Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Predict Stock Prices Using RNN: Part 1
Predict Stock Prices Using RNN: Part 1是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需要了解神经网络基础，知道 RNN 与 LSTM 的概念；作者建议不熟悉者可先读其前一篇 RNN 概述文章。
学会用 TensorFlow 搭建并训练 LSTM RNN，对股票收盘价时间序列做滑动窗口切分、归一化和预测，并用 TensorBoard 跟踪训练。
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
正文可公开直接阅读，无需账号；动手运行需本地 Python 环境与 TensorFlow，数据可由作者提供的存档或公开行情页面获取。
- 练习与作业
- S&P 500 收盘价数据：作者提供的 stock-data-lilianweng.tar.gz 存档或 Yahoo! Finance ^GSPC 历史数据
- 内容提示
- 内容时效：网页标注 2017 年 7 月 8 日发布，示例使用 tf.contrib.rnn.LSTMCell、tf.placeholder 等 TensorFlow 1.x 时代的 API。
学完你能
- 理解用滑动窗口把股票价格时间序列切分为无重叠输入与标签的方法
- 用 NumPy 把序列整理成 (num_steps, input_size) 形式的训练数据
- 用 TensorFlow 的 LSTM cell 与 dynamic_rnn 搭建多层 RNN 计算图
- 划分训练集与测试集，并对价格做窗口内归一化以处理尺度变化问题
- 配置 lstm_size、num_layers、keep_prob、学习率衰减等超参数并启动训练会话
- 用 TensorBoard 的 scalar 和 histogram 汇总观察训练过程
适合你吗
适合
想通过具体例子学习 TensorFlow 中 RNN/LSTM 建模与时间序列预测的读者，可配合作者提供的 GitHub 代码边读边跑。
暂不适合
想系统学习深度学习理论或寻找现代（PyTorch/新版 TensorFlow）股票预测方案的读者；作者自述重点在演示 RNN 建模，不在提升预测效果。
需要先会
需要了解神经网络基础，知道 RNN 与 LSTM 的概念；作者建议不熟悉者可先读其前一篇 RNN 概述文章。还需会基本 Python 与 NumPy。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 以作者代码为参考点，替换为自己获取的价格序列或调整 input_size、num_steps、lstm_size 等参数，观察训练曲线与预测结果的变化。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费节选里可直接读到数据准备、模型定义、训练与 TensorBoard 等主要教程正文，无付费墙或登录要求。
内容覆盖
- Overview of Existing Tutorials
- The Goal
- Data Preparation
- Train / Test Split
- Normalization
- Model Construction — Definitions
- Model Construction — Define Graph
- Model Construction — Start Training Session
- Model Construction — Use TensorBoard
- Results
常见问题
免费吗？
免费：节选里可直接读到数据准备、模型定义、训练与 TensorBoard 等主要教程正文，无付费墙或登录要求。实践无额外费用：网页未提及需要付费云服务、API 或 GPU；代码在本机运行即可，数据为作者提供的免费存档。
需要什么基础？
需要了解神经网络基础，知道 RNN 与 LSTM 的概念；作者建议不熟悉者可先读其前一篇 RNN 概述文章。还需会基本 Python 与 NumPy。软件、账号与硬件：能运行 Python 与 TensorFlow 的环境；可选下载作者提供的 S&P 500 数据存档或从 Yahoo! Finance 获取 ^GSPC 历史数据。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2017-07-08-stock-rnn-part-1/。本页“学前准备”列出环境与工具，“学习指南”给出开课提示词，可以在自己的电脑上按步骤开始。开课提示词尚未完整验证。练习与作业需要自备：S&P 500 收盘价数据：作者提供的 stock-data-lilianweng.tar.gz 存档或 Yahoo! Finance ^GSPC 历史数据。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。