简介这份资源面向想用BP神经网络做股票价格预测的初学者与进阶开发者提供Python与MATLAB双平台的完整实现思路。压缩包共2个文件包含1个m脚本与1个csv数据文件整体约23KB其中m文件用于读取数据、构建并训练BP网络csv文件则存放开盘价、最高价、最低价、收盘价等历史行情数据便于直接运行与调试。资源围绕数据归一化、训练集与测试集划分、隐藏层节点调参、反向传播权重更新等关键环节展开帮助读者理解如何用非线性模型拟合股票市场的复杂波动。目前已有5767人学习下载适合作为课程设计、毕业项目或自学神经网络的练手案例也可在此基础上替换数据、调整网络结构形成自己的预测实验方案。1. BP神经网络预测股票从收盘价序列到可复现的预测管线用 BP 神经网络预测股票价格是很多人入门时序预测的第一站。它不需要复杂的门控结构一个三层的反向传播网络就能把「过去 N 天收盘价」映射到「下一天收盘价」。但真正跑起来你会发现同样的 python 代码有人 RMSE 0.8有人 RMSE 8差别不在网络本身而在数据怎么切、特征怎么造、归一化怎么做。这篇笔记面向想用 python 或 matlab 把这条链路跑通的从业者先讲清 BP 为什么能拟合价格序列、它的能力边界在哪再给出一份能直接抄的 python 代码最后把归一化泄漏、滞后预测、过拟合这几个高频翻车点拆开讲。读完你应该能自己搭一条从数据到评估的完整管线并知道哪些参数值得调、哪些纯属玄学。2. 先想清楚BP 网络到底在拟合什么2.1 价格序列被当成一个滑动窗口回归问题BP 神经网络本身只是一个多层感知机它不理解时间。要让它在股票价格上工作必须先把时间序列改造成监督学习样本用前lookback天的收盘价作为一个输入向量第lookback1天的收盘价作为标签。这样一条长度为 T 的序列就能切出 T-lookback 个样本。这个改造决定了模型的上限。它假设「未来价格只由过去固定窗口内的价格决定」这在弱有效市场里几乎不成立所以别指望它预测涨跌方向它更擅长的是拟合价格的短期惯性。我一般把目标定位成「给出一个平滑的趋势参考」而不是「预测明天涨还是跌」。常见做法是只用一个特征收盘价但更稳的做法是加入成交量、最高最低价差、简单移动平均等让输入维度从 1 变成 4~6。维度上去了样本相对变少过拟合风险也跟着上去这是后面要反复权衡的点。2.2 隐藏层、激活函数与学习率的选型理由三层结构输入-隐藏-输出足够应付价格回归。隐藏层神经元数量没有理论最优解经验区间是输入维度的 1~3 倍。输入 5 维、窗口 20 天时隐藏层取 32 或 64 都合理取 256 基本就是给过拟合开门。激活函数上隐藏层用tanh比relu更适合价格数据因为归一化后的价格落在 [-1,1]tanh的输出区间天然匹配梯度也不会像relu那样在负半轴直接死掉。输出层必须是线性的回归任务不能加激活。学习率是血泪经验最集中的地方。0.01起步配合 Adam 优化器通常能收敛用 SGD 的话0.001~0.005更稳。学习率太大loss 会震荡甚至发散太小几百轮都不动。判断方法很直接看训练 loss 曲线如果前 50 轮几乎水平就是太小如果上下跳就是太大。2.3 为什么必须做归一化以及用哪种股票价格量纲差异大一只票 5 块另一只 500 块直接喂进网络会让梯度被大数值主导。归一化到 [0,1] 或 [-1,1] 是标配。Min-Max 归一化最常用公式是(x - min) / (max - min)。关键坑在于min和max必须只用训练集算然后拿同一组参数去变换验证集和测试集。如果全量数据一起算 min/max测试集的信息就泄漏进了训练评估结果会虚高实盘直接打脸。这是新手最容易翻车的地方没有之一。3. 用 python 跑通最小可复现管线3.1 数据准备与滑动窗口切分下面这段代码用 pandas 读入一份 CSV列名假设为date, close完成归一化和窗口切分。数据文件请自行准备格式对齐即可。import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler # 读取数据按日期排序 df pd.read_csv(stock.csv, parse_dates[date]).sort_values(date) close df[close].values.reshape(-1, 1) # 按 7:2:1 切分训练/验证/测试先切再归一化避免泄漏 n len(close) train_end int(n * 0.7) val_end int(n * 0.9) scaler MinMaxScaler(feature_range(0, 1)) # 只用训练集拟合 scaler scaler.fit(close[:train_end]) scaled scaler.transform(close) # 用同一参数变换全量 def make_windows(data, lookback): X, y [], [] for i in range(len(data) - lookback): X.append(data[i:i lookback, 0]) y.append(data[i lookback, 0]) return np.array(X), np.array(y) lookback 20 X, y make_windows(scaled, lookback) # 按切分点对齐窗口样本 train_X, train_y X[:train_end - lookback], y[:train_end - lookback] val_X, val_y X[train_end - lookback:val_end - lookback], y[train_end - lookback:val_end - lookback] test_X, test_y X[val_end - lookback:], y[val_end - lookback:] # 给 BP 网络用展平成二维 train_X train_X.reshape(len(train_X), -1) val_X val_X.reshape(len(val_X), -1) test_X test_X.reshape(len(test_X), -1)逻辑说明scaler.fit只吃训练段这是防泄漏的核心。