环境搭建：工欲善其事，必先利其器
说实话，我见过太多人一上来就急着写代码，结果装个库装了半天，版本冲突搞得头大。做量化金融，环境搭建这一步要是没弄好，后面全是坑。今天咱们就把这套工具链彻底捋顺。
我个人习惯用 Anaconda 来管理 Python 环境。为什么？因为它自带了一堆科学计算库，省得你一个个去 pip。而且虚拟环境隔离得好，项目之间互不干扰。你想想看，一个项目用 TensorFlow 2.x，另一个用 1.x，要是没有虚拟环境，那不得打架？
核心目标：安装 Anaconda → 创建虚拟环境 → 配置 Jupyter Notebook → 安装并验证核心库（NumPy、Pandas、Matplotlib、Scikit-learn、TensorFlow/PyTorch）
2.1 Anaconda 安装
去官网下载对应操作系统的安装包就行。Windows 用户记得勾选「Add Anaconda to my PATH environment variable」，虽然安装时会提示不推荐，但我建议你勾上——省得后面命令行找不到 conda 命令。
安装完成后，打开终端（Windows 用 Anaconda Prompt），输入：
conda --version如果看到版本号，比如 conda 23.7.4，那就说明装好了。嗯，这里要注意：如果你用的是 macOS 或 Linux，建议用 Homebrew 或 apt 安装，别从官网下 .pkg 文件，我踩过这个坑——权限问题能折腾你半天。
2.2 创建虚拟环境
虚拟环境这东西，说白了就是给你的每个项目单独开一个「小房间」。房间里装什么库、什么版本，都由你说了算，互不影响。
我个人习惯给每个课程项目单独建一个环境。比如咱们这个股票预测课程，我建议命名为 stock_pred：
conda create -n stock_pred python=3.9这里指定 Python 3.9，是因为 3.10 以上有些库（比如 TensorFlow 2.8 以下版本）还不兼容。等命令跑完，激活环境：
conda activate stock_pred你会看到终端前面多了个 (stock_pred) 前缀，说明你已经进入这个虚拟环境了。退出时用 conda deactivate。
小技巧：如果你不确定当前在哪个环境，直接看终端前缀就行。或者用 conda info --envs 列出所有环境，当前激活的那个前面会有 * 号。
2.3 Jupyter Notebook 配置
Jupyter Notebook 是我们做数据分析的利器。你可以在里面边写代码边看结果，还能加 Markdown 笔记，特别适合做股票预测这种探索性工作。
安装 Jupyter：
conda install jupyter然后配置内核，让 Jupyter 能识别我们刚创建的虚拟环境：
conda install ipykernel
python -m ipykernel install --user --name stock_pred --display-name "Python (stock_pred)"启动 Jupyter：
jupyter notebook浏览器会自动打开。新建一个 Notebook 时，记得在 Kernel → Change kernel 里选择「Python (stock_pred)」。我曾经因为忘了切换内核，结果在 base 环境里装了一堆库，项目跑起来全是版本冲突……嗯，从那以后我每次新建 Notebook 第一件事就是检查内核。
2.4 核心库安装与验证
咱们做股票预测，核心库就这几样：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| NumPy | 数值计算、数组操作 | conda install numpy |
| Pandas | 数据处理、时间序列 | conda install pandas |
| Matplotlib | 数据可视化 | conda install matplotlib |
| Scikit-learn | 机器学习模型 | conda install scikit-learn |
| TensorFlow 或 PyTorch | 深度学习框架 | conda install tensorflow 或 conda install pytorch torchvision torchaudio -c pytorch |
我个人建议先装 TensorFlow，因为它的 Keras 接口对新手更友好。等后面做 LSTM 预测时，你会感谢这个选择的。
装完之后，咱们来验证一下。在 Jupyter Notebook 里新建一个 cell，输入：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import sklearn
import tensorflow as tf
print("NumPy version:", np.__version__)
print("Pandas version:", pd.__version__)
print("Matplotlib version:", plt.matplotlib.__version__)
print("Scikit-learn version:", sklearn.__version__)
print("TensorFlow version:", tf.__version__)如果每个库都正常输出版本号，没有报错，那就恭喜你——环境搭建成功了！
避坑指南：我曾经在安装 PyTorch 时直接 pip install torch，结果装了个 CPU 版本，跑模型慢得要死。正确的做法是去 PyTorch 官网选你的 CUDA 版本，用官网给的命令安装。如果你没有 NVIDIA 显卡，那就老老实实用 CPU 版本，别折腾。
2.5 知识体系总览
下面这张图帮你理清整个环境搭建的逻辑。说白了，就是一层层往上搭：底层是 Anaconda，中间是虚拟环境和 Jupyter，顶层是各种库。
看到这张图你就明白了：Anaconda 是地基，虚拟环境是隔离墙，Jupyter 是工作台，而核心库就是你的工具箱。地基不稳，墙就歪；墙歪了，工具箱再全也白搭。
我的建议：每次开始新项目前，先 conda create -n 项目名 python=3.9，然后装需要的库。别偷懒用 base 环境，否则半年后你看着一堆乱七八糟的库版本，想死的心都有。
好了，环境搭好了，咱们就可以正式开始搞股票预测了。记住：这一步虽然枯燥，但绝对值得花时间做扎实。后面你写代码时，会发现所有库都乖乖听话，那种感觉——嗯，很爽。
公众号:蓝海资料掘金营，微信deep3321