股价预测：LSTM模型表现逊于常规回归模型，求技术指导

算力阿峰

2026-7-14

股价预测LSTM模型优化方案

问题背景

毕业论文聚焦股价预测，采用LSTM结合多技术指标开展研究，但当前常规回归模型表现优于LSTM，怀疑超参数或模型结构存在优化空间。

数据集信息

时间范围：2008年至今的日度数据
目标变量：每日收盘价
特征列表：Open High Low Close Volume BOLL_Middle BOLL_Upper BOLL_Lower MACD CCI ATR EMA_20 MA5 MA10 MTM6 MTM12 ROC SMI WVAD USDX

当前LSTM模型代码

# Reshape the input data to be [samples, timesteps, features]
train_features_reshaped = np.reshape(train_features.values, (train_features.shape[0], 1, train_features.shape[1]))
val_features_reshaped = np.reshape(val_features.values, (val_features.shape[0], 1, val_features.shape[1]))
test_features_reshaped = np.reshape(test_features.values, (test_features.shape[0], 1, test_features.shape[1]))

# Determine the number of features in the input data
num_columns = train_features.shape[1]

# Define your custom learning rate
learning_rate = 0.01

# Initialize the model
model = Sequential()

# First LSTM layer with Dropout regularization
model.add(LSTM(units=100, return_sequences=True, input_shape=(1, num_columns)))
model.add(Dropout(0.2))

# Second LSTM layer with Dropout regularization
model.add(LSTM(units=100, return_sequences=True))
model.add(Dropout(0.2))

# Third LSTM layer with Dropout regularization
model.add(LSTM(units=100))
model.add(Dropout(0.2))

# Fully Connected layer (Dense Layer)
model.add(Dense(units=64, activation='relu'))

# Output layer
model.add(Dense(units=1))

# Compile the model with the custom learning rate
optimizer = Adam(lr=learning_rate)
model.compile(optimizer=optimizer, loss='mse')

# Define the ModelCheckpoint callback to save the best model based on validation loss
checkpoint_callback = ModelCheckpoint('best_model.h5', monitor='val_loss', save_best_only=True, mode='min', verbose=1)

# Train the model and save the training history
history = model.fit(train_features_reshaped, train_target, epochs=35, batch_size=64, 
                    validation_data=(val_features_reshaped, val_target),
                    callbacks=[checkpoint_callback])

# Load the best model based on validation loss
best_model = load_model('best_model.h5')

# Evaluate the best model on the test set
loss = best_model.evaluate(test_features_reshaped, test_target)

# Make predictions using the best model
predictions = best_model.predict(test_features_reshaped)

核心优化建议

1. 修复时间步长设置（关键问题）

当前代码timesteps=1，相当于只用单天特征预测次日收盘价，完全浪费了LSTM处理序列依赖的能力。股价是强时间序列，必须引入过去N天的历史数据：

尝试设置时间步长为7（一周）、14（两周）或30（一月），示例重构代码：

timesteps = 14
def create_sequences(features, target, timesteps):
    X, y = [], []
    for i in range(timesteps, len(features)):
        X.append(features[i-timesteps:i])
        y.append(target[i])
    return np.array(X), np.array(y)

train_features_reshaped, train_target = create_sequences(train_features.values, train_target.values, timesteps)
val_features_reshaped, val_target = create_sequences(val_features.values, val_target.values, timesteps)
test_features_reshaped, test_target = create_sequences(test_features.values, test_target.values, timesteps)

时间步长不宜过大，否则会引入冗余噪声，可通过验证集损失筛选最优值。

2. 超参数精细化调整

学习率优化

当前learning_rate=0.01过高，Adam默认学习率为0.001，过高会导致模型训练震荡，难以收敛到最优解：

优先尝试0.001、0.0005、0.0001这几个常用值；

加入学习率自动调整回调：

from tensorflow.keras.callbacks import ReduceLROnPlateau
lr_scheduler = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5, min_lr=1e-5)
# 训练时加入该回调
history = model.fit(..., callbacks=[checkpoint_callback, lr_scheduler])

LSTM单元与层数调整

当前3层100单元的结构可能冗余或过拟合：

先尝试减少层数（如1-2层），观察验证集表现；
单元数量测试32、64、128三个档位，配合验证集损失筛选最优值。

Dropout策略优化

固定0.2的Dropout比例可调整：

尝试0.1-0.3区间的不同值；

改用recurrent_dropout针对LSTM循环层做正则化（注意会增加训练时间）：

model.add(LSTM(units=64, return_sequences=True, input_shape=(timesteps, num_columns), recurrent_dropout=0.2))

3. 数据预处理强化

特征标准化

股价、成交量等特征数值范围差异极大，LSTM对数据尺度敏感，必须做标准化：

用StandardScaler或MinMaxScaler对特征和目标变量分别处理，注意仅用训练集拟合scaler，验证/测试集复用训练集的scaler，避免数据泄露；
预测后需将标准化的结果反转换回原始尺度，再计算评估指标。

特征筛选

20个特征存在冗余（如MA5与MA10相关性极高）：

计算特征与目标变量的相关性，筛选Top10-15的特征；
用PCA或互信息法降低特征维度，减少噪声干扰。

4. 模型结构升级

加入注意力机制

让LSTM自动关注对预测更重要的时间步：

from tensorflow.keras.layers import Attention, Permute, RepeatVector, Multiply, GlobalAveragePooling1D, Flatten, Activation

# 假设最后一层LSTM是模型的倒数第二层
lstm_output = model.layers[-2].output
# 构建注意力权重
attention = Dense(1, activation='tanh')(lstm_output)
attention = Flatten()(attention)
attention = Activation('softmax')(attention)
attention = RepeatVector(num_columns)(attention)
attention = Permute([2, 1])(attention)
# 加权输出
weighted_output = Multiply()([lstm_output, attention])
weighted_output = GlobalAveragePooling1D()(weighted_output)
# 连接全连接层与输出层
x = Dense(64, activation='relu')(weighted_output)
output = Dense(1)(x)
# 重新定义模型
model = Model(inputs=model.input, outputs=output)

5. 训练策略优化

增加训练轮数+早停

当前35轮训练可能未收敛，配合早停防止过拟合：

from tensorflow.keras.callbacks import EarlyStopping
early_stopping = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)
history = model.fit(..., callbacks=[checkpoint_callback, lr_scheduler, early_stopping])

初始训练轮数可设为100-200，由早停机制自动终止。

调整Batch Size

当前batch_size=64，可尝试32、128，较小的batch_size可能提升泛化性，但训练速度会变慢。

6. 基准对比规范

确保常规回归模型与LSTM使用完全相同的数据集划分、预处理流程，避免因数据差异导致结果偏差；
除MSE外，补充MAE、RMSE、R²等评估指标，LSTM可能在趋势预测上表现更好，即使MSE略高于回归模型。

内容的提问来源于stack exchange，提问作者Samir Benchouk

股价预测：LSTM模型表现逊于常规回归模型，求技术指导

问题背景 #

数据集信息 #

当前LSTM模型代码 #

核心优化建议 #

1. 修复时间步长设置（关键问题） #

2. 超参数精细化调整 #