make_windows把一维序列变成(样本数, lookback)的矩阵再展平成(样本数, lookback)喂给全连接层。切分点用train_end - lookback对齐是因为窗口样本比原始点少了lookback个不对齐会导致训练集和验证集重叠。参数说明lookback20对应约一个月交易日适合日频做周频可以调到 8~12。feature_range(0,1)是默认若隐藏层用tanh改成(-1,1)收敛更顺。3.2 搭建 BP 网络并训练用 PyTorch 写一个三层网络结构清晰、便于调参。import torch import torch.nn as nn class BPNet(nn.Module): def __init__(self, input_dim, hidden64): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, hidden), nn.Tanh(), nn.Linear(hidden, hidden // 2), nn.Tanh(), nn.Linear(hidden // 2, 1) # 输出层线性回归任务 ) def forward(self, x): return self.net(x) device cuda if torch.cuda.is_available() else cpu model BPNet(input_dimlookback, hidden64).to(device) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.01) def to_tensor(a): return torch.tensor(a, dtypetorch.float32).to(device) train_X_t, train_y_t to_tensor(train_X), to_tensor(train_y).unsqueeze(1) val_X_t, val_y_t to_tensor(val_X), to_tensor(val_y).unsqueeze(1) best_val float(inf) patience, wait 30, 0 for epoch in range(500): model.train() optimizer.zero_grad() loss criterion(model(train_X_t), train_y_t) loss.backward() optimizer.step() model.eval() with torch.no_grad(): val_loss criterion(model(val_X_t), val_y_t).item() if val_loss best_val: best_val val_loss wait 0 torch.save(model.state_dict(), best.pt) else: wait 1 if wait patience: # 早停防过拟合 print(fearly stop at epoch {epoch}) break逻辑说明两层隐藏层比单层更能拟合非线性但层数再多收益递减。MSELoss是回归标配。早停机制监控验证集 loss连续 30 轮不下降就停这是对抗过拟合最省事的手段。参数说明hidden64是输入维度 20 的 3 倍左右落在经验区间。lr0.01配 Adam 是稳妥起点。patience30可根据数据量调数据少就设小一点。3.3 反归一化与评估指标预测出来的是 [0,1] 的值必须反变换回价格量纲才能算真实误差。model.load_state_dict(torch.load(best.pt)) model.eval() with torch.no_grad(): pred_scaled model(to_tensor(test_X)).cpu().numpy() # 反归一化scaler 是按单列拟合的直接 inverse_transform pred scaler.inverse_transform(pred_scaled) true scaler.inverse_transform(test_y.reshape(-1, 1)) rmse np.sqrt(np.mean((pred - true) ** 2)) mae np.mean(np.abs(pred - true)) # 方向准确率只看涨跌符号是否一致 dir_acc np.mean(np.sign(np.diff(pred.flatten())) np.sign(np.diff(true.flatten()))) print(fRMSE{rmse:.3f}, MAE{mae:.3f}, 方向准确率{dir_acc:.3f})逻辑说明inverse_transform用的是训练集拟合的 scaler保证量纲一致。RMSE 和 MAE 衡量数值拟合方向准确率衡量涨跌判断后者才是交易里真正关心的。注意np.diff会少一个点两个序列要同步处理。参数说明RMSE 没有绝对好坏要和「直接用昨天价格预测今天」的朴素基线比。如果模型 RMSE 还不如朴素基线说明网络没学到东西回去查归一化和窗口切分。4. matlab 版本同一套逻辑的另一种写法4.1 用 timetables 组织数据与窗口matlab 里用timetable管理时间序列更自然配合lagmatrix造滞后特征。% 假设 T 是含 Date 和 Close 两列的 timetable data T.Close; n length(data); trainEnd floor(n * 0.7); valEnd floor(n * 0.9); % 归一化只用训练段拟合 trainMin min(data(1:trainEnd)); trainMax max(data(1:trainEnd)); scaled (data - trainMin) / (trainMax - trainMin); lookback 20; X lagmatrix(scaled, 1:lookback); % 每列是一个滞后 X X(lookback1:end, :); y scaled(lookback1:end); trainX X(1:trainEnd-lookback, :); trainY y(1:trainEnd-lookback); valX X(trainEnd-lookback1:valEnd-lookback, :); valY y(trainEnd-lookback1:valEnd-lookback); testX X(valEnd-lookback1:end, :); testY y(valEnd-lookback1:end);逻辑说明lagmatrix一次性生成 1 到lookback阶滞后比手写循环干净。