股神降临，用LSTM预测股票价格

不惑_
613 阅读6分钟

当人工智能遇见金融市场

股票市场如同一个巨大的信息海洋，无数投资者在其中寻找规律。传统分析方法依赖技术指标与基本面数据，但随着人工智能的发展，一种名为 LSTM（长短期记忆网络） 的深度学习模型，正在为预测股票价格提供新的可能性。本文将以苹果公司（AAPL）的股价为例，手把手教你如何在JupyterLab中搭建LSTM模型，并解释其背后的科学逻辑。即使你没有任何编程经验，也能跟随这篇教程理解核心思想。

LSTM为什么适合预测股价？

1.1 时间序列的"记忆困境"

假设你每天记录气温，想预测明天的温度。最直接的方法是参考最近几天的数据，但极端天气（如寒潮）可能与一个月前的天气模式相关。传统模型难以捕捉这种长期依赖关系，而LSTM通过独特的"门控机制"（输入门、遗忘门、输出门），能自主决定记住或遗忘哪些信息。

1.2 股价预测的特殊挑战

股票价格具有高噪声（受突发事件影响）、非平稳性（统计特性随时间变化）和非线性（多个因素复杂交互）的特点。LSTM的优势在于：

  • 能处理时间跨度长的依赖关系
  • 对噪声数据有一定鲁棒性
  • 可自动提取时间序列中的深层特征

1.3 环境准备

首先，确保你已经安装了必要的Python库。你可以使用以下命令来安装所需的库：

pip install numpy pandas matplotlib tensorflow scikit-learn yfinance
  • numpy 和 pandas 用于数据处理。
  • matplotlib 用于数据可视化。
  • tensorflow 是深度学习框架，包含LSTM模型。
  • scikit-learn 用于数据预处理。
  • yfinance 用于获取股票数据。

数据准备

2.1 获取股票数据

我们使用yfinance库获取苹果公司2010-2025年的历史数据。选择收盘价（Close）作为核心指标，因为它反映每日交易最终共识。

import yfinance as yf
data = yf.download('AAPL', start='2010-01-01', end='2025-01-01')

2.2 数据预处理三部曲

  1. 归一化处理：将价格缩放到0-1区间。这能加速模型收敛，避免大数值主导计算。

    from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data[['Close']])

  2. 时间窗口构建：用过去60天的数据预测第61天。这相当于教模型识别"价格走势模式"。

    def create_dataset(data, window=60):
    X, y = [], []
    for i in range(len(data)-window-1):
        X.append(data[i:i+window, 0])
        y.append(data[i+window, 0])
    return np.array(X), np.array(y)

  3. 维度调整：将数据重塑为LSTM需要的三维格式（样本数, 时间步长, 特征数）。

    X_train = X_train.reshape(X_train.shape[0], 60, 1)

构建LSTM模型

3.1 模型架构解析

  • 第一层LSTM：50个神经元，返回完整序列供下一层使用
  • 第二层LSTM：进一步提取特征，仅返回最终输出
  • 全连接层：将输出映射到预测值
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(60, 1)))
model.add(LSTM(50))
model.add(Dense(1))

3.2 模型训练要点

使用Adam优化器和均方误差损失函数：

  • Epochs：遍历数据集的次数，并非越大越好（可能过拟合）
  • Batch Size：每次参数更新使用的样本数，影响训练速度和内存占用
model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, epochs=20, batch_size=64)

四、预测效果可视化：眼见为实

4.1 训练集拟合效果

虽然预测曲线（橙色）能紧跟实际价格（蓝色），但要警惕过拟合——模型可能只是记住了训练数据，而非学习到通用规律。

4.2 未来30天预测

预测结果呈现平缓上升趋势，这反映模型的两个特性：

  1. 对近期趋势的延续性判断
  2. 对噪声的平滑处理能力
# 预测未来30天价格
future_steps = 30
last_60_days = scaled_data[-time_step:]  # 获取最后60天的数据

