简介本资源是一套高分毕业设计级的Python股票预测与分析系统面向计算机及相关专业本科生、研究生及机器学习初学者解决金融时序数据建模、特征工程与模型评估等核心实践问题可直接用于毕业设计、课程设计或期末大作业。压缩包共2000个文件含1675张可视化结果PNG图如股价趋势、特征重要性、模型评估曲线、156个股票行情CSV数据集覆盖AAPL、BAC、^IXIC等主流标的、112个预训练模型参数NPZ/PTH文件、39个Python核心脚本及说明文档整体容量693.45MB结构完整、模块清晰。已有614人学习下载所有代码均经严格调试支持开箱即用。用户可获得完整的端到端实现从数据获取与清洗、技术指标特征构造、LSTM/XGBoost等多模型训练与对比到回测分析与可视化报告生成配套文档详述算法原理、运行步骤与常见问题排错方案。1. 这不是“涨停预测器”而是一套可复现、可答辩、可延展的股票时序建模闭环从原始行情数据清洗到特征工程、模型训练、回测验证与归因分析全部用 Python 实现专为毕业设计场景打磨——它不承诺收益率但能让你在答辩现场清晰讲出每一步为什么这么选、参数怎么调、结果怎么解读、哪里会翻车。很多同学拿到“股票预测”毕设题目第一反应是搜“Python 股票预测源码”下载一个带predict_next_day()函数的脚本喂进几列 CSV 就跑出个 0.82 的准确率答辩时被问“你用的什么特征为什么不用 MACD 而用 RSI滑动窗口长度 60 是怎么确定的测试集有没有未来信息泄露”当场卡壳。这不是代码的问题是整个建模链条断裂数据没对齐、特征没归因、模型没验证、评估没分层。本方案不提供“黑匣子式高分答案”而是按高校毕业设计评审核心维度数据可信、方法合理、过程可复现、结论可归因、代码可运行反向构建——所有模块均基于真实 A 股日频数据以 000001.SZ 平安银行为例使用akshare统一获取用pandas做时间对齐与缺失填充用scikit-learnxgboost构建可解释性强的树模型用backtrader实现无未来信息泄露的滚动回测并配套完整 Markdown 文档说明每个文件作用、每个参数物理含义、每张图如何读。它适合两类人一是零量化基础但熟悉 Python 基础语法和 Pandas 操作的大四学生能照着 README 30 分钟跑通 baseline二是已有机器学习经验、想把毕设做出区分度的同学可直接在特征模块或回测逻辑上做增量改进。重点不是“猜对明天涨跌”而是建立一套经得起追问的时序建模思维框架。2. 数据获取与清洗用 akshare 统一拉取、强制对齐、标记有效交易日杜绝“日期错位”这一毕业答辩最高频翻车点毕业设计中 73% 的模型失效根源不在算法而在数据层——用 Tushare 拉的行情和用 Baostock 拉的财务数据日期格式不一致、节假日未剔除、复权处理方式混用、分钟级数据误当日线用。本方案全程锁定akshare作为唯一数据源因其接口稳定、字段规范、更新及时且返回 DataFrame 天然适配 Pandas 时间序列操作。关键不是“能拿到数据”而是“拿到的数据能直接进模型”。2.1 用 akshare 获取标准化日线行情含复权、停牌、ST 标记import akshare as ak import pandas as pd def fetch_stock_data(symbol: str, start_date: str 20180101, end_date: str 20231231) - pd.DataFrame: 获取指定股票前复权日线数据强制统一字段名与类型 symbol: 股票代码如 000001无需 .SZ/.SH 后缀akshare 自动识别 返回: 包含 date, open, high, low, close, volume, turnover 的 DataFramedate 为 datetime64[ns] 索引 try: # akshare 接口stock_zh_a_hist返回前复权数据避免价格跳变干扰模型 df ak.stock_zh_a_hist( symbolsymbol, perioddaily, start_datestart_date, end_dateend_date, adjustqfq # qfq前复权hfq后复权不填不复权慎用 ) # 标准化列名akshare 有时返回中文列名有时英文此处强制统一 df.columns [date, open, close, high, low, volume, turnover, change_pct, change_amt, amplitude, turnover_rate, pe, pb] # 转换 date 为 datetime 并设为索引必须否则后续 resample/rolling 失效 df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() # 删除完全空行如新股上市前数据 df df.dropna(howall) return df[[open, high, low, close, volume, turnover]] except Exception as e: print(f获取 {symbol} 数据失败: {e}) return pd.DataFrame() # 示例获取平安银行 2018-2023 年数据 df_raw fetch_stock_data(000001) print(f原始数据形状: {df_raw.shape}) print(df_raw.head(3))逻辑说明ak.stock_zh_a_hist是当前最稳定的 A 股日线接口adjustqfq强制前复权消除分红送股导致的价格断层这是训练模型的前提。set_index(date)和sort_index()是硬性要求——所有后续 rolling、shift、resample 操作都依赖正确的时间索引。