第1章：数据可视化——Matplotlib与Plotly基础

各位同学，欢迎来到《REITs量化投资从零到实战》的第一章。我是你们的老朋友，一个在量化圈摸爬滚打多年的工程师。今天咱们不聊虚的，直接上手数据可视化。

说实话，我见过太多人把时间花在复杂的数学模型上，结果连一张像样的走势图都画不出来。这就像你有一把好枪，却不会瞄准——白搭。数据可视化，说白了就是让数字开口说话。你想想看，一堆枯燥的收益率数据摆在那，谁能一眼看出规律？但一张图，三秒钟就能告诉你答案。

1.1 为什么数据可视化对REITs量化如此重要？

我个人习惯，做任何量化策略之前，先画图。为什么？因为REITs市场有个特点——它的价格波动和分红收益往往不同步。你光看价格，可能觉得这只REITs要完蛋了，但一看分红收益率，嘿，还挺稳。这种信息，只有可视化才能直观呈现。

我在项目中遇到过一位基金经理，他花了三个月跑回测，结果因为没画相关性热力图，没发现持仓的几只REITs高度同质化。市场一波动，整个组合一起崩。嗯，这就是典型的「数据盲人」悲剧。

1.2 Matplotlib基础：从零开始画REITs价格走势图

Matplotlib是Python可视化的老大哥。虽然它长得有点「复古」，但胜在稳定、可控。咱们先来画一张最简单的REITs价格走势图。

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 模拟REITs价格数据（实际项目中从API获取）
dates = pd.date_range('2023-01-01', periods=100, freq='D')
prices = 100 + np.cumsum(np.random.randn(100) * 0.5)

plt.figure(figsize=(12, 6))
plt.plot(dates, prices, color='#2E86AB', linewidth=2)
plt.title('REITs价格走势图（模拟数据）', fontsize=16)
plt.xlabel('日期', fontsize=12)
plt.ylabel('价格（元）', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

这里有个小技巧：figsize 参数我习惯设为 (12, 6)，这个比例在大多数屏幕上显示效果最好。太窄了看不清趋势，太宽了又显得松散。

1.3 Plotly进阶：交互式分红收益率分布图

Matplotlib的图是静态的，但有时候我们需要交互——比如鼠标悬停看具体数值、缩放查看细节。这时候Plotly就派上用场了。

分红收益率（Dividend Yield）是REITs投资的核心指标。我一般会画一张分布图，看看市场上大部分REITs的收益率集中在什么区间。

import plotly.express as px
import pandas as pd
import numpy as np

# 模拟20只REITs的分红收益率数据
reits = ['REIT_' + str(i) for i in range(1, 21)]
yields = np.random.uniform(3.0, 8.0, 20)

df_yield = pd.DataFrame({'REITs': reits, '分红收益率(%)': yields})

fig = px.histogram(df_yield, x='分红收益率(%)', nbins=10,
                   title='REITs分红收益率分布图',
                   color_discrete_sequence=['#FF6B6B'])
fig.update_layout(xaxis_title='分红收益率(%)', yaxis_title='数量')
fig.show()

你想想看，如果大部分REITs的收益率集中在4%-6%，而你持有的那只只有2.5%，是不是该反思一下？这种洞察，光看表格是得不到的。

1.4 相关性热力图：一眼看穿REITs之间的「暧昧关系」

做组合投资最怕什么？怕你自以为分散了风险，结果持仓的REITs全是「一伙的」。相关性热力图就是用来揪出这种问题的。

我记得有一次帮朋友诊断他的REITs组合，他买了5只，我画了热力图一看，好家伙，其中3只的相关性超过0.85。这哪是分散投资？分明是把鸡蛋放在同一个篮子里，只不过篮子换了个颜色。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 模拟10只REITs的收益率数据
np.random.seed(42)
returns = pd.DataFrame(np.random.randn(100, 10),
                       columns=['REIT_A', 'REIT_B', 'REIT_C', 'REIT_D', 'REIT_E',
                                'REIT_F', 'REIT_G', 'REIT_H', 'REIT_I', 'REIT_J'])

# 计算相关系数矩阵
corr_matrix = returns.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0,
            square=True, linewidths=0.5, cbar_kws={'shrink': 0.8})
plt.title('REITs收益率相关性热力图', fontsize=16)
plt.show()

这张图怎么看？颜色越红，正相关性越强（同涨同跌）；颜色越蓝，负相关性越强（一个涨一个跌）。理想情况下，你希望组合里的REITs之间相关性越低越好，最好是蓝色区域多一些。

1.5 本章知识体系总览

为了让你对本章内容有个整体把握，我画了一张结构图。你可以把它当作学习地图，随时回来对照。

1.6 本章小结

好了，第一章的内容就到这里。咱们回顾一下：

• Matplotlib：画静态走势图，适合做报告、论文插图。记住先排序，再画图。
• Plotly：画交互式分布图，适合做数据探索。鼠标悬停看数值，这个功能很实用。
• 相关性热力图：用Seaborn配合Matplotlib，一眼识别REITs之间的「抱团」现象。

说实话，这三张图是我做REITs量化分析时最常用的。不管策略多复杂，我第一步永远是画这三张图。为什么？因为它们能快速告诉我：数据有没有问题？市场结构是什么样的？组合风险在哪里？

下一章，咱们会深入REITs的财务数据，用Python抓取真实的REITs数据，然后画更高级的图表。但今天这三张图，足够你应付80%的日常分析场景了。

记住：好的量化分析师，一定是个好的「画图匠」。别急着跑模型，先把图画明白。

---