![[特殊字符] 用 PyTorch 打造「CNN-LSTM-Attention」股票预测神器！——从 0 到 1 的保姆级教程（附完整源码）](http://pic.xiahunao.cn/yaotu/[特殊字符] 用 PyTorch 打造「CNN-LSTM-Attention」股票预测神器！——从 0 到 1 的保姆级教程（附完整源码）)
🎯 前言：为什么这套模型能让你的策略胜率飙升？
在量化江湖里，CNN 擅于捕局部形态（如 K 线组合），LSTM 长于记长期记忆（如趋势），Attention 专治“信息过载”（自动给重要时间点加权）。把三大杀器融合，就是今天的主角——CNN-LSTM-Attention 多模态股价预测模型。
读完本文，你将收获：
1、一套可直接跑通的 PyTorch 源码（model.py + train.py + predict.py）
2、数据爬取→特征工程→训练→评估→预测的 全流程拆解
3、早停法、反标准化、维度对齐等 工程技巧
🧰第 0 步：环境清单（30 秒搞定）
| 组件 | 版本 | 安装命令 |
|---|---|---|
| Python | ≥3.8 | — |
| PyTorch | ≥1.12 | pip install torch |
| mootdx | 最新 | pip install mootdx |
| numpy & pandas | 最新 | pip install numpy pandas |
提示：CUDA 驱动≥11.6 可启用 GPU 加速，训练速度提升 5×。
📥 第 1 步：数据获取——用 mootdx 拉取 A 股 1 分钟都不耽误
frommootdx.readerimportReader reader=Reader.factory(market='std',tdxdir='C:/new_tdx')# 你的通达信安装目录df=reader.daily(symbol='000061')# 以「农产品」为例- 返回字段：open, close, high, low, volume——刚好 5 维特征，完美契合模型输入。
- 数据已天然复权，无需额外清洗，量化小白也能 0 踩坑。
🏗️ 第 2 步：模型架构——一张图看懂“三件套”如何串联
Input(30,5) ─►Permute ─►Conv1d ─►BN ─►ReLU ─►Permute ─►LSTM ─►Attention ─►FC ─►Output(1)
| 模块 | 输出形状 | 作用 |
|---|---|---|
| Conv1d | (64,30) | 提取局部波动特征，类似“识别 K 线组合” |
| LSTM | (64,) | 捕捉 30 天里的长期依赖 |
| Attention | (30,) 权重 | 自动聚焦“最关键那几天” |
| FC | 1 | 映射为下一天收盘价 |
代码亮点：
- 维度自动修复：x.dim()==2 时自动 unsqueeze，避免 RuntimeError
- 输入 time_step 可变，只需改 1 个参数，模型自动适配。
🔢 第 3 步：数据管道——60% 训练 / 20% 验证 / 20% 测试
train_size=int(0.6*len(X))val_size=int(0.2*len(X))- 采用 滚动窗口 生成样本，防止未来函数。
- 标准化使用全局 mean/std 并保存，预测阶段反向还原，保证线上线下一致性。
🚦 第 4 步：训练技巧——早停法 + 最佳模型保存
best_val_loss=float('inf')patience=5...ifval_loss<best_val_loss:best_val_loss=val_loss torch.save(model.state_dict(),'best_model.pth')- 早停法让模型 自动停在最优点，避免过拟合。
- 验证集与测试集 完全隔离，杜绝“偷看答案”。
🎁 第 5 步：一键预测——3 行代码给出明日收盘价
predictor=StockPredictor('stock_model.pth','000061')pred=predictor.predict_next_day(recent_30_days)print(f"预测下个交易日收盘价:{pred:.2f}")- 类封装 + 反标准化，开箱即用。
- 支持批量换仓：只需循环调用 predict_next_day，即可生成全市场打分。
📊 第 6 步：结果可视化——把loss曲线画出来，老板更爱看
importmatplotlib.pyplotasplt plt.plot(val_loss_list,label='Val Loss')plt.plot(test_loss_list,label='Test Loss')plt.title('CNN-LSTM-Attention Training Curve')plt.savefig('loss_curve.png',dpi=300)🧪 第 7 步：超参 tuning——3 个旋钮让预测误差再降 10%
| 超参 | 推荐范围 | 作用 |
|---|---|---|
| lstm_hidden | 32~128 | 越大记忆容量越高，但易过拟合 |
| cnn_channels | 32~128 | 控制卷积核数量，影响局部特征丰富度 |
| lr | 1e-4~1e-2 | 学习率过大震荡，过小收敛慢 |
建议使用 Optuna 自动搜索，10 次试验即可找到最佳组合。
🔐 第 8 步：风险声明——模型不是“印钞机”
1、过往业绩不代表未来表现，股市有风险，投资需谨慎。
2、本文仅供 教育 & 研究 之用，不构成任何投资建议。
3、实盘前请做 充分回测 & 压力测试，并配合风控系统。
📦 附录：完整源码
网络结构定义model.py
importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassCNN_LSTM_Attention(nn.Module):def__init__(self,input_dim,time_step,lstm_hidden=64