0.0 环境配置与运行检查¶

目标¶

• 安装 Python 与包管理工具（conda 或 pip）
• 创建专属的量化学习虚拟环境
• 掌握 Jupyter Notebook / Lab 基本操作
• 验证环境是否正确配置

1. 这节究竟解决什么实际问题？¶

0.0 环境配置与运行检查 的具体任务是：确认一个 Notebook 实际使用的 Python 路径，并把包安装、内核注册和 GPU 探测连成可复现步骤。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。

2. 前置知识¶

前置要求包括终端的基本使用方法和命令执行方法。 对公式的理解应包括变量定义、单位、时间索引和适用条件。

3. 数据说明¶

本节不分析市场数据；重点是确认 Python、Conda、Jupyter 与 GPU 是否真的在同一个环境中。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。

4. 学习目标与完成标准¶

完成本节后，你应能用自己的话解释 0.0 环境配置与运行检查 的输入、计算步骤、输出和局限；尤其能说明：确认一个 Notebook 实际使用的 Python 路径，并把包安装、内核注册和 GPU 探测连成可复现步骤。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。

5. 核心概念与公式¶

Conda 环境用于隔离 Python 解释器和依赖；Notebook 只能导入其当前内核所属环境中已安装的包。

环境正确的最低标准是：解释器路径、包版本与 Notebook 内核三者一致。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？

6. 从零实现¶

原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。

7. 成熟库实现¶

Conda 负责隔离依赖；Jupyter 负责交互；它们不会自动修复错误代码或数据问题。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。

8. 两种实现的差异¶

从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。

9. 预期结果与检查范围¶

你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“确认一个 Notebook 实际使用的 Python 路径，并把包安装、内核注册和 GPU 探测连成可复现步骤。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。

10. 常见错误与诊断¶

把 base 环境当成课程环境、终端激活环境后却在旧内核运行、把安装成功误当成导入成功。

诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。

11. 研究偏差检查¶

环境不是策略的一部分，但不可复现的环境会让任何研究结论无法复查。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。

12. 三层练习与答案¶

• 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
• 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
• 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。

题目在 ../exercises/00_setup/00_env_setup_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/00_setup/00_env_setup_solutions.ipynb。请先独立作答，再打开答案。

13. 延伸阅读¶

延伸材料：Conda 用户指南。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。

14. 下一节¶

完成本模块后，进入下一模块的概览页，并把本节的检查清单带到后续研究中。

1. 安装 Python¶

推荐使用 Anaconda（含 conda 包管理器）

• 下载地址：https://www.anaconda.com/download
• 选择 Python 3.11 版本
• 安装时勾选 「Add to PATH」

安装完成后，打开终端输入：

python --version
conda --version

2. 创建虚拟环境¶

虚拟环境可以让不同项目的依赖互不干扰。

# 在项目根目录执行
conda env create -f environment.yml
conda activate quant

3. Jupyter 基本操作¶

快捷键	功能
Shift + Enter	运行当前单元格，移到下一个
Ctrl + Enter	运行当前单元格，不移动
A (命令模式)	在上方插入新单元格
B (命令模式)	在下方插入新单元格
D D (命令模式)	删除当前单元格
M (命令模式)	切换为 Markdown 单元格
Y (命令模式)	切换为代码单元格
Esc	进入命令模式

提示：单元格边框蓝色 = 命令模式，绿色 = 编辑模式

In [2]:

# 练习：在 Jupyter 中绘制第一张图
import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 200)
y = np.sin(x)

plt.figure(figsize=(8, 4))
plt.plot(x, y, color='steelblue', linewidth=2)
plt.title('Your first figure', fontsize=14)
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

print('如果图表正常显示，说明 matplotlib 工作正常。')

# 练习：在 Jupyter 中绘制第一张图 import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 2 * np.pi, 200) y = np.sin(x) plt.figure(figsize=(8, 4)) plt.plot(x, y, color='steelblue', linewidth=2) plt.title('Your first figure', fontsize=14) plt.xlabel('x') plt.ylabel('sin(x)') plt.grid(alpha=0.3) plt.tight_layout() plt.show() print('如果图表正常显示，说明 matplotlib 工作正常。')

如果图表正常显示，说明 matplotlib 工作正常。

In [ ]:

import matplotlib.pyplot as plt

# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']

# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt # 1. 设置系统自带的中文字体（这里使用黑体 SimHei） plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei'] # 2. 解决更换字体后，负号（-）显示为方块的问题 plt.rcParams['axes.unicode_minus'] = False

4. 数据 API 配置（可选）¶

部分数据源需要 API Key，可创建 .env 文件存放；.env 必须加入 .gitignore，不得提交到 GitHub。

# 在项目根目录创建 .env 文件
TUSHARE_TOKEN=your_token_here

在代码中读取：

from dotenv import load_dotenv
import os
load_dotenv()
token = os.getenv('TUSHARE_TOKEN')

Tushare 注册：https://tushare.pro/register

yfinance（美股） 和 AKShare（A股） 的部分公开接口无需 API Key，但仍可能受到网络、限流和字段变化影响。

下一步¶

环境检查完成后，进入 模块1：金融基础概念。

../01_financial_concepts/01_price_and_return.ipynb

练习¶

1. 了解每个库的用途，并尝试 import 它们。
2. 尝试使用 yfinance 下载苹果（AAPL）股票数据并打印前 5 行。

---

下一节 → ../01_financial_concepts/01_price_and_return.ipynb