这段时间我把基金净值数据喂给了LSTM模型断断续续调了好几个晚上的参数最后在测试集上看到预测曲线贴着实净值波动的时候确实觉得这玩意儿有点香。先说清楚这个项目到底做了什么用Python抓取某只公开指数基金的日净值数据通过LSTM长短期记忆网络对净值序列做滚动预测输入过去30个交易日的走势输出来来5天的净值区间和趋势。整个过程走了一遍完整的数据清洗、特征工程、模型训练和回测评估最终在测试集上趋势方向的准确率大概在58%~61%之间晃。这东西适合谁看如果你刚开始接触时间序列预测或者想用深度学习折腾一下量化分析甚至只是好奇“基金净值到底能不能用AI猜一猜”都可以读下去。我会把从数据到代码的每个环节都摊开来讲包括我踩过的坑和调参时的观察。提前声明这不是荐基更不构成投资建议纯粹是一次技术实验。1. 为什么选LSTM——基金净值数据没那么简单很多人一开始都会问同一个问题预测净值为什么不直接用线性回归或者ARIMA我当时也是从简单模型开始试的但结果很快就说明了一个事实基金净值数据里藏着非常明显的非线性特征线性模型根本吃不住。1.1 基金净值不是“按套路出牌”的随机游走如果只看净值曲线很多人会觉得“这不就是个时间序列嘛昨天涨了今天大概接着涨”。但实际上基金净值每天的变化背后牵扯着一大堆因素市场情绪、板块轮动、资金申赎、宏观数据发布、突发事件……这些因素的叠加让序列呈现出波动聚集效应——大涨大跌之后往往伴随着更大的波动而平稳时期又相对安静。这种特性在时间序列分析里叫“波动率异方差”简单模型很难刻画。我做了一个很直观的对比直接拿过去5天收益的平均值去预测下一天收益结果在测试集上的方向准确率只有49%左右也就是跟抛硬币差不多。换成线性回归稍微好点勉强到52%还是没什么参考价值。这说明光靠“均值回归”这种朴素假设根本捕捉不到基金净值的真实规律。我甚至把ADF单位根检验也跑了一遍原始净值序列完全不平稳但一阶差分也就是每日收益率就平稳了。这个现象透露了一个关键信息模型应该去学“变化规律”而不是直接记住净值绝对值的大小。1.2 LSTM的门控机制到底在学什么LSTM属于循环神经网络RNN家族和普通前馈网络最大的区别在于它有一个“记忆单元”可以跨时间步传递信息。普通的RNN在序列变长的时候会发生梯度消失也就是早期的信息在反向传播时对参数更新的贡献会指数衰减导致模型“记不住太久以前的事”。LSTM通过三个门控结构解决了这个问题。遗忘门决定过去的记忆哪些该丢掉。对基金来说三个月前的一波大涨可能对明天的走势毫无帮助遗忘门可以学会把这种干扰信息“擦掉”。输入门决定当前时刻的新信息哪些值得写入记忆。比如今天放量上涨这个信号可能在未来几天都值得被记住。输出门决定当前时刻要把记忆中的哪些内容输出给下一层或者最终预测。这三个门在我看来就像是一个有选择性的“情报筛选系统”每一帧市场信息进来网络自己学习是留下、更新还是丢弃。而金融时序最需要的恰恰就是这个能力——同样的市场新闻在不同的宏观环境下含义完全不同。LSTM能给这种复杂性预留了极大的学习空间。生活里的类比就是你记一个老朋友的新电话号码如果不小心记混了你要判断“这个老号码是否还要保留”——遗忘门新号码来了你要决定“这串数字值不值得记”——输入门别人问起电话号码时你还要决定“说新号还是老号”——输出门。LSTM的时间记忆能力本质上就是这个过程。这里我用了两层LSTM堆叠的结构而不是单层原因也很简单单层LSTM对短期趋势的拟合力足够但对稍微长一点的依赖关系建模能力有限两层之后第一层提取局部的时序特征第二层在第一层的输出之上再抽象一层高维特征。但如果堆到三层在我这个只有一千多条日净值样本的数据集上过拟合得非常快训练损失一直降验证损失直接起飞。2. 数据准备与特征工程——九成精力都砸在这里模型能不能出活数据准备占了大头。这句话我原来也觉得是套话真上手之后才发现整个项目里最花时间的不是调参而是把数据从“能跑”变成“跑得好”。2.1 数据获取与清洗净值数据也有“脏”的时候首先要解决的是数据从哪来。我直接从一个公开的第三方数据平台导出了某只沪深300指数基金近5年的日净值存成CSV文件列名包括日期、单位净值、累计净值。一共大概1200多个交易日的记录。拿到数据第一件事不是建模而是检查有没有“坑”。我发现至少三个问题需要处理节假日停牌会导致日期不连续如果用固定步长滑窗取数得先用完整交易日历对齐。基金分红除权会导致单位净值突然出现一个“跳水式下跌”但这个下跌不代表真实亏损所以最好直接用累计净值来建模。偶发的数据缺失比如某一天净值没更新简单做法是向前填充用前一天的净值顶上但如果是连续几天缺失就得考虑是否剔除这段区间。我清洗完之后把原始净值转换成了每日收益率序列这一步非常关键。净值本身是累积量用收益率建模更符合金融直觉。我后面让LSTM预测的其实是收益率或者直接预测未来净值但输入特征全部在收益率维度上做。2.2 特征工程除了净值我到底喂了些什么如果只拿“过去30天的净值”这一个特征丢给LSTM模型也不是不能跑但预测效果的提升空间会被严重限制。我加了几组衍生特征最终的输入维度是7维每只基金都能套用这套方案特征名称计算方式为什么要加日收益率当日净值 - 昨日净值/ 昨日净值核心变量平稳且符合金融直觉5日均线差近5日均值 - 近20日均值捕捉短期与中期趋势的“斜率差”类似移动平均线的金叉死叉逻辑20日波动率近20日收益率标准差刻画市场风险偏好波动率高时往往意味着情绪化交易20日最大回撤近20日累计峰值的最大回撤幅度让模型感知当前处于阶段高点还是回调期5日交易量变化率基金份额变化率或用净值涨跌的5日均值代替近似“资金进出热度”的代理指标月度动量近22个交易日的累计收益率捕捉中期惯性效应相对强弱指标RSI(14)标准RSI计算式刻画超买超卖状态经典技术指标这些特征加进去之后有一个非常直观的变化模型在测试集上的方向准确率从51%左右直接提到了56%以上说明LSTM对多维特征的利用率远超单维特征。