简介这是一套面向计算机专业本科生的毕业设计级智能股票分析系统实战项目聚焦金融数据分析与Web全栈开发能力培养解决股票价格预测、情感分析与可视化呈现等典型金融AI应用场景。资源包共113个文件包含20个核心Python后端模块含Django视图、Keras模型训练与API接口、14个HTML前端页面、7个JS交互脚本集成Axios请求逻辑、7个CSS样式文件及21张界面截图辅以CSV股票数据样本如000001.SZ.csv和SQLite3本地数据库整体压缩包仅3.56MB轻量易部署。已有152人学习下载内容结构完整从前端ECharts动态图表展示、Django RESTful接口设计到Keras LSTM/GRU模型实现股价趋势预测再到Axios异步通信与用户交互闭环均提供可运行代码与清晰目录组织特别适合毕设选题参考、全栈项目复现与金融AI入门实践。1. 这不是又一个“股价预测”Demo它用Django做金融数据管道、Keras跑时序模型、Axios串起实时请求、ECharts画出可交互的多维分析视图你见过太多“用LSTM预测明天涨跌”的毕业设计——训练集和测试集混在一起、没做归一化、没验证过滚动预测稳定性、前端图表连x轴时间刻度都对不齐。而这个系统真正落地的点在于它把金融分析中不可回避的工程细节全包进去了。比如000001.SZ.csv和allStock.csv不是随便扔进去的原始文件而是已按交易日对齐、缺失值用前向填充行业均值补全、价格序列做了log-return转换后的结构化数据Django后端不是只暴露一个/predict/接口而是通过django.contrib.postgres.fields.JSONField存模型元信息如训练时长、MAPE误差、特征重要性排序再用django-filters支持按股票代码、日期范围、模型版本三重筛选Axios请求里带X-Request-ID和Accept: application/vnd.stock.v1json让前端能区分是实时行情还是回测结果ECharts配置不是直接setOption()而是用echarts.registerTheme(finance, {...})统一了K线图的红绿阈值、成交量柱状图的透明度衰减逻辑、以及技术指标线的虚实线宽规则。适合正在做金融方向毕设、需要展示真实数据流闭环能力的同学——尤其当你答辩时被问“你们怎么处理停牌日对齐”“模型更新后前端如何平滑切换”“如果用户同时查50支股票后端怎么防OOM”时这套结构能让你答出具体字段名、中间件名、甚至Redis缓存key的命名规范。2. Django后端构建金融数据服务层从CSV加载到模型推理的完整链路2.1 数据建模与CSV预处理为什么allStock.csv必须拆成关系表金融数据最怕“一表打天下”。allStock.csv若直接用pandas.read_csv()塞进单个Model会导致① 每次查询某只股票都要全表扫描② 无法建立日期索引加速时间范围查询③ 技术指标如MACD、RSI无法复用计算结果。正确做法是拆成三张表# models.py from django.contrib.postgres.fields import JSONField from django.db import models class Stock(models.Model): code models.CharField(max_length10, uniqueTrue, db_indexTrue) # 如000001.SZ name models.CharField(max_length50) industry models.CharField(max_length30) class DailyData(models.Model): stock models.ForeignKey(Stock, on_deletemodels.CASCADE, db_indexTrue) trade_date models.DateField(db_indexTrue) # 必须加索引金融查询90%是时间范围 open_price models.DecimalField(max_digits10, decimal_places4) close_price models.DecimalField(max_digits10, decimal_places4) volume models.BigIntegerField() # 其他字段省略... class ModelResult(models.Model): stock models.ForeignKey(Stock, on_deletemodels.CASCADE) predict_date models.DateField() # 预测目标日期 model_version models.CharField(max_length20) # lstm_v2.1, xgboost_v1.0 prediction JSONField() # 存{next_5d: [8.21, 8.33, ...], confidence: 0.76} created_at models.DateTimeField(auto_now_addTrue)提示allStock.csv导入脚本需先用pandas做预处理——调用pd.to_datetime(df[trade_date])转日期类型用df.sort_values([code,trade_date]).drop_duplicates(subset[code,trade_date], keeplast)去重再用df.groupby(code).apply(lambda x: x.set_index(trade_date).asfreq(D, methodffill))补齐交易日注意A股休市日不补只补工作日。最终用bulk_create()批量写入避免逐行save的性能灾难。2.2 Keras模型集成如何让Django在Web请求中安全调用训练好的模型Keras模型不能每次请求都load_model()——IO开销大且可能内存泄漏。标准做法是模型单例线程安全预测# ml_models.py import keras from django.core.cache import cache from threading import Lock class StockPredictor: _instance None _lock Lock() def __new__(cls): if cls._instance is None: with cls._lock: if cls._instance is None: cls._instance super().