训练变慢且收益递减。

from sklearn.ensemble import RandomForestClassifier model_rf = RandomForestClassifier( n_estimators=200, max_depth=6, min_samples_split=20, min_samples_leaf=10, random_state=42, n_jobs=-1 ) model_rf.fit(X_train, y_train) importances = pd.Series(model_rf.feature_importances_, index=all_features) print(importances.sort_values(ascending=False).head(10))

min_samples_split=20和min_samples_leaf=10是控制粒度的关键，金融数据里噪声样本很多，如果叶子节点样本太少，模型会把个别极端行情当成规律。训练结束后看特征重要性前十，通常vol_5、bb_pos、ret_20会排前面，如果出现某个不合理的特征（比如label自己），说明前面构造样本时出了问题。

训练集和验证集不能随机打乱，这对树模型同样成立。验证集的选取要按时间顺序，用"后面20%时间的数据"，而且验证集与训练集之间要有间隔——比如训练集截至2022-06，验证集从2022-07开始，这样可以避免窗口重叠带来的信息泄漏。

4.3 模型输出去做策略：从预测概率到信号

模型输出0/1是分类结果，但真正做回测时要的是概率。predict_proba得到的第二列是"上涨概率"，你可以设定阈值0.5、0.55、0.6，只有概率超过阈值才买入。这样做的原因是，机器学习模型在概率接近0.5时预测价值很低，强行按0/1信号交易会频繁换手，光手续费就吃掉收益。

y_prob = model_rf.predict_proba(X_test)[:, 1] # 只选概率>0.55的持有，其余空仓 position = (y_prob >= 0.55).astype(int) # 模拟收益：第二天真实收益 daily_ret = df_panel["close"].pct_change().shift(-1).iloc[cut_idx:].values strategy_ret = position * daily_ret cum_ret = np.cumprod(1 + strategy_ret)

这里shift(-1)是为了对齐——你在第t天收盘后根据概率决定是否持有第t+1天，不能直接用当天的收益率，否则等于拿当天的涨跌去预测当天的信号，未来函数又回来了。

5. 回测与评估避坑：为什么回测很漂亮实盘就翻车

5.1 坑一：前视偏差——用未来数据做特征

现象：训练集准确率99%，测试集准确率99%，回测曲线一路向北，觉得马上财务自由了。 原因：几乎可以肯定数据泄漏。最常见的泄漏有两处——特征里混入了未来信息，比如时间窗口用了shift(-1)把明天的数据带到今天；或者全局标准化用了测试集的均值/方差。 解决：严格按时间顺序构造特征，只允许用shift(正数)或rolling()；标准化代码写成"在训练集上fit，在测试集上transform"，如下所示：

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 绝对不能重新fit

另外，用一个自动检查函数打印特征的最大值和最小值，如果测试集中出现训练集从未见过的极端值，就要警惕是泄漏还是真实的分布漂移。对于前视偏差，最直接的排查方法是把特征列和未来close放在同一张表里，人工检查几行。

5.2 坑二：涨跌不均衡导致准确率虚高

现象：测试集准确率60%，但实际策略年化收益是负的。再看一列，测试集中有70%的样本标签是0（下跌），模型学成"永远预测下跌"就能拿70%准确率。 原因：样本不平衡。尤其在熊市或震荡市，下跌天数占比高，模型走捷径。 解决：不要只盯准确率，要看precision、recall、F1，更要看策略收益和最大回撤。训练时可以给少数类加权重，逻辑回归里加class_weight='balanced'，随机森林里同样支持。但在金融里，预测上涨本身也是低概率事件，所以更实际的做法是用过采样只对上涨样本做SMOTE，但要谨慎，SMOTE会生成插值的合成样本，打破时间顺序性，毕设里宁可用class_weight，不要合成样本。

5.3 坑三：没有考虑交易成本与滑点

现象：回测年化收益30%，实盘一跑只有8%，扣掉手续费和滑点甚至亏钱。 原因：回测里按收盘价无缝成交，忽略了佣金、印花税、卖出时费用、买卖价差。A股印花税卖出才收，佣金双边万2到万3，最低5元，如果每日调仓，摩擦成本非常高。 解决：回测时必须模拟交易成本，简化的做法是每次买入扣掉0.1%成本、卖出扣掉0.15%成本（含印花税+佣金+滑点）。更准确一点，用"次日开盘价成交"而不是"当日收盘价成交"，因为信号在收盘后才能产生，当天成交是幻想。

fee_buy = 0.001 fee_sell = 0.0015 daily_ret_after_cost = np.where(position_shifted == 1, daily_ret - fee_buy, 0) # 卖出日要先计算持仓收益再扣卖出费 sell_days = (position_shifted == 0) & (position_shifted.shift(1) == 1)

