简介：这是一套面向高校学生与机器学习入门者的股票预测实战项目，基于Python与sklearn构建，适合用作毕业设计、期末大作业或课程设计的高分参考方案。资源包共14个文件，包含4个py源码脚本、6个xml配置文件、1个csv数据集、1个txt依赖说明及gitignore、iml等工程文件，压缩包约24.25MB，结构清晰，部署简单。代码围绕随机森林等sklearn模型展开，从数据获取、特征处理到模型训练与预测均有完整实现，并配有详细注释，新手也能逐步理解。数据文件与依赖清单齐备，下载后可直接运行调试，省去自行搜集数据与配置环境的时间。目前已有245人学习下载，作者为qq_38140936。对于需要快速搭建股票预测demo、撰写论文实验章节或完成课程作业的读者，这份资源能提供可复用的代码框架与排错思路，帮助在有限时间内产出规范、可展示的成果。

1. 用 sklearn 做股票预测：一份能跑通的代码骨架长什么样

很多人第一次搜「python机器学习基于sklearn模型的股票预测代码+所需数据」，心里想的其实是：有没有一份能直接跑、数据也配齐的代码，让我先看到结果，再回头理解原理。这个诉求很实在，因为股票预测这个场景，光看算法推导容易飘，只有把数据喂进去、模型跑起来、指标打出来，才知道坑在哪。我一般会先搭一个最小可复现的骨架：用公开行情数据，构造几个常见特征，跑通线性回归、随机森林、梯度提升三类 sklearn 模型，最后用均方误差和方向准确率两个指标对比。这套骨架不追求实盘盈利，它的价值在于让你把「数据获取→特征工程→时序切分→训练→评估」整条链路走一遍，后面换数据、换特征、换模型都有地方下手。适合刚学完 sklearn 基础、想找一个完整项目练手的人，也适合做量化策略但想补机器学习环节的开发者。

2. 数据与特征：股票预测的输入到底怎么准备

2.1 行情数据从哪来、要哪些字段

股票预测代码能不能跑，第一道坎不是模型，是数据。常见做法是用公开的日线行情，字段至少包含日期、开盘价、最高价、最低价、收盘价、成交量。如果你手头没有现成 CSV，可以用 pandas 从本地行情文件读，或者用 akshare、tushare 这类库拉取。注意，这里不涉及任何交易接口的实盘对接，只是拿历史数据做离线训练。

我一般会把数据整理成一张宽表，索引是交易日，列是各字段。读进来之后先做三件事：按日期升序排列、检查缺失值、把日期列转成 datetime 类型。顺序错了，后面所有滚动特征都会错位，这是血泪经验。

import pandas as pd import numpy as np # 读取本地行情 CSV，假设列名为 date, open, high, low, close, volume df = pd.read_csv("stock_daily.csv", parse_dates=["date"]) df = df.sort_values("date").reset_index(drop=True) # 缺失值处理：行情数据一般用前向填充，避免直接删行导致时间不连续 df[["open", "high", "low", "close", "volume"]] = ( df[["open", "high", "low", "close", "volume"]].ffill() ) # 去掉仍然缺失的行（通常是数据开头） df = df.dropna().reset_index(drop=True) print(df.head()) print(df.shape)

这段代码的逻辑很直白：先保证时间有序，再处理缺失。参数上，parse_dates把日期列解析成时间类型，ffill是前向填充，适合行情这种连续交易日场景。如果你用的是分钟级数据，缺失处理要更谨慎，因为停牌和休市含义不同。

2.2 特征工程：把价格变成模型能吃的数字

原始价格不能直接喂给模型，因为绝对价格没有可比性，而且不同股票价格量级差异大。常见做法是构造收益率、滚动均值、滚动波动率、成交量变化率这几类特征。收益率用pct_change()，滚动均值用rolling(window).mean()，波动率用滚动标准差。窗口参数我一般从 5、10、20 三个里选，对应一周、两周、一个月。

# 日收益率 df["ret_1"] = df["close"].pct_change() # 滚动均值与波动率 for w in [5, 10, 20]: df[f"ma_{w}"] = df["close"].rolling(w).mean() df[f"vol_{w}"] = df["ret_1"].rolling(w).std() # 成交量变化率 df["vol_chg"] = df["volume"].pct_change() # 预测目标：下一日收益率方向，涨为 1，跌为 0 df["target"] = (df["close"].shift(-1) > df["close"]).astype(int) # 去掉滚动窗口和 shift 产生的空值 df = df.dropna().reset_index(drop=True)

这里有几个参数要留意。rolling(w)的窗口越大，特征越平滑，但滞后越明显；shift(-1)是把明天作为预测目标，训练时不能把今天之后的信息混进来。目标列用方向而不是具体价格，是因为价格回归在股票上极难做准，方向分类至少能看出模型有没有学到东西。