__new__(cls) cls._instance._load_model() return cls._instance def _load_model(self): # 从指定路径加载非h5格式推荐用tf.keras.models.load_model(./models/lstm_v2.1) self.model keras.models.load_model(./models/lstm_v2.1.h5) # 编译仅需一次避免重复编译 self.model.compile(optimizeradam, lossmae) def predict(self, input_data): # input_data shape: (1, 60, 5) —— 60天历史5个特征open/close/volume/ma5/ma10 # 注意此处必须做与训练时完全一致的归一化 normalized self._normalize(input_data) # 实现见下文 result self.model.predict(normalized) return self._denormalize(result) # 反归一化为实际价格 def _normalize(self, data): # 关键使用训练时保存的scaler参数而非fit新数据 scaler_path ./models/scaler_v2.1.pkl with open(scaler_path, rb) as f: scaler pickle.load(f) return scaler.transform(data.reshape(-1, data.shape[-1])).reshape(data.shape)# views.py from rest_framework.views import APIView from rest_framework.response import Response from .ml_models import StockPredictor class PredictView(APIView): def post(self, request): stock_code request.data.get(code) days int(request.data.get(days, 5)) # 1. 从DailyData查最近60天数据 data_qs DailyData.objects.filter( stock__codestock_code ).order_by(-trade_date)[:60] if data_qs.count() 60: return Response({error: Insufficient historical data}, status400) # 2. 构造特征矩阵示例仅用收盘价成交量 features np.array([ [item.close_price, item.volume] for item in data_qs ])[::-1] # 时间正序 # 3. 调用预测器单例保证线程安全 predictor StockPredictor() pred_result predictor.predict(features.reshape(1, -1, 2)) # 4. 写入ModelResult表供审计 ModelResult.objects.create( stockStock.objects.get(codestock_code), predict_datedate.today() timedelta(daysdays), model_versionlstm_v2.1, prediction{next_5d: pred_result.tolist()} ) return Response({prediction: pred_result.tolist()})注意_normalize()中的scaler必须是训练时保存的StandardScaler或MinMaxScaler对象其mean_和scale_参数决定归一化基准。若训练时用fit_transform()则必须将scaler对象序列化保存绝不能在预测时重新fit——否则预测结果完全失效。3. 前端交互Axios请求调度与ECharts动态渲染的金融级实践3.1 Axios封装处理金融API特有的状态码与重试逻辑股票数据接口常因网络抖动返回502/503但用户不能看到“请求失败”。需在Axios拦截器中实现指数退避重试和业务态码映射// api/request.js import axios from axios const service axios.create({ baseURL: /api/, timeout: 10000, headers: { Content-Type: application/json, } }) // 请求拦截器添加金融业务头 service.interceptors.request.use( config { // 所有请求带X-Stock-Source标识来源web/app config.headers[X-Stock-Source] web-dashboard // 若有token如登录态此处注入 const token localStorage.getItem(auth_token) if (token) { config.headers.Authorization Bearer ${token} } return config }, error Promise.reject(error) ) // 响应拦截器处理金融API特有错误 service.interceptors.response.use( response response, error { const { config, response } error // 对502/503错误自动重试最多3次间隔1s/2s/4s if (response?.status 502 || response?.status 503) { config.__retryCount config.__retryCount || 0 if (config.__retryCount 3) { return Promise.reject(new Error(Service unavailable after 3 retries)) } config.__retryCount 1 const delay Math.pow(2, config.