4、Python环境与数据准备：Anaconda安装、Jupyter Notebook配置、债券数据API获取（Wind/Bloomberg模拟）、数据清洗基础

好，咱们正式开始动手了。

前面三章聊了不少理论，什么做市商定价逻辑、报价价差模型、库存管理策略……说实话，光看这些容易犯困。我当年刚入行的时候也是这样，看了两周论文，结果打开电脑发现连Wind接口都调不通，别提多郁闷了。

所以这一章，咱们先把地基打牢。环境搭好了，后面写代码才顺手。

4.1 Anaconda安装：别小看这一步

我个人习惯用Anaconda来管理Python环境。为什么？因为做债券量化，你免不了要装一堆库——pandas、numpy、scipy、statsmodels、matplotlib……一个个手动装，版本冲突能让你怀疑人生。

Anaconda自带conda包管理器，说白了就是帮你把依赖关系理清楚。我建议直接装最新版的Anaconda，去官网下载就行。安装时有个坑：记得勾选“Add Anaconda to my PATH environment variable”。虽然安装界面会提示不推荐，但我曾经因为这个没勾，后面在命令行里死活找不到conda命令，折腾了半小时。

装完之后，打开终端（Windows用Anaconda Prompt），输入：

conda --version

能看到版本号，说明装好了。嗯，这一步很简单，但别跳过。

4.2 Jupyter Notebook配置：你的交互式实验台

做债券做市模型，我很少用PyCharm或者VS Code直接写脚本。为什么？因为做市策略需要反复调试参数、看中间结果。Jupyter Notebook的交互式特性，说白了就是让你边写边看，跟做实验一样。

安装完Anaconda后，Jupyter Notebook已经自带了。启动方式：

jupyter notebook

浏览器会自动打开一个页面。我个人习惯先创建一个专用文件夹，比如叫bond_making，所有代码都放里面。

这里有个小技巧：配置Jupyter Notebook的默认工作目录。不然每次启动都要cd到目标文件夹，挺烦的。

修改方法：

1. 在终端输入 jupyter notebook --generate-config
2. 找到生成的 jupyter_notebook_config.py 文件
3. 搜索 c.NotebookApp.notebook_dir，改成你的路径，比如 'D:/bond_making'

4.3 债券数据API获取：Wind/Bloomberg模拟

做债券做市，数据是第一关。你想想看，没有实时行情，你怎么报价？

国内用Wind最多，国外用Bloomberg。但这两个API都是收费的，而且接口文档写得……嗯，你懂的。咱们课程里没法直接用真实API，所以我写了一个模拟数据生成器，模拟Wind和Bloomberg的返回格式。

先看Wind风格的模拟代码：

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def mock_wind_bond_data(bond_code='210205.IB', days=100):
    """
    模拟Wind债券行情数据
    返回DataFrame，包含日期、净价、全价、到期收益率、久期
    """
    np.random.seed(42)
    dates = [datetime.now() - timedelta(days=i) for i in range(days)]
    dates.sort()
    
    # 模拟净价，围绕100元波动
    clean_price = 100 + np.cumsum(np.random.normal(0, 0.1, days))
    # 模拟全价（净价+应计利息）
    accrued_interest = np.random.uniform(0.5, 1.5, days)
    dirty_price = clean_price + accrued_interest
    # 模拟到期收益率
    ytm = 0.03 + np.random.normal(0, 0.002, days)
    # 模拟久期
    duration = np.random.uniform(4.5, 5.5, days)
    
    df = pd.DataFrame({
        'date': dates,
        'clean_price': clean_price.round(4),
        'dirty_price': dirty_price.round(4),
        'ytm': ytm.round(6),
        'duration': duration.round(4)
    })
    df['bond_code'] = bond_code
    return df

# 试试看
df_wind = mock_wind_bond_data()
print(df_wind.head())

Bloomberg的模拟也类似，只是字段名不同。Bloomberg习惯用PX_LAST表示最新价，YLD_CNV表示到期收益率。我在项目中遇到过一个问题：两个系统的字段名不统一，导致策略回测时数据对不上。所以建议一开始就建一个字段映射表。

字段含义	Wind字段	Bloomberg字段	统一字段
净价	clean_price	PX_LAST	clean_price
全价	dirty_price	PX_DIRTY	dirty_price
到期收益率	ytm	YLD_CNV	ytm
久期	duration	DUR_ADJ	duration

4.4 数据清洗基础：脏数据是量化的大敌

数据拿到了，但别急着用。你想想看，Wind和Bloomberg返回的数据真的干净吗？

我在项目中遇到过：某只债券某天的净价突然变成0，或者到期收益率出现负值（国债偶尔会有，但信用债不应该）。这些异常值如果不处理，模型会直接跑偏。

数据清洗，说白了就是三件事：

1. 缺失值处理——是直接删掉，还是用前值填充？
2. 异常值检测——价格超出3倍标准差，要不要标记？
3. 重复值去重——同一只债券同一天出现两条记录，留哪条？

来看一段清洗代码：

def clean_bond_data(df):
    """
    债券数据清洗函数
    """
    # 1. 去重：按日期和债券代码去重，保留第一条
    df = df.drop_duplicates(subset=['date', 'bond_code'], keep='first')
    
    # 2. 缺失值：净价为空时，用前一天的净价填充
    df['clean_price'] = df['clean_price'].fillna(method='ffill')
    
    # 3. 异常值：净价超出[80, 120]范围的，标记为NaN并填充
    df.loc[(df['clean_price'] < 80) | (df['clean_price'] > 120), 'clean_price'] = np.nan
    df['clean_price'] = df['clean_price'].fillna(method='ffill')
    
    # 4. 收益率合理性检查：国债收益率一般在1%-5%之间
    df.loc[(df['ytm'] < 0.01) | (df['ytm'] > 0.05), 'ytm'] = np.nan
    df['ytm'] = df['ytm'].fillna(method='ffill')
    
    return df

# 应用清洗
df_clean = clean_bond_data(df_wind)
print(f"清洗前数据量: {len(df_wind)}, 清洗后: {len(df_clean)}")

嗯，数据清洗这块，没有标准答案。不同的策略对数据质量要求不一样。比如高频做市，对Tick级数据的精度要求极高；而做趋势策略的，日频数据稍微有点噪声也能接受。我的建议是：先定策略，再定清洗规则。

4.5 本章知识体系总览

说了这么多，咱们用一张图把这一章的内容串起来。我画了个流程图，帮你理清从环境搭建到数据清洗的完整链路：

这张图把咱们这一章的内容串起来了。从Anaconda安装开始，到Jupyter配置，再到API获取数据，最后落到数据清洗。每一步都环环相扣，缺一不可。

好了，环境搭好了，数据也洗干净了。下一章咱们就可以开始真正的做市报价模型了——不过那是后面的事。先把这一章的代码跑通，有问题随时翻回来看看。

---

公众号:蓝海数据掘金营，微信deep3321