原创不易，转载请注明出处。本文仅供量化学习研究，不构成任何投资建议，股市有风险，入市需谨慎。

---

一、写在前面

做量化交易的朋友大多踩过这些坑：

• 回测收益翻倍，实盘亏得底朝天（未来函数背锅）
• 单一模型要么只判断涨跌，不知道涨多少
• 想加择时功能，却被复杂的回测框架劝退
• 多股票切换时模型串用，结果完全失真

本文分享一个我最近打磨的轻量级AI炒股系统，核心特点：
✅ 无未来函数，所有预测仅用当日及之前数据
✅ 分类+回归双模型：既判断涨跌，又预测涨幅
✅ 多Agent架构：选股、风控、择时、复盘模块解耦
✅ Streamlit交互界面：不用写前端，点点按钮就能跑
✅ 支持单票深度择时，自动生成周度复盘报告
普通笔记本就能运行，适合量化入门者和Python爱好者二次开发。

---

二、系统架构总览

整体采用分层设计，逻辑清晰，方便扩展：

┌─────────────┐
│  UI层（Streamlit） │ ← 4个Tab：今日预测/验证/复盘/择时
└──────┬──────┘
       ↓
┌─────────────┐
│ Agent层      │ ← 选股Agent/风控Agent/择时Agent/复盘Agent
└──────┬──────┘
       ↓
┌─────────────┐
│ 模型层       │ ← 双模型：LGBM分类（涨跌）+ LGBM回归（涨幅）
└──────┬──────┘
       ↓
┌─────────────┐
│ 特征工程层   │ ← 技术指标+自定义特征，全局统一特征列表
└──────┬──────┘
       ↓
┌─────────────┐
│ 数据源层     │ ← Tushare（真实行情）/ 模拟数据（兜底）
└─────────────┘

核心设计亮点：

1. 模型按股票隔离：不同股票的模型单独存储，避免用银行模型预测白酒
2. 双模型校验：分类模型判断上涨概率，回归模型预测5日涨幅，双重过滤提高胜率
3. 回溯校验机制：所有信号都和历史实际收益对比，避免过拟合

---

三、核心功能拆解

1. 单票自由切换

侧边栏内置常用股票池，支持自定义输入A股代码，切换后自动加载对应股票的数据、模型和交易记录，完全隔离不串数据。
【此处配图：侧边栏股票选择界面】

2. 双模型训练

点击「训练当前股票模型」，自动训练分类+回归两个模型：

• 分类模型：预测未来5日上涨概率，输出0-1之间的概率值
• 回归模型：预测未来5日实际收益率，输出百分比数值
  训练完成后自动保存为model_股票代码_clf.pkl和model_股票代码_reg.pkl。
  【此处配图：模型训练完成提示界面】

3. 今日操作建议

自动输出当日AI上涨概率、预测涨幅、操作建议（买入/观望/跳过）、止损位和仓位建议，同时自动保存交易记录。
【此处配图：Tab1今日预测界面，含K线图和指标卡片】

4. 预测验证（无未来函数）

持仓期满5天后，点击「验证历史预测」，自动对比预测收益和实际收益，计算命中率和平均收益，避免回测造假。
【此处配图：Tab2预测验证界面，含收益对比曲线】

5. 周度复盘报告

自动生成本周交易统计：总建议数、买入命中率、平均收益、错误案例分析，帮你快速迭代模型。
【此处配图：Tab3周度复盘界面，含错误案例明细】

6. 择时分析（核心功能）

• 回溯120日模型打分vs实际收益散点图，直观判断阈值有效性
• 输出未来5日观察窗口：明确回踩点位、MACD信号、成交量要求
• 四重过滤：AI概率+预测收益+RSI+MACD，避免单一信号误判
  【此处配图：Tab4择时分析界面，含回溯散点图和买入信号提示】

---

四、环境搭建与部署

1. 依赖安装

先创建虚拟环境，再安装依赖：

pip install pandas numpy scikit-learn lightgbm ta streamlit plotly tushare

如果需要表格背景渐变效果，额外安装matplotlib：

pip install matplotlib

2. 申请Tushare Token

系统默认用Tushare获取真实行情，需要申请Token：

1. 注册Tushare账号：https://tushare.pro/
2. 实名认证后获得120积分（免费档足够用）
3. 个人中心复制Token，填入utils.py的TS_TOKEN字段

