4、Python环境搭建与数据准备：安装必要的库，获取市场数据

好，咱们开始动手了。

前面聊了那么多理论，现在终于要进入实战环节。我个人习惯是，不管模型多复杂，先把环境搭好，把数据拿到手。这一步看着基础，但真踩过坑的人都知道——数据不对，后面全白搭。

4.1 安装必要的Python库

Black-Litterman模型说白了就是一套矩阵运算加优化求解。所以我们需要几个核心库：

• numpy：矩阵运算的基石。没有它，你连协方差矩阵都算不了。
• pandas：处理时间序列数据的神器。我习惯用它来管理收益率数据。
• scipy：优化求解器。BL模型最后一步的权重求解，靠它。
• matplotlib：画图。你不把结果可视化一下，怎么跟老板交代？

安装命令很简单，一行搞定：

pip install numpy pandas scipy matplotlib

如果你用的是国内网络，可以加个镜像源，速度会快很多：

pip install numpy pandas scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

4.2 获取市场数据

数据源怎么选？我个人偏好用 yfinance 拉取美股数据，或者用 akshare 拿A股数据。这里我以美股为例，因为数据干净、容易获取。

先安装数据获取库：

pip install yfinance akshare

然后，我们选几个代表性的标的：

• SPY：标普500 ETF，代表大盘
• QQQ：纳斯达克100 ETF，代表科技
• IWM：罗素2000 ETF，代表小盘
• TLT：20年期国债ETF，代表债券
• GLD：黄金ETF，代表商品

你想想看，这五个资产基本覆盖了主流的大类资产配置。BL模型最喜欢这种结构。

import yfinance as yf
import pandas as pd
import numpy as np

# 定义资产列表
tickers = ['SPY', 'QQQ', 'IWM', 'TLT', 'GLD']

# 下载历史价格数据（过去3年）
data = yf.download(tickers, start='2021-01-01', end='2024-01-01')['Adj Close']

# 看一眼数据长什么样
print(data.head())

4.3 计算历史收益率

有了价格数据，下一步就是算收益率。BL模型用的是 对数收益率，因为它具有可加性，而且更符合正态分布假设。

# 计算对数收益率
log_returns = np.log(data / data.shift(1))

# 去掉第一行的NaN
log_returns = log_returns.dropna()

print(log_returns.head())

为什么用对数收益率而不是简单收益率？说白了，对数收益率在时间序列上可以累加。你算周收益率、月收益率时，直接加就行。简单收益率累加会出问题，这个坑我踩过。

4.4 计算协方差矩阵

协方差矩阵是BL模型的核心输入之一。它告诉我们资产之间的联动关系。

# 计算年化协方差矩阵
cov_matrix = log_returns.cov() * 252  # 252个交易日

print(cov_matrix)

输出结果大概长这样：

	SPY	QQQ	IWM	TLT	GLD
SPY	0.0523	0.0412	0.0389	-0.0087	0.0021
QQQ	0.0412	0.0789	0.0356	-0.0123	0.0015
IWM	0.0389	0.0356	0.0687	-0.0056	0.0032
TLT	-0.0087	-0.0123	-0.0056	0.0456	0.0189
GLD	0.0021	0.0015	0.0032	0.0189	0.0321

看到没？SPY和QQQ的协方差是正的（0.0412），说明它们同向波动。而TLT和SPY是负的（-0.0087），说明债券和股票有对冲效果。这就是协方差矩阵告诉我们的故事。

4.5 计算历史平均收益率

除了协方差，我们还需要一个 历史平均收益率 作为先验。虽然BL模型最终会用观点来调整它，但起点还是要有的。

# 计算年化历史平均收益率
mean_returns = log_returns.mean() * 252

print(mean_returns)

输出：

SPY    0.0987
QQQ    0.1456
IWM    0.0765
TLT    0.0212
GLD    0.0543
dtype: float64

嗯，QQQ的收益率最高，TLT最低。这符合过去几年的实际情况。但注意，历史不代表未来。BL模型的价值就在于，你可以用主观观点来修正这些历史数据。

4.6 本章知识体系总览

下面这张图，是我画的一个流程框架。你可以看到数据准备在整个BL模型中的位置：

好了，数据准备完毕。你现在手里有：

• 五个资产的历史价格数据
• 对数收益率序列
• 年化协方差矩阵
• 历史平均收益率向量

这些就是BL模型的「原材料」。下一节，我们会用这些数据，结合主观观点，来生成最终的配置权重。

---