基于 PyTorch 的股票时间序列预测实验项目，包含行情获取、特征处理、训练、推理和模型评估。代码支持 LSTM、Transformer、Hybrid、PTFT/VSSM、Diffusion 和 Graph 等实验模型。预测输出仅供研究，不构成投资建议；模型效果需要在独立样本和真实交易成本下验证。
推荐 Python 3.10，并使用独立的 stock_prediction conda 环境或等效虚拟环境。完整模型测试需要安装 PyTorch；CPU 环境也可运行单元测试。
python -m pip install -r requirements.txt
python -m pip install pytest
python -m pytest -q训练前先准备行情数据；示例命令会访问外部数据源：
python scripts/getdata.py --api akshare --code 000001.SZ
python scripts/data_preprocess.py --pklname train.pkl
python scripts/train.py --mode train --model transformer --epoch 2
python scripts/predict.py --model transformer --test_code 000001 --predict_days 3数据接口可能因上游服务变化而失效。研究样例需要自行检查数据授权、复权方式和训练/测试时间边界。
| 路径 | 用途 |
|---|---|
src/stock_prediction/ |
数据处理、模型、训练与预测逻辑 |
scripts/ |
抓取、预处理、训练、推理命令入口 |
tests/ |
单元与集成测试 |
config/config.yaml |
特征和路径等设置 |
docs/ |
使用、设计与维护说明 |
--model 支持 lstm、attention_lstm、bilstm、tcn、multibranch、transformer、cnnlstm、hybrid、ptft_vssm、diffusion、graph。部分模型对数据、配置或机器资源有额外要求，详见 docs/user_guide.md 与 docs/model_strategy.md。
模型保存时会写入归一化参数文件 *_norm_params*.json；预测时应同时使用对应的模型权重和配置，以免特征维度或反归一化结果不匹配。
配置示例见 config/config.yaml 和 .env.example。查看命令参数可运行 python scripts/train.py --help 或 python scripts/predict.py --help。
make test # 本地运行测试
make ci # 本地质量入口GitHub Actions 会安装依赖并执行测试。CI 结果应与实际命令的退出状态一致；历史运行记录中的绿色状态不应被视为测试通过的证据，详见 docs/oss_maintenance_2026-09.md。
| 现象 | 建议 |
|---|---|
| 导入模块时报依赖缺失 | 在项目环境内重新安装 requirements.txt 并确认正在使用该环境的 Python |
| 旧模型没有归一化参数 | 查看 scripts/fix_norm_params.py，并在副本上验证历史模型的参数匹配情况 |
| 推理维度与权重不匹配 | 检查训练时保存的 *_Model_args.json 与模型、特征配置是否对应 |
| Windows 中文乱码 | 在 cmd 执行 chcp 65001，或使用 UTF-8 终端 |
修改模型时请同步补充测试，并在 PR 中写明复现步骤和测试结果。架构与维护背景见 docs/system_design.md、docs/maintenance.md。安全问题请按 SECURITY.md 私下报告。项目采用 GPL-3.0 许可证。