4、滑动窗口与数据集构建：如何将时序数据转为监督学习、滑动窗口大小选择、生成训练/测试集

好，咱们进入第四个实战环节。

前面我们拿到了清洗后的股票数据，也做了归一化。但有个核心问题摆在我们面前：LSTM 是监督学习模型，它需要输入 X 和标签 y。而时序数据本身是一串连续的点，没有现成的「特征-标签」对。

怎么办？

答案就是——滑动窗口。

4.1 从时序到监督：窗口的本质

说白了，滑动窗口就是拿过去一段时间的值，去预测未来一个或多个时刻的值。

举个例子：

假设我们有 10 天的收盘价：[10, 11, 12, 13, 14, 15, 16, 17, 18, 19]。

如果我们设定窗口大小为 3，意思就是用前 3 天的价格预测第 4 天的价格。

那么数据集就变成这样：

X (特征)	y (标签)
[10, 11, 12]	13
[11, 12, 13]	14
[12, 13, 14]	15
[13, 14, 15]	16
[14, 15, 16]	17
[15, 16, 17]	18
[16, 17, 18]	19

你看，原本 10 个点，经过滑动窗口处理后，变成了 7 个样本。每个样本是一个长度为 3 的序列，对应一个标签。

这就是「时序转监督」的核心操作。

4.2 窗口大小怎么选？我的经验之谈

这个问题，我几乎每次上课都会被问到。说实话，没有标准答案。但我可以分享一些实战中的经验。

第一，看数据的周期性。

如果你做的是股票日线数据，通常有 5 日、20 日、60 日这样的均线周期。我个人习惯把窗口大小设为这些周期的整数倍。比如 5、10、20、30。

为什么？因为市场本身就有这种节奏感。你想想看，5 日均线代表一周的走势，20 日均线代表一个月的走势。模型如果能捕捉到这种节奏，效果往往更好。

第二，不要太大，也不要太小。

窗口太小，比如设为 2 或 3，模型只能看到极短期的波动，容易过拟合噪声。

窗口太大，比如设为 100，模型要记住 100 步之前的信息。虽然 LSTM 有长记忆能力，但训练会变慢，而且可能引入太多无关信息。

我一般建议：从 10 开始试，然后 20、30、60，对比验证集效果。

第三，考虑你的预测步长。

如果你要预测未来 1 天，窗口可以小一点。如果你要预测未来 5 天，窗口最好大一些，让模型看到更长的历史。

我曾经犯过一个错误：预测未来 7 天，窗口只设了 5。结果模型完全学不到趋势，因为 5 天窗口根本覆盖不了 7 天的波动范围。后来我把窗口调到 30，效果明显改善。

4.3 生成训练集和测试集

窗口选好了，接下来就是切分数据。

这里有个关键点：时序数据不能随机打乱。你不能像图像分类那样 shuffle 数据，因为时间顺序一旦破坏，未来信息就会泄露到训练集中。

正确的做法是：按时间顺序切分。

假设我们有 1000 天的数据，窗口大小 20：

• 前 800 个样本作为训练集（对应前 820 天的原始数据）
• 后 200 个样本作为测试集（对应后 200 天的原始数据）

注意：测试集必须完全在训练集之后，不能交叉。

下面是我常用的代码模板：

import numpy as np

def create_dataset(data, window_size=20):
    X, y = [], []
    for i in range(len(data) - window_size):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size])
    return np.array(X), np.array(y)

# 假设 data 是归一化后的收盘价，形状 (1000,)
window = 20
X, y = create_dataset(data, window)

# 按 8:2 比例切分，保持时间顺序
split = int(len(X) * 0.8)
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

print(f"训练集形状: {X_train.shape}, 测试集形状: {X_test.shape}")
# 输出: 训练集形状: (784, 20), 测试集形状: (196, 20)

嗯，这里要注意一点：X_train 的形状是 (样本数, 窗口大小)。但 LSTM 要求输入是三维的，所以后面我们还需要 reshape 成 (样本数, 窗口大小, 特征数)。这个我们下一节再细说。

4.4 多步预测的窗口设计

有时候我们想预测未来多步，比如未来 3 天的价格。这时候窗口设计要稍微调整一下。

方法有两种：

1. 直接多步输出：窗口大小不变，但标签 y 变成多个值。比如用前 20 天预测未来 3 天。
2. 递归预测：先预测第 1 天，然后把预测值作为输入，再预测第 2 天，依次类推。

我个人更推荐第一种，因为训练更稳定。递归预测容易累积误差，一步错步步错。

直接多步的代码实现：

def create_multistep_dataset(data, window_size=20, forecast_steps=3):
    X, y = [], []
    for i in range(len(data) - window_size - forecast_steps + 1):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size:i+window_size+forecast_steps])
    return np.array(X), np.array(y)

# 预测未来 3 天
X, y = create_multistep_dataset(data, window_size=20, forecast_steps=3)
print(f"X形状: {X.shape}, y形状: {y.shape}")
# 输出: X形状: (977, 20), y形状: (977, 3)

你看，y 变成了 3 列，分别对应未来第 1、2、3 天的价格。

4.5 本章知识结构图

下面我用一张图总结一下滑动窗口与数据集构建的核心流程：

这张图清晰地展示了从原始时序数据到训练/测试集的完整流程。核心就三步：滑动窗口 → 构建监督数据集 → 按时间顺序切分。

4.6 几个容易踩的坑

• 窗口大小和数据长度的关系：如果数据只有 100 条，窗口设 50，那只能生成 50 个样本，太少了。我建议窗口大小不要超过数据长度的 20%。
• 多特征时的窗口处理：如果你有多个特征（比如开盘价、收盘价、成交量），每个特征的窗口都要同步滑动。也就是说，X 的形状会变成 (样本数, 窗口大小, 特征数)。
• 预测未来多步时，标签不要包含当前时刻：有些新手会把当前时刻也放进 y 里，这相当于让模型预测已知值，训练时 loss 会很低，但实际预测完全没用。

好了，数据集构建完成。下一节我们就要真正搭建 LSTM 模型了。到时候你会看到，刚才构建的 X_train 和 y_train 是怎么喂给神经网络的。

---