2. 环境搭建：Anaconda安装、TensorFlow/PyTorch安装、Jupyter Notebook配置、常用库安装
说实话，做量化交易的人，最怕的就是环境配不好。
我见过太多人，模型写好了，结果跑不起来。一查，原来是TensorFlow版本不对，或者CUDA没装好。这种坑，我踩过不止一次。
今天咱们就把环境一次性搞定。你跟着我的步骤来，保证不出错。
2.1 为什么选Anaconda？
Anaconda是什么？说白了，就是一个Python的包管理器加虚拟环境工具。
我个人习惯用Anaconda，原因很简单：
- 隔离环境：每个项目一套环境，互不干扰
- 包管理方便：conda install 比 pip 稳得多
- 自带Jupyter：装完就能用，省事
核心观点：做量化研究，环境隔离是底线。别把所有包装到base环境里，迟早会出问题。
2.2 Anaconda安装步骤
去官网下载Anaconda，选Python 3.9+版本。我建议用2023年以后的版本，兼容性好。
安装时注意两点：
- 勾选"Add Anaconda to my PATH environment variable"——虽然官方不推荐，但咱们做量化的人，命令行用得频繁，加上更方便。
- 安装路径不要有中文——这个坑我踩过，有些库对中文路径不兼容。
装完后，打开终端（Windows用Anaconda Prompt），输入：
conda --version如果显示版本号，说明装好了。
小技巧：我个人习惯装完Anaconda后，先更新一下所有包：conda update --all。这样能避免很多版本冲突。
2.3 创建虚拟环境
咱们做LSTM量化择时，需要一个干净的环境。我建议这样创建：
conda create -n lstm_quant python=3.9
conda activate lstm_quant环境名叫 lstm_quant，Python 3.9。为什么选3.9？因为TensorFlow 2.x对3.9支持最好。3.10以上有些库还没适配。
2.4 TensorFlow安装
TensorFlow是咱们的主力框架。安装命令很简单：
pip install tensorflow==2.13.0为什么指定版本？因为最新版有时候不稳定。2.13.0是我实测过，跟LSTM相关的API都兼容。
装完后，验证一下：
python -c "import tensorflow as tf; print(tf.__version__)"如果输出 2.13.0，就对了。
注意：如果你有NVIDIA显卡，想用GPU加速，需要额外装CUDA和cuDNN。我个人建议：刚开始学，用CPU版就够了。等模型跑通了，再考虑GPU。
2.5 PyTorch安装（可选）
虽然咱们课程主要用TensorFlow，但PyTorch在学术界也很流行。装一个备用：
pip install torch torchvision torchaudio验证：
python -c "import torch; print(torch.__version__)"嗯，这里要注意：PyTorch和TensorFlow可以共存，但别在同一个项目里混用。我见过有人两个框架来回倒，最后代码乱成一锅粥。
2.6 Jupyter Notebook配置
Jupyter是咱们写量化策略的主力工具。Anaconda自带，但需要配置一下内核：
conda install ipykernel
python -m ipykernel install --user --name lstm_quant --display-name "LSTM Quant"这样，打开Jupyter后，就能在"New"菜单里看到"LSTM Quant"这个内核了。
启动Jupyter：
jupyter notebook浏览器会自动打开。如果没打开，手动复制终端里的URL。
我的习惯：我会在Jupyter里装一个jupyter_contrib_nbextensions，里面有个"Table of Contents"插件，写长文档时特别方便。
2.7 常用库安装
做量化择时，下面这些库是必备的：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| numpy | 数值计算 | conda install numpy |
| pandas | 数据处理 | conda install pandas |
| matplotlib | 数据可视化 | conda install matplotlib |
| scikit-learn | 数据预处理 | conda install scikit-learn |
| tushare | A股数据获取 | pip install tushare |
| yfinance | 美股数据获取 | pip install yfinance |
一次性装完：
conda install numpy pandas matplotlib scikit-learn
pip install tushare yfinance装完后，写个脚本测试一下：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import sklearn
import tushare as ts
print("所有库导入成功！")如果没报错，恭喜你，环境搭好了。
避坑指南：我曾经遇到过tushare安装后导入报错，原因是依赖的requests版本太低。解决办法：pip install --upgrade requests。
2.8 环境验证：跑一个简单的LSTM
为了确认所有库都能协同工作，咱们跑一个最简单的LSTM示例：
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 生成随机数据
X = np.random.randn(100, 10, 1)
y = np.random.randn(100, 1)
# 构建LSTM模型
model = Sequential([
LSTM(50, activation='relu', input_shape=(10, 1)),
Dense(1)
])
model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=5, verbose=1)
print("LSTM模型跑通了！")如果看到训练进度条，说明环境完全OK。
2.9 本章知识体系
下面这张图，帮你理清环境搭建的整个流程：
这张图展示了咱们从Anaconda开始，一步步搭建到最终验证的完整链路。你跟着这个流程走，不会漏掉任何一步。
2.10 写在最后
环境搭建这件事，说难不难，说简单也不简单。关键是别急，一步步来。
我刚开始做量化的时候，光配环境就花了两天。后来发现，其实就是版本没对齐。所以这次我直接把版本号都给你标好了，照着装就行。
下一章，咱们就开始真正接触LSTM了。到时候，你会感谢今天认真搭环境的自己。