2.3 数据分割与归一化最容易翻车的两个细节第一个细节是归一化。很多教程会直接对整个数据集做一个MinMaxScaler再切分训练集和测试集这样做的问题非常严重——测试集的信息被“偷看”了因为归一化的最大最小值是由全量数据计算出来的。这会让模型的评估虚高甚至出现正常场景下完全无法复现的表现。正确的做法是先切分数据再用训练集上的最大最小值去归一化训练集和验证集、测试集。也就是说归一化器一旦在训练集上确定下来就必须原封不动地带到其他数据集上。第二个细节是绝对不能洗牌。普通分类任务里常常用随机打乱数据来增加样本独立性但时间序列完全不能这么干——一旦洗牌前后时序关系就被破坏了模型学到的是“穿越时空”的错乱模式。我按时间顺序切成了80%训练、10%验证、10%测试保证任何一段预测都是基于它之前的全部数据训练出来的结果。滑窗构造样本这一步也值得一提。我用look_back30用过去30个交易日预测forecast_horizon5未来5个交易日滑动步长为1。为什么用30因为30个交易日大约等于6个星期的交易日足够涵盖一个短周期的趋势变化同时也兼顾了样本量——原本1200条序列滑窗之后能生成大约1100条训练样本不会因为look_back太大而损失太多边界数据。3. 模型搭建与训练参数——好模型是“调”出来的接下来进入模型部分。LSTM虽然听起来高大上但网络结构本身并不复杂真正的难点在于把超参数调到一种“既学得到规律、又不至于过拟合”的状态。3.1 网络结构设计两层LSTM加Dropout我的最终结构长这样输入层形状为30, 7分别是滑窗长度和特征数量第一层LSTM128个隐藏单元返回完整序列Dropout层0.2第二层LSTM64个隐藏单元只返回最后一个时间步的输出Dropout层0.2全连接层32个神经元ReLU激活输出层5个神经元对应未来5天的净值预测值这里有一个很多人会搞混的点LSTM层的return_sequences参数。第一层需要设为True因为要输出每个时间步的隐藏状态给下一层LSTM第二层只需要最后一个时间步的结果做预测所以设为False。为什么不加注意力机制我试过在这个小数据集上注意力引入的额外参数反而让模型更容易过拟合收益不明显。当然如果你手头有上万条分钟级数据加注意力是值得考虑的方向。3.2 超参数选择学习率、损失函数和批次大小优化器我直接选了Adam学习率从0.001起步。用Adam是因为它对学习率不敏感、自带适应性调整过程适合我这种初期没有大量算力去细调的场景。损失函数我纠结了一下。一开始用MSE均方误差因为它对异常值敏感能促使模型把数值预测得更准。后来我意识到在基金净值的实际应用里“预测方向和实际方向是否一致”往往比“预测精确到小数点后三位”更重要。但我回头看测试结果MSE训练出来的模型方向准确率反而比用其他损失函数更高这可能是因为数值拟合得足够好之后方向自然就对了。批次大小选了32。这个值很大程度取决于你的样本量我测试过16和6416会让训练过程震荡明显64则收敛太慢。32是个不错的平衡点。最大训练轮次设了200轮但实际训练里很少能跑满200轮因为每次都在大约第50到第80轮之间就因为早停机制被掐掉了。3.3 训练过程控制早停与学习率衰减早停机制是避免过拟合的核心工具。我设定patience15意思是连续15个epoch验证损失没有刷新最小值就终止训练并回滚到验证损失最优的那个权重。为什么设15而不是5因为LSTM训练过程的验证损失本身就有波动太小的patience会误杀训练过程。再配一个ReduceLROnPlateau如果验证损失连续5个epoch不下降学习率就乘以0.5。这种动态调整比一开始就用极小学习率有效得多——前期用较大学习率快速进入最佳区域后期用小学习率精调。我在训练过程中记录了一个很有意思的现象在大概第30个epoch之前训练损失下降得非常快验证损失也同步下降之后训练损失还在缓慢下降但验证损失开始横向震荡这个拐点几乎就是过拟合的起点。早停机制在这里的价值不是“锦上添花”而是实实在在挽救了一个即将崩盘的模型。4. 实操过程与代码实现——把每一步跑通话不多说直接上代码。下面的代码在我的环境里跑通过Python 3.10、TensorFlow 2.13、NumPy、Pandas、Scikit-learn这几个库缺一不可。为了照顾可复现性我把所有关键逻辑拆开解释。4.1 数据准备与特征构造import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler # 读取净值数据假设CSV包含date, nav两列 df pd.read_csv(fund_nav.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 计算日收益率 df[ret] df[nav].pct_change() # 特征工程 df[ma5_diff] df[ret].rolling(5).mean() - df[ret].rolling(20).mean() df[vol20] df[ret].rolling(20).std() df[max_drawdown_20] df[nav].rolling(20).apply( lambda x: x.max() / x.min() - 1, rawTrue ) df[momentum_22] df[ret].rolling(22).sum() df[volume_trend] df[ret].rolling(5).mean() / df[ret].rolling(20).std() # RSI(14) delta df[ret].diff() gain delta.clip(lower0).rolling(14).mean() loss (-delta.clip(upper0)).rolling(14).mean() rs gain / loss df[rsi_14] 100 - (100 / (1 rs)) # 丢掉NaN行后续滑窗所需 df df.replace([np.inf, -np.inf], np.nan).dropna().reset_index(dropTrue) feature_cols [ret, ma5_diff, vol20, max_drawdown_20, momentum_22, volume_trend, rsi_14] data df[feature_cols].values这里有个细节我刚开始没注意后来排错才发现maximum_drawdown原本我用的是从最高点到最低点的回撤但滚动窗口内最高点在最低点之前才合理如果直接算当前净值除以窗口最大值会引入未来信息。所以上面用了x.max() / x.min() - 1表示窗口内从高点到低点的最大跌幅是一个正常的统计量。4.2 构建滑窗数据集def create_sequences(data, look_back30, forecast_horizon5): X, y [], [] for i in range(len(data) - look_back - forecast_horizon 1): X.append(data[i : i look_back]) # 预测未来horizon天的收益率 y.append(data[i look_back : i look_back forecast_horizon, 0]) return np.array(X), np.array(y) X, y create_sequences(data)滑窗构造完成之后X的形状是样本数, 30, 7y的形状是样本数, 5。这里不用把所有特征都预测只预测收益率那一列第一列就够了。你要预测多天输出就是多个值。4.3 切分与归一化train_size int(len(X) * 0.8) val_size int(len(X) * 0.1) X_train, y_train X[:train_size], y[:train_size] X_val, y_val X[train_size:train_size val_size], y[train_size:train_size val_size] X_test, y_test X[train_size val_size:], y[train_size val_size:] # 关键只在训练集上fit归一化器 scaler StandardScaler() # 对每个特征维度做归一化 def scale_reshape(X_data): n_samples X_data.shape[0] flattened X_data.reshape(-1, X_data.shape[2]) transformed scaler.transform(flattened) return transformed.reshape(n_samples, X_data.shape[1], X_data.shape[2]) # 先fit训练集 for i in range(X_train.shape[1]): scaler.partial_fit(X_train[:, i, :]) X_train scale_reshape(X_train) X_val scale_reshape(X_val) X_test scale_reshape(X_test) # y也需要归一化 y_scaler StandardScaler() y_train_scaled y_scaler.fit_transform(y_train) y_val_scaled y_scaler.transform(y_val) y_test_scaled y_scaler.transform(y_test)这个切分方式看起来简单实际上有个相当容易踩的坑你在对X_train做形状变换归一化时如果直接用scaler去处理整个X_train之后又要用它处理X_test那scale_reshape这个函数就必须记住训练集的统计量。我上面用partial_fit在训练集上逐时间步拟合相当于把全部训练数据过了一遍这样得到的均值和方差才真正属于训练集。4.4 LSTM模型搭建from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dropout, Dense from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau model Sequential() model.add(LSTM(128, return_sequencesTrue, input_shape(30, X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(64, return_sequencesFalse)) model.add(Dropout(0.2)) model.add(Dense(32, activationrelu)) model.add(Dense(5)) model.compile(optimizeradam, lossmse, metrics[mae]) model.summary() callbacks [ EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue), ReduceLROnPlateau(monitorval_loss, factor0.5, patience5, min_lr1e-6) ] history model.fit( X_train, y_train_scaled, validation_data(X_val, y_val_scaled), epochs200, batch_size32, callbackscallbacks, verbose1 )LSTM的输入形状一定要确认好第一个维度是样本数第二个维度是时间步30第三个维度是特征数7。