__retryCount) * 1000 return new Promise(resolve setTimeout(() resolve(service(config)), delay)) } // 将后端业务错误码转为前端可读消息 if (response?.data?.code DATA_NOT_FOUND) { return Promise.reject(new Error(No trading data available for this period)) } return Promise.reject(error) } ) export default service3.2 ECharts配置金融图表必须解决的三个硬伤普通ECharts教程教你怎么画折线图但金融场景要解决①时间轴错位交易日 vs 日历日②多Y轴对齐价格与成交量单位差异大③K线图交互穿透点击某根K线要联动显示该日新闻摘要。以下是核心配置// chartConfig.js export const stockChartOption (data) ({ tooltip: { trigger: axis, axisPointer: { type: cross }, // 十字光标金融必备 formatter: params { const date params[0].axisValue const price params[0].value const volume params[1]?.value || 0 return ${date}br/Price: ¥${price.toFixed(2)}br/Volume: ${volume.toLocaleString()} } }, legend: { data: [Close Price, Volume], top: 10 }, grid: { left: 3%, right: 4%, bottom: 3%, containLabel: true }, xAxis: [{ type: category, data: data.dates, // 必须是字符串数组如[2023-01-01, 2023-01-02] axisLabel: { // 金融图表要求x轴只显示交易日且每5天一个刻度 interval: 4, formatter: value { // 简化显示2023-01 → Jan return new Date(value).toLocaleDateString(en-US, { month: short, day: numeric }) } } }], yAxis: [{ type: value, name: Price (¥), position: left, scale: true, // 启用scale避免y轴从0开始 splitLine: { show: false } }, { type: value, name: Volume, position: right, scale: true, splitLine: { show: false } }], series: [{ name: Close Price, type: line, data: data.prices, smooth: true, symbol: none, // 去掉散点金融图忌视觉干扰 lineStyle: { width: 2 } }, { name: Volume, type: bar, data: data.volumes, yAxisIndex: 1, itemStyle: { color: #1890ff }, barWidth: 60% // 宽度控制避免遮挡价格线 }], // 关键启用dataZoom让海量交易日可缩放 dataZoom: [{ type: inside, start: 80, end: 100 }, { type: slider, show: true, start: 80, end: 100, height: 20, bottom: 10 }] })提示data.dates必须是字符串数组非Date对象因为ECharts的category轴不识别Date对象的时区问题。若后端返回的是ISO格式时间戳前端需用date.toISOString().split(T)[0]标准化。4. 模型部署与性能调优从本地开发到生产环境的关键跃迁4.1 Django生产部署宝塔面板下的NginxGunicorn配置要点宝塔部署Django常见坑静态文件404、WebSocket连接被Nginx断开、模型加载超时。关键配置如下# /www/server/panel/vhost/nginx/conf/your-site.conf upstream django_app { server 127.0.0.1:8000; # Gunicorn监听地址 keepalive 32; } server { listen 80; server_name your-domain.com; # 静态文件由Nginx直接服务极大提升性能 location /static/ { alias /www/wwwroot/your-project/staticfiles/; expires 1y; add_header Cache-Control public, immutable; } # 媒体文件如用户上传的CSV也走Nginx location /media/ { alias /www/wwwroot/your-project/media/; expires 1y; } # API请求转发给Gunicorn location /api/ { proxy_pass http://django_app; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; # 关键金融API需长连接避免频繁重建 proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection upgrade; # 超时设置模型预测可能耗时较长 proxy_connect_timeout 60s; proxy_send_timeout 300s; # 模型预测最长5分钟 proxy_read_timeout 300s; } # 根路径走Django首页、登录页等 location / { proxy_pass http://django_app; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }Gunicorn启动命令宝塔计划任务中执行# 在项目根目录运行 gunicorn your_project.wsgi:application \ --bind 127.0.0.1:8000 \ --workers 3 \ # CPU核心数1金融计算密集型建议3-4 --worker-class sync \ # Keras模型不支持gevent异步 --timeout 300 \ # 匹配Nginx的proxy_read_timeout --keep-alive 5 \ --max-requests 1000 \ --preload \ # 关键预加载模型避免worker启动时重复加载 --log-level info \ --access-logfile /www/wwwroot/your-project/logs/gunicorn_access.log \ --error-logfile /www/wwwroot/your-project/logs/gunicorn_error.log注意--preload参数让Gunicorn在fork worker前先加载整个Django应用确保StockPredictor单例在所有worker中共享同一模型实例。