若跳过此步df.shift(1)可能错位一天模型直接报废。参数说明symbol: 输入纯数字代码如000001akshare 自动补.SZ沪市600000同理。start_date/end_date: 格式必须为YYYYMMDD不能是2018-01-01否则接口报错。adjust: 必选qfq。后复权hfq会导致历史价格虚高不复权空值则分红日出现断崖模型无法学习连续价格行为。2.2 强制对齐多只股票/指数/行业数据用 trading calendar 做交集拒绝“手动删日期”单只股票数据干净了但毕设常需加入大盘指数如000001.SH上证综指或行业指数如801080.SI银行指数作为特征。不同标的交易日历不同如科创板新股首日无涨跌幅限制但指数成分股调整日可能停牌直接pd.concat([df_stock, df_index], axis1)会因索引不匹配产生大量 NaN且 NaN 位置不可控。正确做法是先获取全市场有效交易日再对所有数据集做reindex。import akshare as ak def get_trading_calendar(start_date: str 20180101, end_date: str 20231231) - pd.DatetimeIndex: 获取 A 股全市场有效交易日剔除周末、节假日、交易所休市日 # akshare 提供 stock_zh_a_daily 的交易日历接口 cal_df ak.tool_trade_date_hist_sina() cal_df[trade_date] pd.to_datetime(cal_df[trade_date]) mask (cal_df[trade_date] pd.to_datetime(start_date)) \ (cal_df[trade_date] pd.to_datetime(end_date)) return cal_df[mask][trade_date].dt.date.unique() def align_to_calendar(df_list: list, calendar: pd.DatetimeIndex) - list: 将多个 DataFrame 按 calendar 重新索引缺失值用前向填充ffill 后向填充bfill保证连续 aligned [] for df in df_list: # 先确保 df 索引是 DatetimeIndex非 date 字符串 if not isinstance(df.index, pd.DatetimeIndex): df.index pd.to_datetime(df.index) # reindex 到 calendar缺失用 ffillbfill比单纯 ffill 更鲁棒避免首日 NaN df_aligned df.reindex(calendar, methodffill).fillna(methodbfill) aligned.append(df_aligned) return aligned # 示例对齐平安银行与上证综指 df_stock fetch_stock_data(000001) df_index ak.stock_zh_a_hist(symbol000001, perioddaily, start_date20180101, end_date20231231, adjustqfq) df_index df_index.set_index(date)[[close]].rename(columns{close: index_close}) calendar get_trading_calendar(20180101, 20231231) [df_stock_aligned, df_index_aligned] align_to_calendar([df_stock, df_index], calendar) print(f对齐后平安银行数据形状: {df_stock_aligned.shape}) print(f对齐后上证综指数据形状: {df_index_aligned.shape}) print(检查首三日是否对齐:) print(pd.concat([df_stock_aligned.head(3), df_index_aligned.head(3)], axis1))逻辑说明get_trading_calendar从新浪接口拉取权威交易日历比pd.bdate_range更准后者不包含国庆/春节休市。align_to_calendar中reindex(..., methodffill)表示用最近一个交易日数据填充当日如周一开盘前用周五收盘价fillna(methodbfill)处理序列开头的 NaN如新股上市日之前。这比简单dropna()保留更多样本且符合实盘逻辑——模型在非交易日不预测但特征需有值。参数说明calendar: 必须是pd.DatetimeIndex不能是list或numpy.ndarray否则reindex报错。methodffill: 关键若用methodNone则产生 NaN后续rolling计算会传播 NaN最终模型输入全是空。fillna(methodbfill): 仅用于填补序列起始处的 NaN避免df.iloc[0]为 NaN 导致df.shift(1)错乱。2.3 标记 ST/*ST、退市、停牌状态用 akshare 财务预警数据增强标签鲁棒性单纯用涨跌close close.shift(1)定义“上涨”标签在 ST 股上会严重失真ST 股日涨跌幅限制为 5%正常股为 10%同样涨 4.9%前者是强势后者是弱势。毕业设计若忽略此点答辩时被问“你的模型在 ST 股上表现如何”无法回答。本方案引入akshare.stock_zh_a_st_em获取全市场 ST 状态并标记is_st特征。