如果不想用真实数据，系统会自动生成模拟数据，功能完全不受影响。

3. 源码结构

StockAI_Full/
├── app.py          # Streamlit主界面
├── train.py        # 双模型训练脚本
├── utils.py        # 工具函数（数据加载、特征工程、路径管理）
├── requirements.txt # 依赖列表
└── trades.csv      # 自动生成的交易记录

4. 启动步骤

# 1. 清除旧缓存（避免路径问题）
streamlit cache clear

# 2. 启动系统
streamlit run app.py

# 3. 侧边栏选择股票，点击「训练当前股票模型」
# 4. 训练完成后点击「执行今日预测」

---

五、踩坑实录（避坑指南）

开发过程中踩了大量新手常见的坑，整理出来帮大家节省时间：

坑1：模型路径找不到

现象：训练后生成了pkl文件，但加载时提示FileNotFoundError
原因：utils.py中重复定义了get_model_path函数，旧版本函数覆盖了新版本，导致路径拼接错误
解决：确保utils.py中只有一个get_model_path定义，使用绝对路径拼接：

BASE_DIR = os.path.dirname(os.path.abspath(__file__))
def get_model_path(ts_code: str, kind="clf"):
    filename = f"model_{ts_code}_{kind}.pkl"
    return os.path.join(BASE_DIR, filename)

坑2：numpy数组用iloc索引

现象：择时分析报错'numpy.ndarray' object has no attribute 'iloc'
原因：clf.predict_proba()和reg.predict()返回的是numpy数组，不是pandas Series，不支持iloc索引
解决：转换为Series后再用iloc，或直接用[-1]索引：

prob_series = pd.Series(prob_all, index=df.index)
latest_prob = prob_series.iloc[-1]
# 或
latest_prob = prob_all[-1]

坑3：表格背景渐变报错

现象：background_gradient requires matplotlib
原因：Streamlit的style.background_gradient依赖matplotlib
解决：要么安装matplotlib，要么加try-except降级为普通表格：

try:
    st.dataframe(df.style.background_gradient(...))
except ImportError:
    st.dataframe(df.reset_index(drop=True))

坑4：未来函数陷阱

现象：回测准确率90%，实盘完全不准
原因：特征计算中用了未来数据，比如用当日收盘价计算标签，再反过来预测当日涨跌
解决：本系统严格保证所有特征仅用当日及之前数据，标签用未来5日收益，验证时也用滞后数据，完全无未来函数。

---

六、效果演示

以华能水电（600025.SH）为例，跑出来的效果：

1. 分类模型准确率：56.3%（股票数据噪声大，超过50%就有参考价值）
2. 回归模型R²：0.072（符合A股量化模型的正常水平）
3. 近120日买入信号命中率：58.1%，平均实际收益2.4%
4. 择时信号明确：当AI概率>65%、预测收益>2%、RSI<75、MACD柱向上时，发出买入信号，止损位设为当前价-5%

注意：这个结果仅为历史回测表现，不代表未来收益，实盘需严格控制仓位。

---

七、合规声明与后续规划

合规声明

⚠️ 本文及本系统仅供量化学习研究，不构成任何投资建议。股票市场风险极高，切勿直接用于实盘交易，由此产生的任何损失，作者概不负责。

后续优化方向

1. 加入情绪因子：爬取股吧、新闻情绪，提升模型准确率
2. 多周期共振：同时训练5日、10日、20日回归模型，三重信号确认
3. 仓位动态调整：根据市场波动率自动调整仓位，而非固定10%
4. 实盘对接：对接券商模拟盘API，实现自动信号推送

源码获取

完整源码已上传GitHub，地址：https://github.com/yourusername/StockAI-System（替换为你的实际仓库地址）
如果访问不便，也可以在评论区留下邮箱，我打包发给你。

---

如果觉得本文对你有帮助，欢迎点赞、收藏、关注，有任何问题欢迎在评论区交流~

需要调整内容或者补充某部分的细节，随时告诉我~ 😊

完整源码下载地址：轻量AI炒股系统

如果觉得本文对你有帮助，欢迎点赞、收藏、关注，有任何问题欢迎在评论区交流~