很多人报错说维度对不上基本都是第三个维度写错了。4.5 评估与反向预测from sklearn.metrics import mean_absolute_error, mean_squared_error # 预测并逆归一化 pred_scaled model.predict(X_test) pred y_scaler.inverse_transform(pred_scaled) true y_scaler.inverse_transform(y_test_scaled) mae mean_absolute_error(true, pred) rmse np.sqrt(mean_squared_error(true, pred)) # 方向准确率预测收益率方向与真实方向一致的比例 direction_acc np.mean(np.sign(pred[:, 0]) np.sign(true[:, 0])) print(fMAE: {mae:.5f}, RMSE: {rmse:.5f}, 方向准确率: {direction_acc:.2%})最终我在测试集上的MAE大概是0.0086方向准确率在59%左右。这是个什么概念如果无脑预测“明天跟今天一样”方向准确率大概也就50%~52%。能稳定超过55%我个人的判断是模型确实捕捉到了一部分短期动量信息虽然不多但已经比随机强出一截。回看训练时间整个流程在一张普通GPU上大概跑了7分钟CPU的话可能要20~30分钟。如果你不想等可以先把第一层LSTM的单元数改成64效果差距不会太大但训练速度几乎快一倍。5. 常见问题与排查技巧实录真正花时间的从来不是正常流程而是排查那些模型“看起来在训练结果却离谱”的时刻。我把这段时间遇到最多的几个问题整理成了一份排查实录希望你能少走点弯路。5.1 预测曲线“根本没动”像是水平线这是我最早遇到的现象测试集上预测出来的未来5天净值几乎是一条水平线真实净值在上下波动预测值却纹丝不动。排查思路先看训练损失如果训练loss在下降但预测曲线是平的大概率是模型只学到了输入的均值没学到有效波动。这通常是因为滑窗长度太短比如用look_back3或5模型根本看不出来任何趋势。再看看归一化范围如果你用MinMaxScaler直接归一化原始净值而净值本身的绝对数值远大于波动幅度模型只要预测一个接近均值的常数就能获得很小的loss没必要去学波动细节。解决办法是像我一样改用收益率序列或者把归一化后的数据做差分。如果这些都没问题就是学习率太小模型在有限的epoch里还没充分收敛。把学习率从0.0001调回0.001顺便把早停patience稍微放宽到20。5.2 预测净值出现“数值漂移”越预测越离谱有时候单天的预测看起来合理但连续预测多天后误差累积预测净值越走越偏甚至出现负值。这里有两个关键点。第一是收益率序列累积成净值时误差会被指数级放大这是所有收益率预测模型的通病LSTM也不能幸免。第二是特征里如果包含了滚动均值、波动率这些滞后统计量预测时这些统计量本身也是用预测值算出来的误差会二次传染。我的解法是对输出的未来5天收益率做“截断”限制在[-5%, 5%]的合理区间内这虽然有点糙但能有效抑制漂移更严谨的做法是用蒙特卡洛模拟来估计净值区间而不是直接用点预测去累加。5.3 训练损失不降反升或者剧烈震荡典型的梯度爆炸现象。时间序列模型对梯度非常敏感尤其是输入值范围没控制好时更容易出现。排查顺序是这样的确认有没有在y上做归一化如果y的绝对值很大比如直接预测净值100、200这样的量级MSE损失会非常大梯度必然爆炸。如果已经在归一化还在震荡试着加上梯度裁剪。TensorFlow里可以通过optimizertf.keras.optimizers.Adam(clipnorm1.0)来实现。检查输入数据里有没有无穷值。我之前feature engineering时把分母算成0结果出现了一个inf模型直接罢工。5.4 常见问题速查表症状可能原因快速解法预测值为常数归一化方式不对或look_back太小改用收益率序列增大滑窗到30以上训练loss震荡学习率过大或数据有异常值降学习率添加gradient clipping验证loss不断上升过拟合增大Dropout减少LSTM单元数或换小batch换新基金后效果暴跌数据特性不同模型不具备泛化性重新做特征工程至少重训模型预测净值出现负值收益率累积误差对预测收益率做截断处理结尾再聊几句我个人在实际操作中的体会是LSTM预测基金净值这件事难点根本不在网络结构上而在于你愿不愿意花时间去理解数据本身的脾气。数据里哪个特征值得喂给模型、哪些统计量会引入未来信息、归一化边界怎么设才合理这些才是决定上限和下限的地方。代码在网上随便一抓一大把但把数据处理好的人才能让同一个模型出现完全不同的表现。如果你也想上手试试我建议别急着追求复杂的模型先拿一只你比较了解的基金跑通这套基础流程然后每天记录一下模型预测值和真实值之间的差异。过一段时间你会发现你对这个模型的“脾性”越来越熟悉这种手感比任何教程都值钱。这个实验后续还能扩展的方向其实不少把单只基金改成多只基金同时预测利用它们之间的相关性做组合预测换成GRU或者引入注意力机制看对小样本数据集有没有帮助把预测结果接上一层简单的均线策略回测检验方向准确率能不能转化成实际收益。总之先跑通再谈优化这个顺序别乱了。 