# 初始化输入（三维结构）
X_test = last_60_days.reshape(1, time_step, 1)  # 形状 (1, 60, 1)

future_predictions = []



for _ in range(future_steps):
    # 预测下一个时间步
    pred = model.predict(X_test)  # 输出形状 (1, 1)
    future_predictions.append(pred[0, 0])
    
    # 调整预测值维度并拼接到输入序列
    pred_3d = pred.reshape(1, 1, 1)  # 调整为 (1, 1, 1)
    X_test = np.concatenate([X_test[:, 1:, :], pred_3d], axis=1)  # 形状保持 (1, 60, 1)

五、理想与现实的差距

5.1 模型的局限性

  • 黑天鹅事件：新冠疫情等突发事件无法预测
  • 市场有效性：公开信息已反映在股价中
  • 交易成本：预测准确率需超过手续费才有利可图

预测未来，不如理解当下

通过实践，我们不仅学会了一个LSTM模型的搭建方法，更重要的是理解到：在金融市场中，预测的终极价值不在于精准猜中价格，而是通过建模过程洞察市场运作的规律。当你在JupyterLab中看到那条蜿蜒的预测曲线时，它不仅是代码运行的产物，更是人类智慧与机器学习的交响乐章。或许真正的投资智慧，就藏在这种人机协作的探索过程中。

（提示：完整代码如下：）

import numpy as np

import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf
from sklearn.preprocessing import MinMaxScaler

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM

# 获取股票数据
ticker = 'AAPL'
data = yf.download(ticker, start='2010-01-01', end='2025-01-01')

# 查看数据
print(data.head())

# 选择收盘价列
df = data[['Close']]

# 可视化收盘价
plt.figure(figsize=(14,5))

plt.plot(df['Close'])

plt.title(f'{ticker} Stock Price')
plt.xlabel('Date')
plt.ylabel('Price (USD)')
plt.show()

# 归一化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(df)

# 查看归一化后的数据
print(scaled_data[:5])

# 创建训练数据集
def create_dataset(data, time_step=60):
    X, y = [], []
    for i in range(len(data) - time_step - 1):
        X.append(data[i:(i + time_step), 0])

        y.append(data[i + time_step, 0])
    return np.array(X), np.array(y)

time_step = 60
X_train, y_train = create_dataset(scaled_data, time_step)


# 重塑输入数据为 [samples, time steps, features]
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)

print(X_train.shape, y_train.shape)

# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(time_step, 1)))
model.add(LSTM(50, return_sequences=False))
model.add(Dense(25))
model.add(Dense(1))

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 查看模型结构
model.summary()


# 训练模型

model.fit(X_train, y_train, batch_size=64, epochs=20)

# 预测训练集
train_predict = model.predict(X_train)

# 反归一化
train_predict = scaler.inverse_transform(train_predict)

y_train = scaler.inverse_transform(y_train.reshape(-1, 1))

# 可视化预测结果
plt.figure(figsize=(14,5))
plt.plot(y_train, label='Actual Price')
plt.plot(train_predict, label='Predicted Price')
plt.title(f'{ticker} Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Price (USD)')
plt.legend()
plt.show()

# 预测未来30天价格
future_steps = 30
last_60_days = scaled_data[-time_step:]  # 获取最后60天的数据

# 初始化输入（三维结构）
X_test = last_60_days.reshape(1, time_step, 1)  # 形状 (1, 60, 1)

future_predictions = []

for _ in range(future_steps):
    # 预测下一个时间步
    pred = model.predict(X_test)  # 输出形状 (1, 1)
    future_predictions.append(pred[0, 0])
    
    # 调整预测值维度并拼接到输入序列
    pred_3d = pred.reshape(1, 1, 1)  # 调整为 (1, 1, 1)
    X_test = np.concatenate([X_test[:, 1:, :], pred_3d], axis=1)  # 形状保持 (1, 60, 1)


# 反归一化
future_predictions = scaler.inverse_transform(np.array(future_predictions).reshape(-1, 1))



# 可视化
plt.figure(figsize=(14,5))
plt.plot(future_predictions, label='Future Predictions')
plt.title(f'{ticker} Future Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Price (USD)')
plt.legend()
plt.show()
avatar
文章
阅读
粉丝