def add_st_flag(df: pd.DataFrame, symbol: str, start_date: str, end_date: str) - pd.DataFrame: 为股票数据添加 ST 状态标记1ST0非ST解决涨跌幅限制差异问题 try: st_df ak.stock_zh_a_st_em() # 获取全市场 ST 股列表及起止日期 # 筛选目标股票的 ST 记录 st_records st_df[st_df[代码] symbol] if st_records.empty: df[is_st] 0 return df # 构建每日 ST 状态序列 st_series pd.Series(0, indexdf.index) for _, row in st_records.iterrows(): start_dt pd.to_datetime(row[起始日期]) end_dt pd.to_datetime(row[终止日期]) if pd.notna(row[终止日期]) else df.index[-1] # 标记区间内所有交易日为 1 mask (df.index start_dt) (df.index end_dt) st_series[mask] 1 df[is_st] st_series.astype(int) return df except Exception as e: print(f添加 ST 标签失败: {e}) df[is_st] 0 return df # 为平安银行添加 ST 标签实际平安银行从未 ST但代码需通用 df_stock_final add_st_flag(df_stock_aligned, 000001, 20180101, 20231231) print(ST 标签统计:) print(df_stock_final[is_st].value_counts())逻辑说明ak.stock_zh_a_st_em返回 DataFrame 包含代码,名称,起始日期,终止日期精确到日。我们遍历每条记录用布尔索引mask批量赋值避免for loop df.loc的低效。is_st列后续可用于① 在特征工程中构造st_adjusted_return (close/close.shift(1)-1) * (1 0.05*is_st)统一涨跌幅尺度② 在模型训练中作为分组变量做 StratifiedKFold 防止 ST 股集中出现在某折③ 在结果分析中单独统计 ST 股预测准确率。参数说明symbol: 必须与fetch_stock_data中一致且为 6 位纯数字。start_date/end_date: 与主数据时间范围一致确保st_series长度匹配df.index。st_series.astype(int): 强制转为 int避免后续groupby时被识别为 float 导致分组错误。3. 特征工程不止于技术指标构建“价格-量-情绪-宏观”四维特征空间每维特征附带物理含义与可解释性验证毕业设计最容易被质疑的是“特征为什么有效”。写“我用了 MACD因为它是经典指标”不够要证明“MACD 的 DIF 线斜率与未来 5 日收益率呈显著负相关p0.01”。本方案特征体系分四层基础价格量特征Price Volume、衍生技术指标Technical Indicators、市场情绪代理Market Sentiment Proxy、宏观周期信号Macro Cycle Signal。所有特征均通过scipy.stats.spearmanr计算与目标变量未来 N 日收益率的秩相关系数并筛选 |ρ| 0.12 且 p 0.05 的特征进入模型确保每维都有统计学支撑。3.1 基础价格量特征用滚动统计替代静态值捕捉动态变化趋势静态价格如close本身无预测能力但其变化率、波动率、相对位置有强信号。本方案采用rolling(window20).apply()计算 20 日约 1 个月动态统计量窗口大小 20 是经验值太小5噪声大太大60滞后严重。所有计算均用min_periods10保证早期数据不全时仍能输出避免首 10 日全 NaN。import numpy as np from scipy import stats def add_price_volume_features(df: pd.DataFrame, window: int 20) - pd.DataFrame: 添加基础价格与成交量滚动特征 df df.copy() # 1. 价格动量20日收益率未来预测目标的基础 df[return_1d] df[close].pct_change(1) # 当日收益率 df[return_5d] df[close].pct_change(5) # 5日累计收益率常用预测目标 # 2. 波动率20日收益率标准差衡量风险 df[volatility_20d] df[return_1d].rolling(windowwindow, min_periods10).std() # 3. 相对位置收盘价在20日高低点区间中的百分位0最低1最高 high_20d df[high].rolling(windowwindow, min_periods10).max() low_20d df[low].rolling(windowwindow, min_periods10).min() df[position_20d] (df[close] - low_20d) / (high_20d - low_20d 1e-8) # 1e-8 防除零 # 4. 成交量异常20日均量倍数1.5 倍视为放量 vol_mean_20d df[volume].rolling(windowwindow, min_periods10).mean() df[volume_ratio_20d] df[volume] / (vol_mean_20d 1e-8) # 5. 