第1章：Python金融分析环境搭建

各位同学，欢迎来到《绿色金融资产风险平价模型应用实战》的第一课。

做量化金融，尤其是绿色金融这种交叉领域，第一步不是写策略，而是搭环境。我见过太多人一上来就装各种包，结果版本冲突、依赖报错，折腾半天还没跑通一个print。嗯，咱们别走弯路。

今天这一章，我会带你从零开始，把Python金融分析的环境彻底搞定。包括Anaconda安装、Jupyter Notebook使用、NumPy和Pandas入门、Matplotlib和Seaborn可视化，以及两个常用的数据接口——Tushare和Yahoo Finance。

1.1 Anaconda：量化分析的瑞士军刀

我个人习惯用Anaconda来管理Python环境。为什么？因为它自带conda包管理器，能帮你隔离不同项目的依赖。你想想看，绿色金融项目可能用到pandas 1.5，另一个项目可能要求pandas 2.0，如果没有环境隔离，你会疯掉的。

安装步骤：

1. 去Anaconda官网下载对应操作系统的安装包（Python 3.9+版本）
2. 安装时勾选「Add Anaconda to my PATH environment variable」
3. 安装完成后，打开终端（或Anaconda Prompt），输入 conda --version 验证

创建绿色金融专用环境：

conda create -n green_finance python=3.9
conda activate green_finance

1.2 Jupyter Notebook：交互式探索利器

Jupyter Notebook是我做量化原型最常用的工具。它支持代码、图表、文字混排，特别适合做数据探索和策略回测。

安装很简单：

conda install jupyter notebook

启动：

jupyter notebook

浏览器会自动打开一个页面，点击右上角「New」→「Python 3」就能新建一个笔记本。嗯，这里要注意：每次打开Jupyter前，记得先激活你的conda环境。

1.3 NumPy：高性能数值计算基础

NumPy是Python科学计算的基石。说白了，它就是C语言写的高性能数组库。绿色金融里处理收益率序列、协方差矩阵，都离不开它。

安装：

conda install numpy

快速上手：

import numpy as np

# 创建数组
arr = np.array([1, 2, 3, 4, 5])
print(arr.mean())  # 3.0

# 矩阵运算
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A @ B)  # 矩阵乘法

我在项目中遇到过一个问题：用Python原生列表做循环运算，跑100万条数据要等半天。换成NumPy数组后，同样的运算只要几毫秒。这就是向量化的威力。

1.4 Pandas：金融数据分析的灵魂

Pandas是量化金融里最核心的库。它提供了DataFrame这种表格数据结构，处理时间序列数据简直不要太方便。

安装：

conda install pandas

入门示例：

import pandas as pd

# 创建时间序列
dates = pd.date_range('2024-01-01', periods=5, freq='D')
data = {'收盘价': [100, 102, 101, 105, 108]}
df = pd.DataFrame(data, index=dates)
print(df)

# 基本统计
print(df.describe())

函数	用途	示例
pd.read_csv()	读取CSV文件	读取股票历史数据
df.rolling()	滚动窗口计算	计算20日移动平均
df.resample()	重采样	日线转周线

1.5 Matplotlib & Seaborn：数据可视化双雄

做绿色金融分析，图表是跟老板、客户沟通的最好方式。Matplotlib是基础，Seaborn让图表更美观。

安装：

conda install matplotlib seaborn

画个简单的折线图：

import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 数据
dates = pd.date_range('2024-01-01', periods=10, freq='D')
prices = [100, 102, 101, 105, 108, 107, 110, 112, 115, 113]

plt.figure(figsize=(10, 5))
plt.plot(dates, prices, marker='o', linestyle='-', color='green')
plt.title('绿色能源ETF价格走势')
plt.xlabel('日期')
plt.ylabel('收盘价')
plt.grid(True, alpha=0.3)
plt.show()

Seaborn的好处是默认样式就很好看。我习惯在分析报告里用 sns.set_style('whitegrid') 来统一风格。

1.6 数据获取接口：Tushare & Yahoo Finance

没有数据，一切模型都是空中楼阁。绿色金融分析需要获取股票、债券、碳排放权等数据。这里介绍两个常用接口。

1.6.1 Tushare（国内数据首选）

Tushare提供A股、基金、期货等数据，对国内用户很友好。需要注册获取token。

import tushare as ts

# 设置token（去tushare.pro注册）
ts.set_token('你的token')
pro = ts.pro_api()

# 获取绿色电力板块日线数据
df = pro.daily(ts_code='600905.SH', start_date='20240101', end_date='20240301')
print(df.head())

1.6.2 Yahoo Finance（全球数据）

用 yfinance 库可以获取全球股票、ETF数据，包括绿色能源相关的ETF。

!pip install yfinance

import yfinance as yf

# 获取绿色能源ETF数据
ticker = 'ICLN'  # iShares Global Clean Energy ETF
data = yf.download(ticker, start='2024-01-01', end='2024-03-01')
print(data.head())

你想想看，有了这两个接口，A股和全球市场的绿色金融数据就都能拿到了。后面做风险平价模型时，数据源就不愁了。

---

公众号:蓝海数据掘金营，微信deep3321