若去掉此参数每个worker会独立加载模型导致内存暴涨。4.2 Keras模型优化量化与ONNX加速的实际收益训练好的Keras模型.h5在生产环境推理慢两种轻量级优化方案方案实施方式典型提速适用场景TensorFlow Lite量化tflite_converter --saved_model_dir ./model --output_file ./model.tflite --quantized_input_statsinput:0,128,1272-3倍移动端或边缘设备ONNX Runtime加速tf2onnx.convert(from_kerasTrue, modelmodel, opset12)onnxruntime.InferenceSession(./model.onnx)1.5-2倍Web服务器CPU推理实测对比i7-10700K输入shape(1,60,5)# 原生Keras import time start time.time() pred model.predict(x_test) # 平均耗时 128ms print(fKeras: {time.time()-start:.3f}s) # ONNX Runtime import onnxruntime as ort sess ort.InferenceSession(./model.onnx) start time.time() pred sess.run(None, {input: x_test.astype(np.float32)})[0] # 平均耗时 76ms print(fONNX: {time.time()-start:.3f}s)提示ONNX转换后需验证数值一致性——用相同输入对比Keras和ONNX输出的MSE应小于1e-5。若差异过大检查opset版本是否匹配Keras 2.8建议用opset12。5. 毕设答辩高频问题应对从代码细节到金融逻辑的深度准备5.1 “你们模型准确率多少”——别只报MAPE要讲清评估陷阱答辩时若只说“MAPE3.2%”教授会追问“在什么数据集上测试集是否包含未来信息滚动预测还是单点预测” 正确回答模板“我们采用滚动窗口评估以2020-2022年数据为训练集2023年全年为测试集。每预测一个交易日都用截至该日的全部历史数据重新训练模型模拟真实场景然后预测下一个交易日收盘价。最终MAPE3.2%但需强调两点第一该误差在沪深300成分股中呈偏态分布——银行股波动小MAPE仅1.8%而半导体股波动大达5.7%第二我们未使用‘未来函数’如未来5日最高价作为特征所有特征均基于T-60到T-1日数据构造。”配套代码验证答辩时可现场运行# validate_rolling.py def rolling_mape(y_true, y_pred): 滚动预测MAPE排除首60天无足够历史 errors [] for i in range(60, len(y_true)): # 取前60天训练预测第i天 X_train X[i-60:i] # shape (60, 5) y_train y[i-60:i] model.fit(X_train, y_train) pred model.predict(X[i:i1]) errors.append(abs((y_true[i] - pred[0]) / y_true[i])) return np.mean(errors) * 100 # 输出分行业MAPE industry_map {000001.SZ: Banking, 300760.SZ: Semiconductor} results {} for code in [000001.SZ, 300760.SZ]: y_true, y_pred get_predictions(code) # 获取该股预测结果 results[code] rolling_mape(y_true, y_pred) print(Industry-wise MAPE:, {industry_map[k]: v for k,v in results.items()})5.2 “前端图表怎么响应不同屏幕”——ECharts自适应方案金融大屏常需适配1920x1080到3840x2160但resize()事件监听不及时。终极方案是CSS媒体查询ECharts setOption强制刷新/* responsive.css */ .chart-container { width: 100%; height: 500px; } media (min-width: 1920px) { .chart-container { height: 700px; } } media (min-width: 3840px) { .chart-container { height: 1000px; } }// main.js let chart echarts.init(document.getElementById(main), finance) let resizeTimer window.addEventListener(resize, () { clearTimeout(resizeTimer) resizeTimer setTimeout(() { // 强制重绘避免resize后图表变形 chart.resize({ width: document.getElementById(main).offsetWidth, height: document.getElementById(main).offsetHeight }) // 重新设置option关键 chart.setOption(stockChartOption(currentData), true) }, 200) })注意setOption(..., true)的第二个参数notMerge设为true表示完全替换配置而非合并可防止旧配置残留导致的坐标轴错乱。本文还有配套的精品资源点击获取