量价背离价格创新高但成交量未创新高看跌信号 df[price_new_high] (df[close] high_20d).astype(int) df[vol_new_high] (df[volume] df[volume].rolling(windowwindow, min_periods10).max()).astype(int) df[divergence_bearish] ((df[price_new_high] 1) (df[vol_new_high] 0)).astype(int) return df df_feat add_price_volume_features(df_stock_final) print(基础特征列:, [c for c in df_feat.columns if c not in df_stock_final.columns]) print(df_feat[[return_1d, volatility_20d, position_20d, volume_ratio_20d]].tail(3))逻辑说明position_20d是布林带、RSI 的底层逻辑——衡量当前价格在近期区间的位置。divergence_bearish是经典量价背离用布尔运算(A B)直接生成 0/1 标签比连续值更易被树模型捕获。所有rolling操作均加min_periods10确保数据初期如新股上市第 5 天也能计算避免NaN断链。参数说明window20: 对应月线级别平衡灵敏度与稳定性。若研究周频策略可改为window4。1e-8: 防除零安全项必须存在。若用0low_20d为 0 时position_20d为inf模型崩溃。astype(int): 将布尔 Series 转为整型确保后续XGBoost输入为数值型避免TypeError。3.2 技术指标特征用 talib 封装标准计算但只取“斜率”与“交叉”等可解释子特征直接扔talib.MACD()返回的macd, signal, hist三列进模型是玄学。XGBoost 等树模型无法理解hist的正负含义但能轻松学习“hist由负转正”这个事件。本方案只提取斜率Slope、金叉/死叉Crossover、超买/超卖Overbought/Oversold三类可解释子特征。import talib def add_talib_features(df: pd.DataFrame, window_fast: int 12, window_slow: int 26, window_signal: int 9) - pd.DataFrame: 添加 talib 计算的技术指标子特征仅取可解释部分 df df.copy() # 1. MACD 子特征 macd, signal, hist talib.MACD( df[close].values, fastperiodwindow_fast, slowperiodwindow_slow, signalperiodwindow_signal ) df[macd_hist] hist df[macd_slope] np.gradient(hist) # hist 的一阶导数斜率 df[macd_crossover] ((hist 0) (hist.shift(1) 0)).astype(int) # 由负转正金叉 df[macd_crossunder] ((hist 0) (hist.shift(1) 0)).astype(int) # 由正转负死叉 # 2. RSI 子特征仅取超买超卖 rsi talib.RSI(df[close].values, timeperiod14) df[rsi] rsi df[rsi_overbought] (rsi 70).astype(int) # RSI70超买 df[rsi_oversold] (rsi 30).astype(int) # RSI30超卖 # 3. 布林带子特征仅取位置与带宽 upper, middle, lower talib.BBANDS( df[close].values, timeperiod20, nbdevup2, nbdevdn2, matype0 ) df[bb_position] (df[close] - lower) / (upper - lower 1e-8) # 同 position_20d但用布林带 df[bb_width] (upper - lower) / middle # 带宽/中轨衡量波动率扩张 return df # 注意需先 pip install TA-LibWindows 用户推荐用 whl 安装避免编译 df_feat add_talib_features(df_feat) print(TA-Lib 子特征列:, [c for c in df_feat.columns if c not in df_stock_final.columns and c not in [return_1d, return_5d]])逻辑说明np.gradient(hist)计算hist序列的数值微分比hist.diff()更平滑能更好捕捉加速/减速。macd_crossover用(hist 0) (hist.shift(1) 0)精确捕捉“穿越零轴”瞬间而非简单hist hist.shift(1)那是斜率非交叉。bb_width是布林带核心信号——带宽收缩后扩张预示变盘比bb_position更早发出信号。参数说明talib.MACD:fastperiod12,slowperiod26,signalperiod9是默认参数不建议修改否则与教材/论文不可比。talib.RSI:timeperiod14是标准周期70/30 阈值来自经典定义非调参结果。talib.BBANDS:nbdevup2,nbdevdn2即 2 倍标准差matype0为 SMA确保与主流软件一致。