提示：特征构造完一定要检查有没有未来函数。比如用close算的滚动均值，如果窗口包含了当天收盘，而预测目标又是下一日，那当天收盘是已知的，没问题；但如果用shift(-1)后的价格去算特征，就泄露了。

3. 用 sklearn 跑通三类模型：从线性回归到集成树

3.1 时序切分：为什么不能随机打乱

股票数据是典型的时间序列，随机切分会让模型在训练集里看到未来数据，评估结果虚高。正确做法是按时间顺序切，前 80% 做训练，后 20% 做测试。如果你要做交叉验证，也得用TimeSeriesSplit，不能用默认的 KFold。

from sklearn.model_selection import TimeSeriesSplit feature_cols = [c for c in df.columns if c not in ["date", "target"]] X = df[feature_cols].values y = df["target"].values # 按时间顺序切分 split_idx = int(len(df) * 0.8) X_train, X_test = X[:split_idx], X[split_idx:] y_train, y_test = y[:split_idx], y[split_idx:] # 时序交叉验证 tscv = TimeSeriesSplit(n_splits=5) print("训练集样本数:", X_train.shape, "测试集样本数:", X_test.shape)

TimeSeriesSplit的n_splits决定切几折，每折训练集只包含测试集之前的数据。这个参数在样本量少的时候可以调小，比如 3 折，否则每折训练数据太短，模型学不到东西。

3.2 三个基线模型：线性回归、随机森林、梯度提升

sklearn 的好处是接口统一，换模型基本只改一行。我一般先跑逻辑回归做线性基线，再跑随机森林和梯度提升看非线性模型有没有提升。注意，这里说的是分类任务，所以用LogisticRegression而不是LinearRegression。如果你要做价格回归，把目标换成下一日收益率，模型换成Ridge或RandomForestRegressor。

from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline from sklearn.metrics import accuracy_score, f1_score models = { "逻辑回归": Pipeline([ ("scaler", StandardScaler()), ("clf", LogisticRegression(max_iter=1000)) ]), "随机森林": RandomForestClassifier( n_estimators=200, max_depth=5, random_state=42 ), "梯度提升": GradientBoostingClassifier( n_estimators=200, max_depth=3, learning_rate=0.05, random_state=42 ), } for name, model in models.items(): model.fit(X_train, y_train) pred = model.predict(X_test) print(f"{name} 准确率: {accuracy_score(y_test, pred):.4f} " f"F1: {f1_score(y_test, pred):.4f}")

参数上，LogisticRegression的max_iter调大是为了防止不收敛；随机森林的n_estimators是树的数量，200 棵在几千条样本上够用，max_depth限制深度防止过拟合；梯度提升的learning_rate和n_estimators要配合调，学习率小就多跑几轮。标准化只对逻辑回归必要，树模型对量纲不敏感，但放进 Pipeline 里统一处理更省事。

3.3 评估指标：准确率会骗人，要看方向准确率和混淆矩阵

股票涨跌方向如果分布不均，准确率就没意义。比如 70% 的样本是涨，模型全猜涨也有 70% 准确率。所以要看 F1、混淆矩阵，以及单独算涨跌两个方向的表现。

from sklearn.metrics import confusion_matrix, classification_report best_model = models["梯度提升"] pred = best_model.predict(X_test) print(confusion_matrix(y_test, pred)) print(classification_report(y_test, pred, digits=4))

classification_report会给出每个类别的精确率、召回率和 F1。如果跌的召回率很低，说明模型只会猜涨，这种模型实盘没法用。我一般要求两个方向的 F1 都不能太差，否则宁可不用。

4. 避坑与排查：股票预测代码最容易翻车的五个地方

4.1 未来函数：回测很美，实盘就废

现象：训练集和测试集指标都很高，换一段新数据就崩。原因：特征里混入了未来信息，比如用当天收盘算的指标去预测当天方向，或者用shift(-1)后的数据做滚动统计。解决：所有特征只能用当前及之前的数据，目标列才用未来。检查方法是把特征列逐个和日期对齐，看有没有用到shift(-n)且 n 为负的情况。

4.2 数据对齐错误：日期错位一天，结果全变

现象：模型表现忽好忽坏，换数据源就复现不了。原因：不同数据源的日期格式、时区、停牌处理不一致，合并时错位。解决：统一用交易日索引，合并前先sort_values和reset_index，关键步骤打印前后几行核对。我习惯在特征构造后随机抽几天，手工算一遍滚动均值，和代码结果对一下。

4.3 类别不平衡：模型只会猜多数类

现象：准确率看着不错，但混淆矩阵里一个类别几乎没预测对。原因：涨跌样本比例悬殊，模型偏向多数类。解决：用class_weight="balanced"，或者对少数类过采样。注意过采样只能在训练集做，测试集保持原始分布。

