摘要“给我10年的股票日线，预测未来5天的开盘、收盘、最高、最低涨跌幅”——看似简单的时间序列任务，在实际落地中却充满挑战：单一模型难以捕捉长程依赖，固定训练集浪费大量后期数据，点预测无法量化不确定性。本文从基础的LSTM出发，逐步演进到Transformer、PatchTST，最后在充足算力下选择了Informer，并配合Walk‑Forward 滚动训练让整整10年的数据全部发挥作用。文章提供完整的数据构造、特征工程、Informer概率建模以及Walk‑Forward回测代码，可直接落地。一、问题定义与数据构造1.1 预测目标我们要利用过去一段连续交易日的四种涨跌幅（相对于前一日收盘）来预测未来5日的这四种涨跌幅。1.2 计算四种涨跌幅close=df['close'].values ret_close
摘要“给我10年的股票日线，预测未来5天的开盘、收盘、最高、最低涨跌幅”——看似简单的时间序列任务，在实际落地中却充满挑战：单一模型难以捕捉长程依赖，固定训练集浪费大量后期数据，点预测无法量化不确定性。本文从基础的LSTM出发，逐步演进到Transformer、PatchTST，最后在充足算力下选择了Informer，并配合Walk‑Forward 滚动训练让整整10年的数据全部发挥作用。文章提供完整的数据构造、特征工程、Informer概率建模以及Walk‑Forward回测代码，可直接落地。一、问题定义与数据构造1.1 预测目标我们要利用过去一段连续交易日的四种涨跌幅（相对于前一日收盘）来预测未来5日的这四种涨跌幅。1.2 计算四种涨跌幅close=df['close'].values ret_close
![【Bug已解决】[modular] ensure branch-specific input defaults 解决方案](http://pic.xiahunao.cn/yaotu/【Bug已解决】[modular] ensure branch-specific input defaults 解决方案)