3.3 市场情绪与宏观特征用公开免费数据源构造代理变量拒绝虚构“情绪指数”“情绪”不可直接观测但可用代理变量融资融券余额变化率反映杠杆资金态度、北向资金净流入反映外资态度、十年期国债收益率反映无风险利率影响估值。本方案全部使用akshare免费接口无需 API Key。def add_sentiment_macro_features(df: pd.DataFrame, calendar: pd.DatetimeIndex) - pd.DataFrame: 添加市场情绪与宏观特征全部 akshare 免费接口 df df.copy() # 1. 融资融券余额全市场单位亿元 try: margin_df ak.stock_margin_cninfo() margin_df[日期] pd.to_datetime(margin_df[日期]) margin_df margin_df.set_index(日期)[融资余额(亿元)].sort_index() # 对齐到 calendar margin_aligned margin_df.reindex(calendar, methodffill).fillna(methodbfill) df[margin_change_5d] margin_aligned.pct_change(5) # 5日变化率 except: df[margin_change_5d] 0 # 接口失败时置 0不影响主流程 # 2. 北向资金沪深股通净流入单位亿元 try: north_df ak.stock_hk_hold_cninfo() north_df[日期] pd.to_datetime(north_df[日期]) north_df north_df.set_index(日期)[净买入额(亿元)].sort_index() north_aligned north_df.reindex(calendar, methodffill).fillna(methodbfill) df[north_net_inflow_5d] north_aligned.rolling(5).sum() # 5日累计净流入 except: df[north_net_inflow_5d] 0 # 3. 十年期国债收益率中债网 try: bond_df ak.bond_china_yield() bond_df[date] pd.to_datetime(bond_df[date]) bond_df bond_df[bond_df[name] 10年].set_index(date)[yield].sort_index() bond_aligned bond_df.reindex(calendar, methodffill).fillna(methodbfill) df[bond_yield_10y] bond_aligned except: df[bond_yield_10y] 0 return df df_feat add_sentiment_macro_features(df_feat, calendar) print(情绪宏观特征:, [c for c in df_feat.columns if margin_ in c or north_ in c or bond_ in c])逻辑说明margin_change_5d是融资余额 5 日变化率正值表示杠杆资金加速入场常领先市场 3-5 日。north_net_inflow_5d是北向资金 5 日累计净流入比单日更稳定。bond_yield_10y是无风险利率锚其上升压制成长股估值下降利好科技股——这些都有扎实金融理论支撑答辩时可引用《投资学》CAPM 模型解释。参数说明ak.stock_margin_cninfo(): 返回全市场融资融券数据非个股故直接用作宏观特征。ak.stock_hk_hold_cninfo(): 沪深股通数据净买入额是核心指标买入额/卖出额单独意义弱。ak.bond_china_yield():name10年精确筛选避免误用 1 年期数据。3.4 特征有效性验证用 Spearman 秩相关筛选拒绝“拍脑袋选特征”所有特征必须通过统计检验才进入模型。本方案对每个特征f计算其与目标变量y return_5d.shift(-5)即用今日特征预测未来 5 日收益率的 Spearman 相关系数 ρ 和 p 值。只保留|ρ| 0.12且p 0.05的特征。阈值 0.12 来自实证在 A 股日频数据上低于此值的特征在 XGBoost 中重要性常排末尾且交叉验证波动大。from scipy.stats import spearmanr def validate_features(df: pd.DataFrame, target_col: str return_5d, shift_days: int 5, min_corr: float 0.12, p_value: float 0.05) - list: 验证特征与目标变量的相关性返回通过检验的特征名列表 y df[target_col].shift(-shift_days) # 目标未来5日收益率 valid_features [] # 遍历所有数值列排除日期、字符串列 for col in df.select_dtypes(include[np.number]).columns: if col target_col or col return_1d: # 排除目标自身和单日收益信息泄露 continue x df[col].dropna() y_aligned y.reindex(x.index) # 对齐 x 的索引 # 剔除 y 为 NaN 的样本 mask y_aligned.notna() x_clean x[mask] y_clean y_aligned[mask] if len(x_clean) 50: # 样本太少跳过 continue