长河君 · 2026/10/17 6:59:47 · 阅读 1.2k LSTM预测基金净值：从数据清洗到时间序列建模的完整实战
这段时间我把基金净值数据喂给了LSTM模型断断续续调了好几个晚上的参数最后在测试集上看到预测曲线贴着实净值波动的时候确实觉得这玩意儿有点香。先说清楚这个项目到底做了什么用Python抓取某只公开指数基金的日净值数据通过LSTM长短期记忆网络对净值序列做滚动预测输入过去30个交易日的走势输出来来5天的净值区间和趋势。整个过程走了一遍完整的数据清洗、特征工程、模型训练和回测评估最终在测试集上趋势方向的准确率大概在58%~61%之间晃。这东西适合谁看如果你刚开始接触时间序列预测或者想用深度学习折腾一下量化分析甚至只是好奇“基金净值到底能不能用AI猜一猜”都可以读下去。我会把从数据到代码的每个环节都摊开来讲包括我踩过的坑和调参时的观察。提前声明这不是荐基更不构成投资建议纯粹是一次技术实验。1. 为什么选LSTM——基金净值数据没那么简单很多人一开始都会问同一个问题预测净值为什么不直接用线性回归或者ARIMA我当时也是从简单模型开始试的但结果很快就说明了一个事实基金净值数据里藏着非常明显的非线性特征线性模型根本吃不住。1.1 基金净值不是“按套路出牌”的随机游走如果只看净值曲线很多人会觉得“这不就是个时间序列嘛昨天涨了今天大概接着涨”。但实际上基金净值每天的变化背后牵扯着一大堆因素市场情绪、板块轮动、资金申赎、宏观数据发布、突发事件……这些因素的叠加让序列呈现出波动聚集效应——大涨大跌之后往往伴随着更大的波动而平稳时期又相对安静。这种特性在时间序列分析里叫“波动率异方差”简单模型很难刻画。我做了一个很直观的对比直接拿过去5天收益的平均值去预测下一天收益结果在测试集上的方向准确率只有49%左右也就是跟抛硬币差不多。换成线性回归稍微好点勉强到52%还是没什么参考价值。这说明光靠“均值回归”这种朴素假设根本捕捉不到基金净值的真实规律。我甚至把ADF单位根检验也跑了一遍原始净值序列完全不平稳但一阶差分也就是每日收益率就平稳了。这个现象透露了一个关键信息模型应该去学“变化规律”而不是直接记住净值绝对值的大小。1.2 LSTM的门控机制到底在学什么LSTM属于循环神经网络RNN家族和普通前馈网络最大的区别在于它有一个“记忆单元”可以跨时间步传递信息。普通的RNN在序列变长的时候会发生梯度消失也就是早期的信息在反向传播时对参数更新的贡献会指数衰减导致模型“记不住太久以前的事”。LSTM通过三个门控结构解决了这个问题。遗忘门决定过去的记忆哪些该丢掉。对基金来说三个月前的一波大涨可能对明天的走势毫无帮助遗忘门可以学会把这种干扰信息“擦掉”。输入门决定当前时刻的新信息哪些值得写入记忆。比如今天放量上涨这个信号可能在未来几天都值得被记住。输出门决定当前时刻要把记忆中的哪些内容输出给下一层或者最终预测。这三个门在我看来就像是一个有选择性的“情报筛选系统”每一帧市场信息进来网络自己学习是留下、更新还是丢弃。而金融时序最需要的恰恰就是这个能力——同样的市场新闻在不同的宏观环境下含义完全不同。LSTM能给这种复杂性预留了极大的学习空间。生活里的类比就是你记一个老朋友的新电话号码如果不小心记混了你要判断“这个老号码是否还要保留”——遗忘门新号码来了你要决定“这串数字值不值得记”——输入门别人问起电话号码时你还要决定“说新号还是老号”——输出门。LSTM的时间记忆能力本质上就是这个过程。这里我用了两层LSTM堆叠的结构而不是单层原因也很简单单层LSTM对短期趋势的拟合力足够但对稍微长一点的依赖关系建模能力有限两层之后第一层提取局部的时序特征第二层在第一层的输出之上再抽象一层高维特征。但如果堆到三层在我这个只有一千多条日净值样本的数据集上过拟合得非常快训练损失一直降验证损失直接起飞。2. 数据准备与特征工程——九成精力都砸在这里模型能不能出活数据准备占了大头。这句话我原来也觉得是套话真上手之后才发现整个项目里最花时间的不是调参而是把数据从“能跑”变成“跑得好”。2.1 数据获取与清洗净值数据也有“脏”的时候首先要解决的是数据从哪来。我直接从一个公开的第三方数据平台导出了某只沪深300指数基金近5年的日净值存成CSV文件列名包括日期、单位净值、累计净值。一共大概1200多个交易日的记录。拿到数据第一件事不是建模而是检查有没有“坑”。我发现至少三个问题需要处理节假日停牌会导致日期不连续如果用固定步长滑窗取数得先用完整交易日历对齐。基金分红除权会导致单位净值突然出现一个“跳水式下跌”但这个下跌不代表真实亏损所以最好直接用累计净值来建模。偶发的数据缺失比如某一天净值没更新简单做法是向前填充用前一天的净值顶上但如果是连续几天缺失就得考虑是否剔除这段区间。我清洗完之后把原始净值转换成了每日收益率序列这一步非常关键。净值本身是累积量用收益率建模更符合金融直觉。我后面让LSTM预测的其实是收益率或者直接预测未来净值但输入特征全部在收益率维度上做。2.2 特征工程除了净值我到底喂了些什么如果只拿“过去30天的净值”这一个特征丢给LSTM模型也不是不能跑但预测效果的提升空间会被严重限制。我加了几组衍生特征最终的输入维度是7维每只基金都能套用这套方案特征名称计算方式为什么要加日收益率当日净值 - 昨日净值/ 昨日净值核心变量平稳且符合金融直觉5日均线差近5日均值 - 近20日均值捕捉短期与中期趋势的“斜率差”类似移动平均线的金叉死叉逻辑20日波动率近20日收益率标准差刻画市场风险偏好波动率高时往往意味着情绪化交易20日最大回撤近20日累计峰值的最大回撤幅度让模型感知当前处于阶段高点还是回调期5日交易量变化率基金份额变化率或用净值涨跌的5日均值代替近似“资金进出热度”的代理指标月度动量近22个交易日的累计收益率捕捉中期惯性效应相对强弱指标RSI(14)标准RSI计算式刻画超买超卖状态经典技术指标这些特征加进去之后有一个非常直观的变化模型在测试集上的方向准确率从51%左右直接提到了56%以上说明LSTM对多维特征的利用率远超单维特征。