第2章：Python环境搭建与金融库入门

做嵌入式出身的人，对Python往往又爱又恨。爱的是它写脚本真快，恨的是环境配置总出幺蛾子。但做金融回测，Python几乎是唯一的选择。没办法，生态太强了。

这一章，我们就把基础环境搭好。别嫌烦，环境搞定了，后面90%的问题都不会遇到。

2.1 Anaconda：一站式环境管理

我个人习惯用Anaconda来管理Python环境。为什么？因为金融回测依赖的库太多了——NumPy、Pandas、yfinance、matplotlib……一个个手动装，版本冲突能让你崩溃。

Anaconda自带conda包管理器，说白了就是帮你自动处理依赖关系。你只需要说“我要装Pandas”，它会把相关的底层库一并搞定。

2.2 Jupyter Notebook：交互式开发的利器

做嵌入式开发时，我们习惯写完整代码再编译烧录。但金融回测不一样——你需要反复试参数、看图表、调策略。这时候Jupyter Notebook就派上用场了。

它把代码、运行结果、图表、说明文字都放在一个页面里。你想想看，这比每次改参数都要重新跑整个脚本方便太多了。

启动方式很简单：

# 在终端输入
jupyter notebook

# 或者用Anaconda Navigator图形界面启动

启动后浏览器会自动打开一个页面。点击右上角的“New”按钮，选择“Python 3”就能新建一个笔记本。

2.3 Pandas与NumPy：金融数据的左膀右臂

做金融回测，你处理的数据无非两种：数值和表格。NumPy管数值计算，Pandas管表格操作。两者配合，天衣无缝。

NumPy基础

NumPy的核心是ndarray（N维数组）。说白了就是一个高性能的数组容器。我刚开始用的时候，最直观的感受就是：比Python原生的list快太多了。

import numpy as np

# 创建数组
prices = np.array([100.5, 101.2, 99.8, 102.1, 100.9])

# 向量化运算（不用写循环）
returns = (prices[1:] - prices[:-1]) / prices[:-1]

print(returns)
# 输出: [ 0.00697 -0.01383  0.02305 -0.01175]

注意看，计算收益率只需要一行代码。如果用原生Python写for循环，至少三四行，而且速度慢一个数量级。

Pandas基础

Pandas的DataFrame，你可以理解成Excel表格的Python版本。但它比Excel强在：可以自动化处理、可以跟数据库对接、可以做时间序列分析。

import pandas as pd

# 创建DataFrame
data = {
    '日期': ['2024-01-02', '2024-01-03', '2024-01-04'],
    '开盘价': [100.5, 101.2, 99.8],
    '收盘价': [101.2, 99.8, 102.1]
}
df = pd.DataFrame(data)

# 查看前两行
print(df.head(2))

# 计算涨跌幅
df['涨跌幅'] = (df['收盘价'] - df['开盘价']) / df['开盘价'] * 100
print(df)

2.4 yfinance：免费获取股票数据

做回测第一步，得有数据。yfinance这个库可以从雅虎财经免费获取历史行情数据。我在项目中用过很多数据源，yfinance是最省心的——不需要API Key，不需要注册，直接pip安装就能用。

# 安装
# pip install yfinance

import yfinance as yf

# 获取苹果公司2024年1月的数据
aapl = yf.download('AAPL', start='2024-01-01', end='2024-01-31')

# 查看数据
print(aapl.head())

# 只保留收盘价
close_prices = aapl['Close']
print(close_prices)

返回的数据是Pandas DataFrame格式，直接就能用我们刚学的Pandas方法处理。你看，环环相扣。

2.5 本章知识体系

下面这张图把本章的核心内容串起来了。你可以把它当成一张地图，后面用到哪个工具，回来翻翻就行。

这张图里，Anaconda是地基，Jupyter是工作台，NumPy和Pandas是工具，yfinance是原材料。四者缺一不可。

2.6 实战：从零到获取第一份数据

光说不练假把式。我们走一遍完整流程：

1. 打开终端，输入 jupyter notebook 启动
2. 新建一个Python 3笔记本
3. 依次输入以下代码：

# 第一步：导入库
import numpy as np
import pandas as pd
import yfinance as yf

# 第二步：获取数据
spy = yf.download('SPY', start='2023-01-01', end='2023-12-31')

# 第三步：简单分析
spy['Daily_Return'] = spy['Close'].pct_change()
print(f"2023年SPY平均日收益率: {spy['Daily_Return'].mean():.4%}")
print(f"年化波动率: {spy['Daily_Return'].std() * np.sqrt(252):.2%}")

运行后，你会看到SPY（标普500 ETF）在2023年的收益率和波动率。嗯，这就是金融回测的起点。

环境搭好了，数据拿到了。接下来就可以开始真正的策略回测了。

---