企业官网建设流程全解析

1. 从"预测股价"这个念头说起：为什么用神经网络逼近收盘均价

很多人第一次接触TensorFlow，脑子里冒出来的第一个"实战项目"就是预测股票价格。这个念头太自然了——手头有历史数据，价格是数字，神经网络擅长拟合数字，那不就正好？我当初也是这么想的，于是就有了这个"用神经网络逼近股票收盘均价"的练习。但真正动手之后才发现，这件事的坑远比想象中多，而它作为TensorFlow入门练习的价值，恰恰不在于"能不能预测准"，而在于它逼着你去理解回归问题、数据预处理、网络结构设计和过拟合判断这几件最基础的事。

先把定位说清楚：这篇内容不是教你炒股，也不是承诺任何预测能力。它是一个TensorFlow基础操作的补充练习，目标是用一个真实感较强的数据集（股票日线数据），把前面学过的张量操作、变量、梯度下降、损失函数这些零散知识点串成一个完整流程。适合已经看过TensorFlow基础教程、能跑通线性回归Demo，但一到自己找数据、自己搭网络就不知道从哪下手的人。如果你连tf.Variable和tf.GradientTape都还没用过，建议先回去补那部分，否则这篇会让你更晕。

我选择"收盘均价"而不是"收盘价"，这里有个小细节值得说。单日收盘价噪声极大，受消息面、情绪面影响，用神经网络去拟合单点几乎必然过拟合。而"均价"（比如5日均线、10日均线）是平滑后的结果，趋势性更强，噪声更小，网络更容易学到"趋势"而不是"随机波动"。这个选择本身就是一次特征工程的决策，也是我想通过这个练习传达的第一个经验：输入和目标的选择，比网络结构更能决定结果。

下面我会按照真实的操作顺序，从数据准备一路讲到模型评估，中间穿插我自己踩过的坑和反复调整的过程。代码基于TensorFlow 2.x，用Keras高层API搭网络，但关键部分会用底层梯度下降再实现一遍，确保你理解每一步在干什么。

2. 数据准备：从原始行情到可训练张量的完整链路

2.1 数据获取与字段选择

真实行情数据通常包含开盘、最高、最低、收盘、成交量、成交额等字段。做收盘均价逼近，我只需要两列：日期和收盘价。日期用来排序和划分训练/测试集，收盘价用来构造特征和目标。

数据来源这里不展开，任何公开的日线数据都可以。假设你已经拿到一个CSV文件，结构大致如下：

date,open,high,low,close,volume 2020-01-02,10.52,10.88,10.41,10.75,1234567 2020-01-03,10.78,10.95,10.60,10.63,987654 ...

读进来之后第一件事是按日期升序排列。很多数据源默认是倒序（最新在前），如果不排序直接切分，训练集里会混入未来数据，造成"未来函数"泄漏，模型评估结果会虚高得离谱。我第一版就犯了这个错，训练损失低到0.001，还高兴了半天，后来发现是数据顺序问题。

import pandas as pd import numpy as np df = pd.read_csv('stock_daily.csv', parse_dates=['date']) df = df.sort_values('date').reset_index(drop=True) close = df['close'].values.astype(np.float32) print(close.shape, close[:5])

2.2 构造"均价"目标：滑动窗口的两种写法

"收盘均价"我定义为未来N日的收盘均值，N取5。也就是说，用今天及之前的信息，去逼近未来5天的平均收盘价。这个定义决定了任务的性质：它是一个多步前瞻的回归，而不是简单的下一日预测。

构造目标有两种写法。第一种用pandas的rolling：

N = 5 target = pd.Series(close).rolling(window=N).mean().shift(-N).values

shift(-N)把均值往前挪，使得第t个样本的目标是t+1到t+N的均值。第二种用numpy循环，更直观但慢：

target = np.full_like(close, np.nan) for i in range(len(close) - N): target[i] = close[i+1:i+1+N].mean()

两种写法结果一致，但要注意末尾N个样本的目标是NaN，必须剔除。同时，如果你还想用历史价格作为特征，那特征侧也会有窗口，需要对齐。我建议统一用pandas处理，索引对齐不容易出错。

2.3 归一化：为什么不能直接喂原始价格

股票价格量纲在几十到几百之间，如果直接输入网络，梯度会非常大，学习率稍微大一点就发散。更麻烦的是，不同股票价格区间不同，同一个网络换一只股票就完全失效。所以归一化是必须的，而且要用训练集的统计量去归一化测试集，不能全量归一化。

我常用的是Min-Max归一化到[0,1]：

train_size = int(len(close) * 0.8) train_close = close[:train_size] test_close = close[train_size:] c_min, c_max = train_close.min(), train_close.max() close_norm = (close - c_min) / (c_max - c_min)

这里有个容易忽略的点：目标值也要用同一套参数归一化。因为目标是从收盘价算出来的，量纲一致，用同一个c_min和c_max即可。预测完之后再反归一化回原始价格，才能和真实值比较。