2.3 数据分割与归一化最容易翻车的两个细节第一个细节是归一化。很多教程会直接对整个数据集做一个MinMaxScaler再切分训练集和测试集这样做的问题非常严重——测试集的信息被“偷看”了因为归一化的最大最小值是由全量数据计算出来的。这会让模型的评估虚高甚至出现正常场景下完全无法复现的表现。正确的做法是先切分数据再用训练集上的最大最小值去归一化训练集和验证集、测试集。也就是说归一化器一旦在训练集上确定下来就必须原封不动地带到其他数据集上。第二个细节是绝对不能洗牌。普通分类任务里常常用随机打乱数据来增加样本独立性但时间序列完全不能这么干——一旦洗牌前后时序关系就被破坏了模型学到的是“穿越时空”的错乱模式。我按时间顺序切成了80%训练、10%验证、10%测试保证任何一段预测都是基于它之前的全部数据训练出来的结果。滑窗构造样本这一步也值得一提。我用look_back30用过去30个交易日预测forecast_horizon5未来5个交易日滑动步长为1。为什么用30因为30个交易日大约等于6个星期的交易日足够涵盖一个短周期的趋势变化同时也兼顾了样本量——原本1200条序列滑窗之后能生成大约1100条训练样本不会因为look_back太大而损失太多边界数据。3. 模型搭建与训练参数——好模型是“调”出来的接下来进入模型部分。LSTM虽然听起来高大上但网络结构本身并不复杂真正的难点在于把超参数调到一种“既学得到规律、又不至于过拟合”的状态。3.1 网络结构设计两层LSTM加Dropout我的最终结构长这样输入层形状为30, 7分别是滑窗长度和特征数量第一层LSTM128个隐藏单元返回完整序列Dropout层0.2第二层LSTM64个隐藏单元只返回最后一个时间步的输出Dropout层0.2全连接层32个神经元ReLU激活输出层5个神经元对应未来5天的净值预测值这里有一个很多人会搞混的点LSTM层的return_sequences参数。第一层需要设为True因为要输出每个时间步的隐藏状态给下一层LSTM第二层只需要最后一个时间步的结果做预测所以设为False。为什么不加注意力机制我试过在这个小数据集上注意力引入的额外参数反而让模型更容易过拟合收益不明显。当然如果你手头有上万条分钟级数据加注意力是值得考虑的方向。3.2 超参数选择学习率、损失函数和批次大小优化器我直接选了Adam学习率从0.001起步。用Adam是因为它对学习率不敏感、自带适应性调整过程适合我这种初期没有大量算力去细调的场景。损失函数我纠结了一下。一开始用MSE均方误差因为它对异常值敏感能促使模型把数值预测得更准。后来我意识到在基金净值的实际应用里“预测方向和实际方向是否一致”往往比“预测精确到小数点后三位”更重要。但我回头看测试结果MSE训练出来的模型方向准确率反而比用其他损失函数更高这可能是因为数值拟合得足够好之后方向自然就对了。批次大小选了32。这个值很大程度取决于你的样本量我测试过16和6416会让训练过程震荡明显64则收敛太慢。32是个不错的平衡点。最大训练轮次设了200轮但实际训练里很少能跑满200轮因为每次都在大约第50到第80轮之间就因为早停机制被掐掉了。3.3 训练过程控制早停与学习率衰减早停机制是避免过拟合的核心工具。我设定patience15意思是连续15个epoch验证损失没有刷新最小值就终止训练并回滚到验证损失最优的那个权重。为什么设15而不是5因为LSTM训练过程的验证损失本身就有波动太小的patience会误杀训练过程。再配一个ReduceLROnPlateau如果验证损失连续5个epoch不下降学习率就乘以0.5。这种动态调整比一开始就用极小学习率有效得多——前期用较大学习率快速进入最佳区域后期用小学习率精调。我在训练过程中记录了一个很有意思的现象在大概第30个epoch之前训练损失下降得非常快验证损失也同步下降之后训练损失还在缓慢下降但验证损失开始横向震荡这个拐点几乎就是过拟合的起点。早停机制在这里的价值不是“锦上添花”而是实实在在挽救了一个即将崩盘的模型。4. 实操过程与代码实现——把每一步跑通话不多说直接上代码。下面的代码在我的环境里跑通过Python 3.10、TensorFlow 2.13、NumPy、Pandas、Scikit-learn这几个库缺一不可。为了照顾可复现性我把所有关键逻辑拆开解释。4.1 数据准备与特征构造import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler # 读取净值数据假设CSV包含date, nav两列 df pd.read_csv(fund_nav.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 计算日收益率 df[ret] df[nav].pct_change() # 特征工程 df[ma5_diff] df[ret].rolling(5).mean() - df[ret].rolling(20).mean() df[vol20] df[ret].rolling(20).std() df[max_drawdown_20] df[nav].rolling(20).apply( lambda x: x.max() / x.min() - 1, rawTrue ) df[momentum_22] df[ret].rolling(22).sum() df[volume_trend] df[ret].rolling(5).mean() / df[ret].rolling(20).std() # RSI(14) delta df[ret].diff() gain