5分钟快速上手stock-trading-ml：从克隆代码到训练第一个股价预测模型的完整指南

【免费下载链接】stock-trading-mlA stock trading bot that uses machine learning to make price predictions.项目地址: https://gitcode.com/gh_mirrors/st/stock-trading-ml

stock-trading-ml 是一个基于机器学习与 LSTM 深度神经网络的开源股票交易机器人项目，核心功能是利用 Keras + TensorFlow 构建股价预测模型，并根据预测结果自动生成买入、卖出信号。本文面向零基础新手，手把手带你完成从克隆代码、配置环境、下载历史行情数据，到 5 分钟内训练出第一个股价预测模型的完整流程，全程无需编写任何代码。

stock-trading-ml 是什么？为什么要用机器学习预测股价？

传统技术分析依赖人的经验，而 stock-trading-ml 的思路很直接：让神经网络"读"过去 50 个交易日的开盘价、最高价、最低价、收盘价和成交量（OHLCV），去预测下一个交易日的开盘价。模型学到的规律越多，预测就越接近真实走势。

项目结构非常精简，核心只有 4 个 Python 文件，各司其职：

• save_data_to_csv.py：下载股票历史价格并保存为 CSV
• util.py：数据预处理、归一化与技术指标计算
• basic_model.py：训练基础 LSTM 股价预测模型
• tech_ind_model.py：训练融合技术指标的增强版模型
• trading_algo.py：用训练好的模型模拟买卖交易

第一步：克隆代码与安装依赖（最快环境配置方法）

先克隆仓库到本地，并安装所有依赖包。项目要求 Python 3.5+ 环境，建议使用虚拟环境隔离：

git clone https://gitcode.com/gh_mirrors/st/stock-trading-ml cd stock-trading-ml pip install -r requirements.txt

requirements.txt中列出的核心依赖包括：alpha_vantage（获取行情数据）、pandas/numpy（数据处理）、sklearn（数据归一化）、keras+tensorflow（神经网络训练）以及matplotlib（可视化）。安装完成后，项目就已经可以运行了，整个环境准备通常只需 3 分钟。

第二步：获取免费的 Alpha Vantage API Key

save_data_to_csv.py依赖 Alpha Vantage 提供的免费股票行情接口，你需要先到 Alpha Vantage 官网注册并获取一个免费 API Key。然后在项目根目录创建creds.json文件，把 Key 填进去：

{"av_api_key": "你的API_KEY"}

这一步是数据来源的关键，没有 Key 就无法下载历史行情数据。

第三步：下载股票历史数据到 CSV

准备好 Key 后，一条命令即可下载指定股票的历史数据：

python save_data_to_csv.py MSFT daily

save_data_to_csv.py接收两个参数：股票代码（如 MSFT、AAPL）和时间窗口（支持intraday分钟线、daily日线、daily_adj复权日线）。执行后会在当前目录生成类似MSFT_daily.csv的行情文件，包含日期、开高低收和成交量等字段。

💡 小提示：命令行中的参数定义都在save_data_to_csv.py的 argparse 部分，想换股票只需改第一个参数，想换时间周期改第二个参数。

第四步：理解数据预处理（关键长尾知识点）

训练之前，数据要先经过util.py中的csv_to_dataset()函数处理，它完成三件事：

1. 滑窗切片：以history_points = 50为窗口，把连续 50 天的 OHLCV 数据打包成一个样本
2. 归一化：用 sklearn 的MinMaxScaler把价格缩放到 0~1 区间，加速模型收敛
3. 计算技术指标：在归一化数据上计算 SMA、EMA、MACD 等技术指标，作为模型的额外输入特征

如果你想调整"看多少天历史"或增加技术指标种类，修改util.py顶部的history_points变量即可。

第五步：训练你的第一个股价预测模型

环境就绪、数据就绪后，训练模型只需一行命令：

python basic_model.py

basic_model.py构建了一个 LSTM 神经网络：输入层接收 50 天的行情序列，中间是 50 个单元的 LSTM 层加 Dropout 防过拟合，最后通过全连接层输出预测价格，优化器使用 Adam（学习率 0.0005），损失函数为均方误差 MSE，训练 50 个 epoch。

训练结束后，模型会自动保存为basic_model.h5，并弹出 matplotlib 绘制的"真实价格 vs 预测价格"对比图，同时输出归一化的 MSE 误差指标。

如果你想要更高精度的预测，可以改用融合技术指标的增强版模型：

python tech_ind_model.py

tech_ind_model.py采用双分支网络结构：一条分支处理 LSTM 行情序列，另一条分支处理技术指标特征，最后通过concatenate拼接两个分支的输出再做预测。它保存的模型文件为technical_model.h5，精度通常优于基础版。

第六步：用训练好的模型模拟交易回测

训练只是第一步，检验模型价值的是回测。运行：

python trading_algo.py

trading_algo.py会加载technical_model.h5，逐日比较"今日开盘价"与"模型预测的明日开盘价"，当预测涨幅超过阈值thresh = 0.1时生成买入信号，跌幅超过阈值时生成卖出信号，最后通过compute_earnings()模拟以每次 10 美元买入、信号触发时清仓的策略，输出模拟收益，并在图中用绿色/红色散点标出买卖点。

常见问题与下一步优化建议

Q1：报错找不到 creds.json？检查是否已在项目根目录创建该文件，且 JSON 格式正确。

Q2：想预测其他股票？模型文件中硬编码了MSFT_daily.csv，把basic_model.py或tech_ind_model.py中的数据文件名改为你下载的 CSV 即可，同时建议同步修改trading_algo.py中加载的模型路径。

Q3：如何提升预测精度？可从三方面入手：在util.py中增加 MACD 等技术指标特征、在tech_ind_model.py中调整 LSTM 单元数与 Dropout 比例、用multiple_csv_to_dataset()融合多只股票数据一起训练。

至此，你已经完整走通了 stock-trading-ml 的"数据下载 → 数据预处理 → 模型训练 → 回测模拟"全流程。这套基于机器学习与 LSTM 神经网络的股价预测流水线，正是你入门量化交易与深度学习实践的最佳起点。接下来，试着换一只股票、调一调参数，看看你的第一个股价预测模型表现如何吧！

【免费下载链接】stock-trading-mlA stock trading bot that uses machine learning to make price predictions.项目地址: https://gitcode.com/gh_mirrors/st/stock-trading-ml