注意：归一化参数必须保存下来。线上推理时如果重新算min/max，结果会完全错乱。我一般把c_min、c_max存成json，和模型权重放一起。

2.4 特征工程：只用历史收盘价够不够

只用历史收盘价作为特征，网络能学到的信息非常有限。我试过加入以下特征，效果有明显提升：

• 历史收益率：(close[t] - close[t-1]) / close[t-1]，比原始价格更平稳
• 移动平均线：5日、10日、20日均线，作为趋势特征
• 波动率：过去N日收益率的标准差
• 成交量变化率：成交量的对数差分

但特征不是越多越好。我加了一堆技术指标之后，训练集损失降得很低，测试集反而变差，典型的过拟合。最后保留的是过去10日收盘价 + 5日均线 + 10日波动率这三类，维度控制在合理范围。

特征矩阵的构造用滑动窗口：

def make_features(series, window=10): X = [] for i in range(len(series) - window): X.append(series[i:i+window]) return np.array(X, dtype=np.float32)

这样每个样本是一个长度为10的序列，配合后面的全连接网络或一维卷积都行。

3. 网络结构设计：全连接、RNN还是一维卷积

3.1 三种结构的适用场景对比

拿到序列型数据，第一反应可能是上RNN。但在这个任务里，我实际对比了三种结构，结论可能和直觉不同：

我的数据窗口只有10，序列很短，LSTM的优势发挥不出来，反而因为参数量大，在小数据集上过拟合严重。最后我选的是一维卷积 + 全连接的组合：先用卷积提取局部趋势，再用全连接做回归。

3.2 一维卷积层的参数选择

一维卷积的核心参数是卷积核大小和卷积核数量。核大小决定感受野，核数量决定特征通道数。

对于长度为10的序列，核大小取3比较合适，能覆盖3天的局部模式。核数量从16开始试，32、64都试过，32在验证集上最好。步长用1，padding用'same'保持长度不变，方便后面接池化或直接展平。

import tensorflow as tf from tensorflow.keras import layers, models def build_model(input_len): model = models.Sequential([ layers.Input(shape=(input_len, 1)), layers.Conv1D(filters=32, kernel_size=3, padding='same', activation='relu'), layers.MaxPooling1D(pool_size=2), layers.Conv1D(filters=16, kernel_size=3, padding='same', activation='relu'), layers.GlobalAveragePooling1D(), layers.Dense(32, activation='relu'), layers.Dropout(0.2), layers.Dense(1) ]) return model

这里用GlobalAveragePooling1D代替Flatten，参数量更少，抗过拟合更好。Dropout放在全连接之后，比例0.2，再大就欠拟合了。

3.3 输出层为什么不用激活函数

回归任务的输出层不加激活函数，直接线性输出。如果加了sigmoid，输出被限制在[0,1]，反归一化后价格范围受限，遇到极端行情就完全预测不了。我第一版加了sigmoid，结果所有预测值都挤在中间，完全跟不上趋势。

损失函数用MSE（均方误差），优化器用Adam，学习率从1e-3开始。如果损失震荡，降到1e-4；如果下降太慢，升到3e-3。这个任务上1e-3比较稳。

3.4 用底层梯度下降再实现一遍

Keras的model.fit把训练过程封装了，但作为基础练习，我强烈建议用tf.GradientTape手写一遍训练循环，理解每一步：

model = build_model(input_len=10) optimizer = tf.keras.optimizers.Adam(1e-3) loss_fn = tf.keras.losses.MeanSquaredError() @tf.function def train_step(x_batch, y_batch): with tf.GradientTape() as tape: preds = model(x_batch, training=True) loss = loss_fn(y_batch, preds) grads = tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) return loss

手写循环的好处是你能随时打印梯度范数，判断是否梯度消失或爆炸。我实测下来，卷积层的梯度范数在1e-2到1e-1之间比较健康，如果小于1e-4，说明前面层没学到东西，需要检查初始化或学习率。

4. 训练过程中的坑：过拟合、数据泄漏与评估陷阱

4.1 训练集损失下降但验证集上升：过拟合的识别

这是最经典的信号。我第一版训练到第20个epoch时，训练损失0.0008，验证损失0.0035，差距4倍多。这时候继续训练只会让验证损失更差。

应对手段有三个，按优先级排序：

1. 早停（EarlyStopping）：监控验证损失，patience设5，连续5轮不下降就停
2. Dropout：在全连接层加0.2到0.5的Dropout
3. L2正则化：对卷积核和全连接权重加1e-4的L2惩罚

我最后三个都用上了，验证损失从0.0035降到0.0021，提升明显。

callbacks = [ tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True), tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=3) ]

