如何使用Python降低股票预测模型的噪声与输出波动率

先修正你现有绘图代码里的注释错位问题：当前代码中plt.plot(y_pred_org)对应的是预测价格序列、plt.plot(y_test_t_org)对应的是真实测试集价格序列，原注释刚好写反，后续调整时注意对应关系不要搞混。

最快实现：无需改动模型，直接对预测曲线做平滑处理 #

这类方法不需要重新训练模型，只需要对输出的预测序列做预处理，就能快速把高频随机波动去掉，让曲线聚焦中长期趋势，完全适配“不追求单天精准数值、只关注趋势方向”的目标：

• 中心滑动平均平滑
  这是股票场景最常用的趋势对齐方法，选择3-7天长度的滑动窗口做均值计算，既能滤掉单日随机跳变的噪声，又不会把短期趋势磨平。用pandas实现的代码如下：

  import pandas as pd
  # 取5天窗口，min_periods=1避免序列开头出现空值，center=True消除窗口带来的时间滞后
  y_pred_smoothed = pd.Series(y_pred_org).rolling(
      window=5, min_periods=1, center=True
  ).mean().values
  

  之后把原代码中绘制预测曲线的参数替换为y_pred_smoothed即可，如果真实价格序列本身有日常报价杂波，也可以用同样的窗口做轻度平滑，窗口长度不要超过10天，否则会丢失关键趋势拐点。
• 指数加权平滑（EWMA）
  如果觉得普通滑动平均对窗口边缘的数值处理太生硬，可以用指数加权移动平均，给近期的预测值分配更高权重，对趋势拐点的反应比普通滑动平均更灵敏：

  # alpha值越小，平滑程度越高，一般取0.2-0.4区间最合适
  y_pred_smoothed = pd.Series(y_pred_org).ewm(alpha=0.3, adjust=False).mean().values
  

根源降噪：从预测输出层面减少无意义波动 #

如果希望预测值本身就贴合趋势、不是只做绘图层的后处理，可以在推理后增加简单的约束规则，从推理输出的逻辑上减少无意义波动：

• 相邻值跳变约束：统计真实测试集的日价格变动波动率，对预测序列中相邻两日的差值超过真实波动率3倍的异常跳点，按正常波动率水平收窄修正，从根源避免单天预测的突兀跳涨跳跌；
• 零相位低通滤波：用scipy的Butterworth低通滤波器，直接把周期短于5天的高频随机波动滤除，比手动滑动平均的物理滤波逻辑更严谨，代码示例：

  from scipy.signal import butter, filtfilt
  # 4阶低通滤波器，截止频率0.2对应滤除所有5天以内的高频波动
  b, a = butter(4, 0.2, btype='low')
  # filtfilt做双向滤波，不会让平滑后的曲线出现时间滞后，避免和真实趋势错配
  y_pred_smoothed = filtfilt(b, a, y_pred_org)
  

绘图细节优化 #

• 正式出图时不要把原始高波动的预测曲线和平滑后的曲线直接叠放，把平滑后的预测曲线、真实价格曲线作为核心对比图层，图例对应标注“平滑后趋势预测”“真实价格”；
• 如果需要保留原始预测的参考价值，可以把未处理的原始预测曲线设置为10%透明度的浅灰色放在底层，既可以看到原始波动范围，又不会被杂波掩盖核心趋势线。

内容的提问来源于stack exchange，提问作者iceAtNight