delta.clip(lower0).rolling(14).mean() loss (-delta.clip(upper0)).rolling(14).mean() rs gain / loss df[rsi_14] 100 - (100 / (1 rs)) # 丢掉NaN行后续滑窗所需 df df.replace([np.inf, -np.inf], np.nan).dropna().reset_index(dropTrue) feature_cols [ret, ma5_diff, vol20, max_drawdown_20, momentum_22, volume_trend, rsi_14] data df[feature_cols].values这里有个细节我刚开始没注意后来排错才发现maximum_drawdown原本我用的是从最高点到最低点的回撤但滚动窗口内最高点在最低点之前才合理如果直接算当前净值除以窗口最大值会引入未来信息。所以上面用了x.max() / x.min() - 1表示窗口内从高点到低点的最大跌幅是一个正常的统计量。4.2 构建滑窗数据集def create_sequences(data, look_back30, forecast_horizon5): X, y [], [] for i in range(len(data) - look_back - forecast_horizon 1): X.append(data[i : i look_back]) # 预测未来horizon天的收益率 y.append(data[i look_back : i look_back forecast_horizon, 0]) return np.array(X), np.array(y) X, y create_sequences(data)滑窗构造完成之后X的形状是样本数, 30, 7y的形状是样本数, 5。这里不用把所有特征都预测只预测收益率那一列第一列就够了。你要预测多天输出就是多个值。4.3 切分与归一化train_size int(len(X) * 0.8) val_size int(len(X) * 0.1) X_train, y_train X[:train_size], y[:train_size] X_val, y_val X[train_size:train_size val_size], y[train_size:train_size val_size] X_test, y_test X[train_size val_size:], y[train_size val_size:] # 关键只在训练集上fit归一化器 scaler StandardScaler() # 对每个特征维度做归一化 def scale_reshape(X_data): n_samples X_data.shape[0] flattened X_data.reshape(-1, X_data.shape[2]) transformed scaler.transform(flattened) return transformed.reshape(n_samples, X_data.shape[1], X_data.shape[2]) # 先fit训练集 for i in range(X_train.shape[1]): scaler.partial_fit(X_train[:, i, :]) X_train scale_reshape(X_train) X_val scale_reshape(X_val) X_test scale_reshape(X_test) # y也需要归一化 y_scaler StandardScaler() y_train_scaled y_scaler.fit_transform(y_train) y_val_scaled y_scaler.transform(y_val) y_test_scaled y_scaler.transform(y_test)这个切分方式看起来简单实际上有个相当容易踩的坑你在对X_train做形状变换归一化时如果直接用scaler去处理整个X_train之后又要用它处理X_test那scale_reshape这个函数就必须记住训练集的统计量。我上面用partial_fit在训练集上逐时间步拟合相当于把全部训练数据过了一遍这样得到的均值和方差才真正属于训练集。4.4 LSTM模型搭建from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dropout, Dense from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau model Sequential() model.add(LSTM(128, return_sequencesTrue, input_shape(30, X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(64, return_sequencesFalse)) model.add(Dropout(0.2)) model.add(Dense(32, activationrelu)) model.add(Dense(5)) model.compile(optimizeradam, lossmse, metrics[mae]) model.summary() callbacks [ EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue), ReduceLROnPlateau(monitorval_loss, factor0.5, patience5, min_lr1e-6) ] history model.fit( X_train, y_train_scaled, validation_data(X_val, y_val_scaled), epochs200, batch_size32, callbackscallbacks, verbose1 )LSTM的输入形状一定要确认好第一个维度是样本数第二个维度是时间步30第三个维度是特征数7。