如何基于TensorFlow实现股票涨跌/价格预测及解读预测代码

一、你的训练代码说明 #

你写的这段TensorFlow代码，核心是用过去10天的股票特征（开盘/最高/最低/收盘价、成交量），预测10天后股价是否上涨的二分类模型，代码如下：

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.layers import Input, LSTM, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

df = pd.read_csv('....csv')

input_data = df[['open', 'high', 'low', 'close', 'volume']].values
targets = df['Return'].values

T = 10
D = input_data.shape[1]
N = len(input_data) - T 

Ntrain = len(input_data) * 2 // 3
scaler = StandardScaler()
scaler.fit(input_data[:Ntrain + T - 1])
input_data = scaler.transform(input_data)

X_train = np.zeros((Ntrain, T, D))
Y_train = np.zeros(Ntrain)

for t in range(Ntrain):
  X_train[t, :, :] = input_data[t:t+T]
  Y_train[t] = (targets[t+T] > 0)

X_test = np.zeros((N - Ntrain, T, D))
Y_test = np.zeros(N - Ntrain)

for u in range(N - Ntrain):
  t = u + Ntrain
  X_test[u, :, :] = input_data[t:t+T]
  Y_test[u] = (targets[t+T] > 0)

i = Input(shape=(T, D))
x = LSTM(50)(i)
x = Dense(1, activation='sigmoid')(x)
model = Model(i, x)
model.compile(
  loss='binary_crossentropy',
  optimizer=Adam(lr=0.001),
  metrics=['accuracy'],
)

r = model.fit(
  X_train, Y_train,
  batch_size=32,
  epochs=300,
  validation_data=(X_test, Y_test),
)

二、模型的两种使用方向 #

1. 涨跌判断（当前模型的核心能力） #

当前模型是二分类模型，最后一层用sigmoid激活，输出的是「10天后股价上涨的概率」（范围0-1），判断逻辑很直接：

• 当预测概率>0.5时，判定为上涨；
• 当预测概率≤0.5时，判定为下跌。

2. 股价预测（需修改模型） #

当前模型只能预测涨跌方向，不能直接预测股价数值。如果要做股价预测，需要调整3个地方：

• 把目标targets改成t+T时刻的收盘价（或你想预测的具体价格）；
• 最后一层去掉sigmoid激活，改用activation='linear'；
• 损失函数换成loss='mse'（均方误差，回归任务的常用损失）。

三、你写的预测代码逻辑拆解 #

先看你的预测代码：

outputs = model.predict(X_test)
print(outputs.shape)
predictions = outputs[:,0]

plt.plot(Y_test, label='targets')
plt.plot(predictions, label='predictions')
plt.legend()
plt.show()

逐行解释：

• outputs = model.predict(X_test)：用训练好的模型对测试集做预测，X_test里是每组「过去10天的特征数据」，输出的是每个样本对应的「上涨概率」，形状为(测试样本数, 1)（因为最后一层只有1个神经元）。
• print(outputs.shape)：打印输出的维度，方便确认结果格式，比如测试集有100个样本的话，形状就是(100, 1)。
• predictions = outputs[:,0]：把二维数组转换成一维数组，方便后续绘图，比如把[[0.6], [0.3], ...]变成[0.6, 0.3, ...]。
• 绘图部分：把真实涨跌标签（Y_test，1代表涨，0代表跌）和预测的上涨概率画在一起，直观对比模型预测和真实情况的趋势匹配度。

四、正确的预测操作步骤 #

1. 对测试集做涨跌判断并验证效果 #

在你现有代码基础上，增加涨跌判断和准确率计算：

import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score

outputs = model.predict(X_test)
predictions = outputs[:,0]

# 生成涨跌判断结果（1=涨，0=跌）
predicted_up = (predictions > 0.5).astype(int)

# 计算测试集准确率
acc = accuracy_score(Y_test, predicted_up)
print(f"测试集准确率：{acc:.2f}")

# 查看前10个样本的预测与真实值
print("真实涨跌：", Y_test[:10])
print("预测涨跌：", predicted_up[:10])

# 绘图对比
plt.plot(Y_test, label='真实涨跌', alpha=0.5)
plt.plot(predictions, label='上涨概率', alpha=0.5)
plt.plot(predicted_up, label='预测涨跌', linestyle='--')
plt.legend()
plt.show()

2. 对新数据做实时涨跌预测 #

如果要对未见过的新股票数据做预测，必须遵循和训练时一致的预处理步骤（不能重新训练标准化器）：

# 假设new_data是新的股票数据，包含['open', 'high', 'low', 'close', 'volume']列
new_input = new_data[['open', 'high', 'low', 'close', 'volume']].values
# 用训练时的scaler做标准化（必须用同一个！）
new_input_scaled = scaler.transform(new_input)

# 取最后10天的数据作为输入，预测下一天涨跌
if len(new_input_scaled) >= T:
    # 转换成模型需要的形状：(1, 10, 5)
    X_new = new_input_scaled[-T:].reshape(1, T, D)
    pred_prob = model.predict(X_new)[0][0]
    if pred_prob > 0.5:
        print(f"预测上涨，概率：{pred_prob:.2f}")
    else:
        print(f"预测下跌，概率：{pred_prob:.2f}")
else:
    print("数据不足，需要至少10天的特征数据")

内容的提问来源于stack exchange，提问作者tow