ReduceLROnPlateau在验证损失停滞时自动降学习率，比手动调省事很多。

4.2 数据泄漏：最容易犯又最难发现的错

数据泄漏有三种常见形式，我在这个项目里全踩过：

第一种是归一化泄漏。前面说过，用全量数据的min/max归一化，测试集信息就泄漏到训练里了。正确做法是只用训练集的统计量。

第二种是窗口重叠泄漏。构造特征时，如果训练集和测试集之间有重叠的滑动窗口，测试集的部分信息会出现在训练集中。解决办法是在切分点留一个gap，gap长度等于窗口长度。

第三种是目标泄漏。我的目标是未来5日均值，如果特征里不小心包含了未来信息（比如用了shift(-1)的特征），那就是直接作弊。检查方法是：把特征矩阵和目标矩阵按时间对齐，确保第t个样本的特征只用到t及之前的数据。

我排查泄漏的方法很简单：故意把测试集打乱，如果模型表现依然很好，说明有泄漏。正常情况打乱后表现应该大幅下降。

4.3 评估指标：MSE之外还要看什么

MSE是训练用的损失，但评估时只看MSE会误导。价格量纲下，MSE=0.002听起来很小，但反归一化后可能是几块钱的误差。我建议同时看三个指标：

• MAE（平均绝对误差）：直观反映平均误差多少钱
• MAPE（平均绝对百分比误差）：反映相对误差，跨股票可比
• 方向准确率：预测涨跌方向正确的比例，对交易场景更有意义

def evaluate(y_true, y_pred): mae = np.mean(np.abs(y_true - y_pred)) mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100 direction = np.mean(np.sign(np.diff(y_true)) == np.sign(np.diff(y_pred))) return mae, mape, direction

我实测下来，MAE在0.5元左右，MAPE约3%，方向准确率55%左右。方向准确率只比随机猜（50%）高一点，说明这个任务的预测能力确实有限，不要抱不切实际的期望。

4.4 一个反直觉的发现：简单模型有时更好

我花了很多时间调卷积网络，后来试了一个只有两层全连接的简单模型，测试集MAE居然只差了0.05元。这说明在这个数据量和特征维度下，模型复杂度带来的收益已经很小了，瓶颈在数据本身的信息量。

这个发现让我重新思考：与其堆网络层数，不如花时间做特征工程和数据清洗。后来我加了波动率特征，MAE直接降了0.1元，比调网络结构有效得多。

5. 完整训练脚本与关键参数速查

5.1 端到端脚本结构

把前面的步骤串起来，一个完整的训练脚本包含以下部分：

# 1. 数据读取与排序 # 2. 构造目标（未来5日均值） # 3. 构造特征（过去10日收盘价 + 均线 + 波动率） # 4. 划分训练/验证/测试集（留gap） # 5. 归一化（只用训练集统计量） # 6. 构建模型 # 7. 编译与训练（带早停和降学习率） # 8. 评估与反归一化 # 9. 保存模型和归一化参数

每一步的代码前面都给过，这里重点说划分比例和gap设置。我用的比例是训练70%、验证15%、测试15%。gap长度等于特征窗口（10）+ 目标窗口（5）= 15，确保三个集合之间没有信息重叠。

5.2 关键参数速查表

这些参数不是最优解，但在我测试的数据集上是稳定的起点。你可以在此基础上微调，但每次只调一个参数，否则无法判断哪个改动起了作用。

5.3 模型保存与加载的注意事项

保存模型用model.save('model.h5')，但归一化参数必须单独保存。我一般存一个json：

import json params = {'c_min': float(c_min), 'c_max': float(c_max), 'window': 10, 'target_window': 5} with open('norm_params.json', 'w') as f: json.dump(params, f)

加载时先读参数，再读模型，推理时用同一套参数归一化和反归一化。漏掉这一步，线上结果会和训练时完全对不上。

6. 这个练习真正教会我的几件事

做完这个项目，我对TensorFlow基础操作的理解上了一个台阶，但更重要的是几个认知上的转变。

第一，数据质量决定上限，模型只是逼近上限的工具。我花在数据清洗、特征构造、泄漏排查上的时间，远超调网络结构的时间。一开始我不信，觉得网络够深就能学到一切，后来发现数据里没有的信息，网络再深也变不出来。

第二，评估指标要贴合业务含义。MSE降到0.001不代表模型有用，如果方向准确率只有50%，那它对交易决策毫无价值。选指标之前先问自己：这个任务真正关心什么？

第三，简单方案先跑通，再考虑复杂化。我第一版直接用LSTM，调了两天没调好。后来换成全连接，半小时跑通，有了baseline之后再逐步加卷积、加特征，每一步都有对比。这个顺序不能反。

第四，过拟合不是敌人，是信号。训练损失远低于验证损失，说明模型容量过剩，这时候加正则化或减参数就对了。如果两者都高，那是欠拟合，要加容量或加特征。区分这两种情况，比盲目调参重要得多。

最后分享一个我常用的小技巧：在训练循环里每隔几个epoch打印一次预测值和真实值的对比片段，不要只看损失数字。数字下降但预测曲线完全跟不上趋势的情况太常见了，肉眼看一下能发现很多指标看不出的问题。这个习惯帮我省了大量调参时间。