4.4 过拟合：训练集 F1 0.9，测试集 0.5

现象：训练指标远高于测试指标。原因：树太深、特征太多、样本太少。解决：限制max_depth，减少n_estimators，加正则化，或者用TimeSeriesSplit做交叉验证看稳定性。我一般先跑一个很浅的模型做基线，再逐步加复杂度，每加一步都看测试指标有没有提升。

4.5 特征量纲与缺失值：标准化和填充顺序搞反

现象：逻辑回归不收敛，或者预测结果全是同一类。原因：先标准化再填充缺失值，导致填充值被缩放；或者树模型遇到 NaN 直接报错。解决：先填充再标准化，Pipeline 里把填充和缩放按顺序排好。sklearn 的SimpleImputer可以放进 Pipeline，但要注意strategy选median还是ffill取决于数据。

5. 把代码变成可复用的实验：参数调优与滚动验证

5.1 用 GridSearchCV 配合 TimeSeriesSplit 调参

单次切分评估波动大，调参要用时序交叉验证。GridSearchCV可以传cv=TimeSeriesSplit(n_splits=5)，这样每组参数都在时间序列上验证。

from sklearn.model_selection import GridSearchCV param_grid = { "n_estimators": [100, 200, 300], "max_depth": [3, 5, 7], "learning_rate": [0.01, 0.05, 0.1], } gs = GridSearchCV( GradientBoostingClassifier(random_state=42), param_grid, cv=TimeSeriesSplit(n_splits=5), scoring="f1", n_jobs=-1, ) gs.fit(X_train, y_train) print("最佳参数:", gs.best_params_) print("最佳分数:", gs.best_score_)

scoring="f1"比准确率更适合不平衡分类。n_jobs=-1用满 CPU，但数据量大时注意内存。调参范围不要一次铺太开，先粗后细，否则跑一晚上出不来结果。

5.2 滚动训练：模拟真实交易中的模型更新

实盘里模型不能一次训练用到底，要定期用新数据重新训练。滚动训练就是每过一段时间，把窗口往前滑，重新拟合。下面是一个简化版，每 60 个交易日重新训练一次，预测接下来 20 天。

def walk_forward(X, y, train_window=500, step=60): results = [] for start in range(0, len(X) - train_window - step, step): train_end = start + train_window test_end = train_end + step X_tr, y_tr = X[start:train_end], y[start:train_end] X_te, y_te = X[train_end:test_end], y[train_end:test_end] model = GradientBoostingClassifier( n_estimators=200, max_depth=3, learning_rate=0.05, random_state=42 ) model.fit(X_tr, y_tr) pred = model.predict(X_te) results.append(accuracy_score(y_te, pred)) return np.mean(results), np.std(results) mean_acc, std_acc = walk_forward(X, y) print(f"滚动验证准确率均值: {mean_acc:.4f} 标准差: {std_acc:.4f}")

train_window是每次训练用的历史长度，step是往前滑的步长。窗口太短模型学不稳，太长又跟不上市场变化。我一般从 500 个交易日开始试，步长取 20 到 60。标准差比均值更重要，标准差大说明模型在不同时间段表现不稳定，实盘风险高。

5.3 特征重要性：看看模型到底在依赖什么

树模型可以输出特征重要性，这一步能帮你发现数据泄露和无效特征。

model = GradientBoostingClassifier( n_estimators=200, max_depth=3, learning_rate=0.05, random_state=42 ) model.fit(X_train, y_train) importances = pd.Series(model.feature_importances_, index=feature_cols) print(importances.sort_values(ascending=False).head(10))

如果某个特征重要性异常高，先怀疑它是不是包含了未来信息。比如vol_chg如果用了当天收盘后的成交量，而预测目标是当天方向，那就是泄露。正常情况，收益率和滚动波动率应该排在前列，但不会一家独大。

5.4 一个具体技巧：用概率输出做阈值调整

分类模型默认阈值 0.5，但股票预测里你可以调阈值来平衡精确率和召回率。比如只在高概率时交易，减少交易次数但提高胜率。

proba = model.predict_proba(X_test)[:, 1] for thresh in [0.5, 0.55, 0.6, 0.65]: pred = (proba >= thresh).astype(int) print(f"阈值 {thresh} 准确率: {accuracy_score(y_test, pred):.4f} " f"F1: {f1_score(y_test, pred):.4f}")

阈值调高，预测为涨的样本变少，精确率可能上升，但召回率下降。具体取多少要看你的策略能承受多少假信号。我一般会画一条阈值和 F1 的曲线，选 F1 最高附近的阈值，而不是死守 0.5。

这套代码骨架我前后改过很多版，最大的教训是：别一上来就堆模型，先把数据对齐和特征构造做扎实，再跑基线，最后才调参。股票预测没有后悔药，未来函数一旦混进去，回测再漂亮也是自欺欺人。希望帮到你。

本文还有配套的精品资源，点击获取