如果毕设里做的是日频信号，建议调仓频率控在一周一次以下，否则成本会吞噬大量收益。这个结论可以放进论文的"交易成本敏感性分析"。

5.4 坑四：参数过拟合到历史区间

现象：在2015-2020年调出的max_depth=8和min_samples_leaf=2在2021年测试集上效果暴跌，但换个区间调参又变好，说明参数只是记住了特定行情的形状。 原因：参数寻优时反复在测试集上试，测试集的信息通过人的肉眼泄漏进了模型选择，这不是模型主动过拟合，而是人工调参过拟合。 解决：用三层时间切割——训练集（2015-2019）、验证集（2020-2021）、测试集（2022-2023）。只在验证集上调参，测试集只跑一次。如果测试集结果不理想，也不要再调了，直接如实写进论文"该模型在样本外失效，说明规律不稳定"，这反而比强行凑一个好结果更显研究素养。终极做法是滚动时间窗：用前5年训练，预测下一年，每一年滚动一次，把多年结果汇总，这才是量化里常用的Walk-Forward分析。

5.5 坑五：幸存者偏差

现象：用今天沪深300的成分股去拉历史数据回测，回测表现好得出奇，但实盘你根本不知道未来谁会被剔除。 原因：沪深300成分股每年调整，表现差的股票被换出，表现好的留下来。用当前成分股倒推历史，相当于自动避开了后来退市和下跌的股票。 解决：最简单的方法是用指数本身的历史点位做回测基准，或者用过去的成分股列表（akshare能取到不同期的成分股，但要慢得多了）。毕设里至少要做一个敏感性说明：把样本换成"某时间点截面前500股市值股票"，观察结果是否稳健。另外，买过的股票退市、停牌、涨跌停无法成交，回测都要考虑，至少把涨停板买入、跌停板卖出的情况设成"当天无法成交，顺延到下一天"。

6. 让毕设拿高分的三个进阶技巧

如果前面的流程都跑通了，这个毕设已经能拿一个不错的分数。但如果想冲优秀，下面三个进阶技巧值得加进去。第一个是Walk-Forward滚动验证。不要只在固定训练集和测试集上跑一次，改成每一年滚动一次：用2015-2019训练，预测2020；再用2016-2020训练，预测2021；以此类推。这样能生成多年连续预测，策略评估更有说服力。代码思路很简单，外面加一个年份循环，里面复用之前的训练和预测逻辑，关键点是每次都要重新fit标准化器和模型，不要偷懒沿用上一次的参数。

第二个是加入风险指标。论文里除了贴准确率，一定要算夏普比率（年化收益/年化波动）、最大回撤、卡玛比率、胜率和盈亏比。这些指标是金融领域通用的评价语言，导师和答辩评委一眼就能看出你是不是懂行。用百分比收益序列算：

def sharpe_ratio(returns, rf=0.02, periods=252): excess = returns - rf / periods return np.sqrt(periods) * excess.mean() / (returns.std() + 1e-8) def max_drawdown(equity_curve): running_max = np.maximum.accumulate(equity_curve) return (equity_curve / running_max - 1).min()

第三个技巧是写文档的时候，把一个"失败实验"单独做一节。比如你试过预测原始收盘价、试过直接把所有特征不做标准化丢进LSTM，结果很差，然后把失败原因分析清楚——非平稳性、噪声过大、窗口信息不足——这恰恰是本课题最难的地方。毕设文档的价值不在"我做出来了完美模型"，而在"我理解了问题边界，并能用实验证据说明为什么某些做法行不通"。这也是我把"高分"定义为"流程完整、评估科学、结论可信"而不是"准确率90%"的原因。

最后，说句个人的血泪经验：做这类题最容易犯的错就是希望在论文里写"准确率90%"，最后为了这个数字去调标签、改阈值、换区间，出来的模型拿去实盘一买就套。真实规律是，日频涨跌预测准确率能稳定超过55%就已经是优秀的模型了，剩下的收益要靠仓位管理和风险控制。把重点放在"预测概率的排序能力"上——高概率样本的收益是否显著高于低概率样本的收益——比追求绝对准确率更有学术价值，也是答辩时最能讲出深度的地方。希望帮到你。

本文还有配套的精品资源，点击获取