2、环境准备与工具链：Python环境、Jupyter Notebook、Pandas、Scikit-learn、TensorFlow/PyTorch安装与验证

做量化金融，尤其是汇率预测，说白了就是和数据、模型打交道。你想想看，如果工具链没搭好，后面写代码、调参数、跑实验，每一步都可能踩坑。我个人习惯是，开工前先把环境收拾利索，后面能省下大把时间。

这一章，我就带你从头捋一遍。咱们要装的东西不少，但别怕，我按顺序来，保证你跟着做就能跑起来。

2.1 Python环境：选对版本，少走弯路

Python版本这事儿，我吃过亏。以前有个项目，图新鲜装了Python 3.12，结果TensorFlow死活装不上，折腾了两天。后来发现，很多金融库对最新版支持并不好。

我的建议是：用Python 3.9或3.10。这两个版本稳定，主流库都兼容。

安装时记得勾选「Add Python to PATH」。嗯，这一步很重要，不然你后面在命令行敲python会找不到命令。

2.2 虚拟环境：隔离项目，避免冲突

做机器学习项目，不同项目依赖的库版本可能不一样。比如项目A用TensorFlow 2.10，项目B用2.15，混在一起就乱套了。

我建议用 venv 或 conda 创建虚拟环境。我个人更倾向 conda，因为它管理包更方便，尤其是安装一些科学计算库时。

# 创建虚拟环境
conda create -n forex_ml python=3.9

# 激活环境
conda activate forex_ml

2.3 Jupyter Notebook：交互式开发的利器

做数据分析，Jupyter Notebook几乎是标配。你可以边写代码边看结果，还能加注释、画图表，特别适合探索性分析。

安装很简单：

pip install jupyter notebook

启动也方便：

jupyter notebook

浏览器会自动打开一个页面，点「New」就能新建一个笔记本。我在项目中经常用它来快速验证想法，比如看看汇率数据长什么样，或者测试一个模型能不能跑通。

2.4 Pandas：数据处理的核心工具

做汇率预测，数据清洗、处理、分析是家常便饭。Pandas就是干这个的。它提供了DataFrame这种数据结构，操作起来非常直观。

安装：

pip install pandas

验证是否装好：

import pandas as pd
print(pd.__version__)

如果输出版本号，比如 2.0.3，那就说明装好了。

我记得有一次，从外汇平台拿到的数据时间戳格式乱七八糟，用Pandas的 to_datetime() 一行代码就搞定了。嗯，这就是Pandas的魅力。

2.5 Scikit-learn：传统机器学习库

虽然深度学习很火，但传统机器学习方法在汇率预测中依然有用。比如用随机森林做特征重要性分析，或者用SVM做分类。Scikit-learn提供了大量现成的算法，接口统一，用起来很顺手。

安装：

pip install scikit-learn

验证：

from sklearn.ensemble import RandomForestRegressor
print("Scikit-learn 安装成功")

2.6 TensorFlow / PyTorch：深度学习框架

这两个是深度学习的两大主流框架。做汇率预测，尤其是用LSTM、Transformer这类模型时，它们必不可少。

选哪个？ 我个人觉得，PyTorch更灵活，调试方便，学术界用得也多。TensorFlow在工业部署上更有优势。咱们课程里两个都会用到，但建议你先装好PyTorch。

安装PyTorch（CPU版）：

pip install torch torchvision torchaudio

验证：

import torch
print(torch.__version__)
print("CUDA可用：" if torch.cuda.is_available() else "CUDA不可用")

如果你有NVIDIA显卡，可以装GPU版，训练速度快很多。具体命令去PyTorch官网查，它会根据你的系统生成对应的安装命令。

2.7 验证环境：跑一个简单的例子

装完所有库后，我建议跑一个完整的例子，验证整个工具链是否通畅。下面这个代码，用LSTM预测一个简单的正弦波，算是汇率预测的简化版。

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler

# 生成数据
x = np.linspace(0, 100, 1000)
y = np.sin(x)

# 数据预处理
scaler = MinMaxScaler()
y_scaled = scaler.fit_transform(y.reshape(-1, 1))

# 构建LSTM模型
class LSTMPredictor(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(input_size=1, hidden_size=50, num_layers=2, batch_first=True)
        self.fc = nn.Linear(50, 1)
    
    def forward(self, x):
        out, _ = self.lstm(x)
        out = self.fc(out[:, -1, :])
        return out

model = LSTMPredictor()
print("模型创建成功！")
print(f"参数数量：{sum(p.numel() for p in model.parameters())}")

如果这段代码能顺利跑完，说明你的环境已经准备好了。

2.8 知识体系总览

下面这张图，把本章涉及的工具和它们之间的关系梳理了一下。你可以把它当作一个路线图，心里有个数。

2.9 常见问题与解决方案

问题	原因	解决方法
pip安装慢	默认源在国外	用国内镜像：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
conda创建环境失败	网络问题或源配置	换清华源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
Jupyter无法启动	端口被占用	指定端口：jupyter notebook --port 8889
PyTorch GPU版装不上	CUDA版本不匹配	先运行 nvidia-smi 查看CUDA版本，再去官网选对应版本

好了，环境准备就到这里。工具链搭好了，后面咱们就可以专心搞模型了。记住，环境问题虽然烦人，但一次搞定，后面就顺畅了。

---