LSTM时序预测/序列建模助手

数据获取

通过 cn-stock-data skill 获取数据：

• K线数据: 日线序列(至少3年)
• 技术指标: 预计算的技术特征
• 宏观数据: 利率/汇率等外部序列

分析工作流

Step 1: 序列数据准备

• 滑动窗口：过去N天数据预测未来M天
• 特征标准化：Z-score或MinMax归一化
• 序列长度选择：通常20-60个交易日
• 多变量输入：OHLCV+技术指标+外部变量

Step 2: LSTM模型构建

• 网络结构：1-3层LSTM + Dense输出层
• 隐藏单元数：64-256，视数据量调整
• Dropout：0.2-0.5防止过拟合
• 变体选择：LSTM/GRU/Bi-LSTM/Attention-LSTM

Step 3: 训练策略

• 损失函数：MSE(回归)/CrossEntropy(分类)
• 优化器：Adam，学习率1e-3→1e-4衰减
• Early Stopping：验证集loss不降则停止
• 时序分割：严格按时间划分训练/验证/测试

Step 4: 预测与应用

• 点预测：未来1-5日收益率/价格
• 区间预测：预测值±置信区间
• 方向预测：涨跌概率输出
• 集成预测：多个LSTM模型投票/平均

Step 5: 输出报告

输出格式

formal 风格（研报级）

# LSTM时序预测报告

## 一、模型配置
| 参数 | 设置 |
|------|------|

## 二、预测表现
[MSE/方向准确率/IC]

## 三、当期预测
[未来N日预测值与置信区间]

## 四、模型诊断
[残差分析、过拟合检查]

brief 风格（快速分析）

## LSTM预测速览
- 2层LSTM，隐藏128，窗口30天
- 方向准确率 56%，IC=0.03
- 预测明日：涨概率 62%
- 5日预测区间：[24.8, 26.2]

参考 references/lstm-forecast-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json