try: corr, p spearmanr(x_clean, y_clean) if abs(corr) min_corr and p p_value: valid_features.append((col, corr, p)) print(f✓ {col:20s} | ρ{corr:6.3f} | p{p:.3f}) else: print(f✗ {col:20s} | ρ{corr:6.3f} | p{p:.3f} (未通过)) except: print(f? {col:20s} | 计算失败) return [item[0] for item in valid_features] # 执行验证注意target_col 是 return_5d但预测目标是其未来值故 shift(-5) valid_feats validate_features(df_feat, target_colreturn_5d, shift_days5) print(f\n通过检验的有效特征共 {len(valid_feats)} 个:) print(valid_feats)逻辑说明spearmanr计算秩相关对异常值鲁棒比 Pearson 更适合金融数据。y df[target_col].shift(-shift_days)是关键——shift(-5)表示用今日特征预测 5 日后收益若误用shift(5)则用未来特征预测过去彻底信息泄露。reindex(x.index)确保 x 和 y 在相同日期对齐避免因停牌导致的索引错位。参数说明shift_days5: 与毕设目标一致若做 1 日预测改为1。min_corr0.12: 经验阈值可在0.10~0.15间微调但不宜低于0.10噪声主导。p_value0.05: 经典显著性水平答辩时可解释为“95% 置信度下特征与收益相关”。4. 模型训练与评估用 XGBoost 构建可解释树模型严格滚动时序分割拒绝随机打乱——这才是毕业设计该有的严谨很多“股票预测”代码用train_test_split(random_state42)随机切分这在时序数据中是致命错误模型看到未来数据测试集中的某天来预测过去训练集中的某天准确率虚高。本方案采用滚动时序分割Rolling Time Series Split训练集为[t0, t1]验证集为[t11, t2]测试集为[t21, t3]严格按时间推进。同时用XGBoost替代 LSTM 等黑盒模型因其特征重要性可导出、单棵树可可视化、SHAP 值可归因完美契合毕业答辩“讲清楚为什么”的核心诉求。4.1 构建滚动时序分割器保证训练/验证/测试集时间不重叠、不倒流from sklearn.model_selection import TimeSeriesSplit import numpy as np class RollingTimeSeriesSplit: 严格按时间滚动的分割器支持 train/val/test 三段划分 def __init__(self, train_size: int 1000, val_size: int 200, test_size: int 200): train_size: 训练集样本数交易日数 val_size: 验证集样本数 test_size: 测试集样本数 self.train_size train_size self.val_size val_size self.test_size test_size def split(self, X: pd.DataFrame): 生成 (train_idx, val_idx, test_idx) 元组迭代器 n_samples len(X) start 0 while start self.train_size self.val_size self.test_size n_samples: train_end start self.train_size val_end train_end self.val_size test_end val_end self.test_size train_idx X.index[start:train_end] val_idx X.index[train_end:val_end] test_idx X.index[val_end:test_end] yield train_idx, val_idx, test_idx start 1 # 每次滚动1天模拟实盘每日更新 # 示例对平安银行数据进行分割 X_full df_feat[valid_feats].dropna() # 只取有效特征删除含 NaN 行 y_full df_feat[return_5d].shift(-5).reindex(X_full.index) # 目标变量对齐 # 初始化分割器 tss RollingTimeSeriesSplit(train_size1000, val_size200, test_size200) splits list(tss.split(X_full)) print(f总样本数: {len(X_full)}) print(f可生成 {len(splits)} 组滚动分割) print(f第一组分割: 训练 {len(splits[0][0])} 天, 验证 {len(splits[0][1])} 天, 测试 {len(splits[0][2])} 天)逻辑说明RollingTimeSeriesSplit每次yield一个(train_idx, val_idx, test_idx)元组idx是DatetimeIndex确保后续X.loc[train_idx]取出的数据严格按时间顺序。start 1实现每日滚动比TimeSeriesSplit的固定折叠更贴近实盘。dropna()在分割前执行避免分割后某折出现 NaN 导致训练失败。参数说明本文还有配套的精品资源点击获取