归一化同样只用训练段算 min/max。matlab 的神经网络工具箱要求样本按列排列所以做了转置。参数说明lookback20与 python 版保持一致方便对比。lagmatrix会产生前lookback行 NaN用lookback1:end切掉。4.2 用 fitnet 训练并设置早停net fitnet([64 32], trainlm); % 两层隐藏层Levenberg-Marquardt net.trainParam.epochs 500; net.trainParam.lr 0.01; net.trainParam.max_fail 30; % 验证失败 30 次即早停 net.divideFcn dividetrain; % 我们自己切好了不让工具箱再分 [net, tr] train(net, trainX, trainY, valX, valY); predScaled net(testX); pred predScaled * (trainMax - trainMin) trainMin; true testY * (trainMax - trainMin) trainMin; rmse sqrt(mean((pred - true).^2)); fprintf(RMSE%.3f\n, rmse);逻辑说明fitnet是 matlab 的前馈网络封装[64 32]表示两层隐藏层。trainlm在小数据集上收敛快但内存占用高数据量大时换trainscg。divideFcndividetrain很关键否则工具箱会自己再切一份验证集和我们手动的切分冲突。参数说明max_fail30对应早停耐心值。lr0.01与 python 对齐。反归一化用训练段的 min/max不能用全量。5. 避坑与排查五个真实翻车点5.1 归一化泄漏导致评估虚高现象测试集 RMSE 低到 0.5实盘一跑误差翻几倍。原因用全量数据算了 min/max测试集的极值信息提前进了训练。解决scaler.fit只吃训练段验证和测试一律transform反归一化也用训练段的参数。这条我踩过不止一次务必在代码里写死。5.2 滞后预测模型只是复制了昨天现象预测曲线和真实曲线几乎重合但整体右移一天。原因价格自相关极强网络学会了「输出约等于输入最后一个值」。解决看方向准确率而不是 RMSE如果方向准确率接近 0.5说明模型没学到增量信息。可以改成预测「收益率」而非「价格」或者加入外部特征打破这种平凡解。5.3 过拟合训练 loss 一路降验证 loss 反弹现象训练 200 轮后训练 loss 接近 0验证 loss 从第 50 轮开始上升。原因隐藏层太大或训练太久网络把训练集噪声也记住了。解决加早停、减小隐藏层、加 dropoutnn.Dropout(0.2)。判断标准是验证 loss 曲线不是训练 loss。5.4 数据频率与 lookback 不匹配现象日频数据用lookback5模型几乎不收敛。原因窗口太短输入信息不足以支撑预测。解决日频一般 10~30周频 4~12月频 3~6。经验是窗口覆盖一个完整的短期周期比如一个月。5.5 随机种子没固定结果不可复现现象同一份代码跑两次RMSE 差 0.3。原因权重初始化、数据打乱都带随机性。解决python 里设torch.manual_seed(42)和np.random.seed(42)matlab 里设rng(42)。做对比实验前先固定种子否则调参就是碰运气。6. 进阶技巧用滚动预测和基线对比验证真实价值单次切分的评估说服力有限因为测试集只有一段。更靠谱的做法是滚动预测walk-forward每次用前一段训练预测下一天然后窗口前移一天重复几十次统计误差分布。这样能看出模型在不同市场阶段的稳定性。def walk_forward(scaled, lookback, train_size, step1): errors [] for start in range(train_size, len(scaled) - lookback, step): train_seg scaled[start - train_size:start] # 每次重新拟合 scaler严格只用当前训练段 s MinMaxScaler().fit(train_seg.reshape(-1, 1)) seg s.transform(scaled[start - train_size:start lookback 1].reshape(-1, 1)) Xw, yw make_windows(seg, lookback) # 这里复用前面的 BPNet 训练流程略去重复代码 # pred 反归一化后与真实值比较记录误差 errors.append(abs(pred_val - true_val)) return np.array(errors)逻辑说明每次滚动都重新拟合 scaler杜绝跨窗口泄漏。train_size决定训练窗口长度一般取 250~500 个交易日。误差序列可以画箱线图看中位数和尾部风险。参数说明step1是逐日滚动计算量大但最真实step5是每周滚动速度快适合快速验证。train_size太小模型不稳太大则对市场变化反应迟钝。另一个必做动作是基线对比。最朴素的基线是「用昨天价格预测今天」如果 BP 网络的 RMSE 打不过它说明这套管线没有实际价值。我一般会同时跑三条线朴素基线、单层 BP、双层 BP用同一份测试集对比。只有稳定超过基线才值得继续投入调参。最后说个习惯每次实验都把 lookback、隐藏层、学习率、种子、RMSE、方向准确率记进一张表跑够 20 组再下结论。凭单次结果调参十有八九是在拟合噪声。希望帮到你。本文还有配套的精品资源点击获取