这是因为你在用 akshare 抓取A股历史行情数据，其中： pythonCopyEditdf = ak.stock_zh_a_hist(symbol=code, period=”daily”, adjust=”qfq”) 这一行代码的作用是： 📌 含义拆解 参数 说明 symbol=code 股票代码，比如 “000001.SZ”。你可以循环传入不同的股票代码。 period=”daily” 表示获取的是日线数据（可选还有 “weekly”, “monthly” 等）。 adjust=”qfq” 复权方式，qfq 表示前复权，保持价格连贯性（推荐用于技术分析）。 ✅ 为什么用 adjust=”qfq”（前复权）？ 在股票历史数据中，有分红送股、拆股等事件，会让“收盘价”出现突变。 前复权（qfq） 会将历史价格向前调整，以便股价曲线连续、平滑，更适合用于： 例如，假如 2024 年公司送股 10 股，股价从 20 元瞬间掉到 10 元： ✅ 如果不复权会怎样？ 🎯 总结 使用： pythonCopyEditak.stock_zh_a_hist(symbol=code, period=”daily”, adjust=”qfq”) 是因为你希望获得： Read more

很好的问题！你提到的“为什么不是后复权”，其实触及到了技术分析 vs 实际投资的核心区别。 🔍 前复权 vs 后复权：核心差别 项目 前复权（qfq） 后复权（hfq） 调整方向 把历史价格调整到当前价位 把当前价格调整到历史价位 适用场景 ✅ 技术分析、趋势判断、绘图 ✅ 模拟买入持仓后资产增长，用于真实投资回测 图形走势 平滑连续，技术指标不会突跳 当前价格会变小，历史价格更接近真实当时买入成本 示例 历史价格被“调低”，跟现价连贯 当前价格被“调高”，用于还原你当年买入时的走势 均线分析 ✅ 推荐（用于判断多头排列等） ❌ 不推荐（会让均线走势偏离真实结构） 🎯 为什么技术分析用前复权？ 技术指标（如均线、MACD、布林带、你现在提到的多头排列）强调的是价格形态的连续性。 使用**前复权（qfq）**的优势： ❌ 为什么后复权不适合技术分析？ ✅ 那什么时候用“后复权”？ 如果你是为了： 那就该用： pythonCopyEditadjust=”hfq” # 后复权 ✍️ 总结一句话： 技术分析（均线、多头排列、K线分析）用前复权，回测资产收益/策略净值用后复权。 Read more

你说得很有道理：在处理股价这类回归问题（连续值预测）时，sigmoid、softmax、tanh 这些非线性函数通常不是首选的变换方式**。 🚫 为什么这些激活函数不适合直接处理股价： 函数 范围 用途 为什么不适合预测股价 sigmoid (0, 1) 二分类/概率输出 会把数值压缩到 (0,1)，丢失价格尺度信息 tanh (-1, 1) 中心对称/情绪类模型 同样压缩幅度大，难以还原价格本身 softmax 所有值加和为1 多分类，输出概率分布 完全不适合回归，输出的是类别分布概率 ✅ 那股价处理用什么？ 预测股价属于回归问题，目标是还原一个真实的连续值。 推荐方法： 方法 说明 不加激活函数 回归模型最后一层通常直接输出线性值 标准化/归一化输入 比如 MinMaxScaler 或 StandardScaler log return 对数收益率，适合处理价格的相对变化 🎯 所以应该怎么做？ Read more

✅ 用 .pth 保存的只是模型的权重参数（state_dict）❌ 并不会保存模型的结构（即 class MyModel(nn.Module): … 的代码） ✅ 解决方法：保存整个模型对象（包括结构 + 权重） PyTorch 提供了另一种方式： pythonCopyEdit# 保存完整模型对象（包含结构和参数） torch.save(model, ‘models/full_model.pt’) 加载时： pythonCopyEdit# 加载完整模型（不需要再次定义 class） model = torch.load(‘models/full_model.pt’) model.eval() ✅ 优点 vs 缺点 方法 保存结构 灵活性 推荐用途 torch.save(model.state_dict()) ❌ 高 通常训练 & 复现 torch.save(model) ✅ 低 快速部署 / demo ❗ 需要注意的是：torch.save(model) 这种方式使用了 Python 的 pickle，因此保存/加载时 模型定义代码必须在内存中或不能缺失依赖环境，对长期部署和迁移性略差。 ✅ Read more

✅ 方法一：固定比例按时间划分（推荐） 比如你有 N 条时间序列样本，按比例切分（例如 80% 训练，20% 测试）： pythonCopyEdit# 假设 X 是 (num_samples, window_size, feature_dim) num_samples = X_tensor.shape[0] train_size = int(num_samples * 0.8) X_train = X_tensor[:train_size] y_train = y_tensor[:train_size] X_test = X_tensor[train_size:] y_test = y_tensor[train_size:] ✅ 保持了时间的因果性，训练集早于测试集。 ✅ 方法二：滑动预测 + 留一法（适合在线预测） 每次训练一个滑动窗口，测试的是窗口后面的数据点（适合逐步更新模型）。 例如： textCopyEdit训练用 X[:t]，测试 X[t] 然后滑动到 t+1，再训练 X[:t+1]，测试 X[t+1] 这个适合模拟真实交易环境，但对训练时间要求较高。 ✅ 方法三：多步预测场景下使用验证集 如果你要做 多步预测（multi-step Read more