很多人报错说维度对不上基本都是第三个维度写错了。4.5 评估与反向预测from sklearn.metrics import mean_absolute_error, mean_squared_error # 预测并逆归一化 pred_scaled model.predict(X_test) pred y_scaler.inverse_transform(pred_scaled) true y_scaler.inverse_transform(y_test_scaled) mae mean_absolute_error(true, pred) rmse np.sqrt(mean_squared_error(true, pred)) # 方向准确率预测收益率方向与真实方向一致的比例 direction_acc np.mean(np.sign(pred[:, 0]) np.sign(true[:, 0])) print(fMAE: {mae:.5f}, RMSE: {rmse:.5f}, 方向准确率: {direction_acc:.2%})最终我在测试集上的MAE大概是0.0086方向准确率在59%左右。这是个什么概念如果无脑预测“明天跟今天一样”方向准确率大概也就50%~52%。能稳定超过55%我个人的判断是模型确实捕捉到了一部分短期动量信息虽然不多但已经比随机强出一截。回看训练时间整个流程在一张普通GPU上大概跑了7分钟CPU的话可能要20~30分钟。如果你不想等可以先把第一层LSTM的单元数改成64效果差距不会太大但训练速度几乎快一倍。5. 常见问题与排查技巧实录真正花时间的从来不是正常流程而是排查那些模型“看起来在训练结果却离谱”的时刻。我把这段时间遇到最多的几个问题整理成了一份排查实录希望你能少走点弯路。5.1 预测曲线“根本没动”像是水平线这是我最早遇到的现象测试集上预测出来的未来5天净值几乎是一条水平线真实净值在上下波动预测值却纹丝不动。排查思路先看训练损失如果训练loss在下降但预测曲线是平的大概率是模型只学到了输入的均值没学到有效波动。这通常是因为滑窗长度太短比如用look_back3或5模型根本看不出来任何趋势。再看看归一化范围如果你用MinMaxScaler直接归一化原始净值而净值本身的绝对数值远大于波动幅度模型只要预测一个接近均值的常数就能获得很小的loss没必要去学波动细节。解决办法是像我一样改用收益率序列或者把归一化后的数据做差分。如果这些都没问题就是学习率太小模型在有限的epoch里还没充分收敛。把学习率从0.0001调回0.001顺便把早停patience稍微放宽到20。5.2 预测净值出现“数值漂移”越预测越离谱有时候单天的预测看起来合理但连续预测多天后误差累积预测净值越走越偏甚至出现负值。这里有两个关键点。第一是收益率序列累积成净值时误差会被指数级放大这是所有收益率预测模型的通病LSTM也不能幸免。第二是特征里如果包含了滚动均值、波动率这些滞后统计量预测时这些统计量本身也是用预测值算出来的误差会二次传染。我的解法是对输出的未来5天收益率做“截断”限制在[-5%, 5%]的合理区间内这虽然有点糙但能有效抑制漂移更严谨的做法是用蒙特卡洛模拟来估计净值区间而不是直接用点预测去累加。5.3 训练损失不降反升或者剧烈震荡典型的梯度爆炸现象。时间序列模型对梯度非常敏感尤其是输入值范围没控制好时更容易出现。排查顺序是这样的确认有没有在y上做归一化如果y的绝对值很大比如直接预测净值100、200这样的量级MSE损失会非常大梯度必然爆炸。如果已经在归一化还在震荡试着加上梯度裁剪。TensorFlow里可以通过optimizertf.keras.optimizers.Adam(clipnorm1.0)来实现。检查输入数据里有没有无穷值。我之前feature engineering时把分母算成0结果出现了一个inf模型直接罢工。5.4 常见问题速查表症状可能原因快速解法预测值为常数归一化方式不对或look_back太小改用收益率序列增大滑窗到30以上训练loss震荡学习率过大或数据有异常值降学习率添加gradient clipping验证loss不断上升过拟合增大Dropout减少LSTM单元数或换小batch换新基金后效果暴跌数据特性不同模型不具备泛化性重新做特征工程至少重训模型预测净值出现负值收益率累积误差对预测收益率做截断处理结尾再聊几句我个人在实际操作中的体会是LSTM预测基金净值这件事难点根本不在网络结构上而在于你愿不愿意花时间去理解数据本身的脾气。数据里哪个特征值得喂给模型、哪些统计量会引入未来信息、归一化边界怎么设才合理这些才是决定上限和下限的地方。代码在网上随便一抓一大把但把数据处理好的人才能让同一个模型出现完全不同的表现。如果你也想上手试试我建议别急着追求复杂的模型先拿一只你比较了解的基金跑通这套基础流程然后每天记录一下模型预测值和真实值之间的差异。过一段时间你会发现你对这个模型的“脾性”越来越熟悉这种手感比任何教程都值钱。这个实验后续还能扩展的方向其实不少把单只基金改成多只基金同时预测利用它们之间的相关性做组合预测换成GRU或者引入注意力机制看对小样本数据集有没有帮助把预测结果接上一层简单的均线策略回测检验方向准确率能不能转化成实际收益。总之先跑通再谈优化这个顺序别乱了。