📚 课程目录第2章环境搭建与快速上手

2. 环境搭建与快速上手

流式机器学习的最大特点是模型随数据逐条到达而持续更新，因此环境搭建的目标不是“装完能跑”，而是建立一个可复现、可观测、可扩展的实验底座。本节围绕 Python 环境、River 安装、首个流式学习示例以及金融数据模拟四件事展开，帮助你从零到一完成第一次在线学习闭环。

一、核心原理：为什么流式学习需要独立的环境视角

传统批量学习通常先准备完整数据集，再训练、评估、部署；流式学习则把“训练—预测—评估”压缩到每一条样本上。River 中的 learn_one(x, y) 与 predict_one(x) 是这一范式的核心接口：模型在收到标签后立即更新，在收到特征时立即给出预测。因此环境配置要额外关注三点：Python 版本兼容性、依赖隔离、以及可重复的随机种子与评估指标。

金融场景尤其如此。行情、成交、订单簿事件天然按时间到达，且分布会随市场状态漂移。若用批量思维先攒数据再训练，模型会滞后于市场。流式环境让我们能够用 progressive_val_score 这类工具做前向验证，模拟真实交易中的“边看边学”。

二、方法流程：从零搭建可运行的 River 环境

推荐使用独立虚拟环境，避免与系统 Python 或其他项目冲突。以下命令适用于 macOS、Linux 与 Windows（PowerShell 中激活命令略有差异）。

# 1. 创建并激活虚拟环境
python -m venv river-fin-env
source river-fin-env/bin/activate        # Windows: river-fin-env\Scripts\activate

# 2. 安装核心依赖
pip install river numpy pandas matplotlib

# 3. 验证安装
python -c "import river; print(river.__version__)"

若使用 conda，可用 conda create -n river-fin python=3.11 创建环境。River 对 Python 3.9 及以上支持良好，建议固定版本以便复现实验。安装完成后，建议再执行一次最小化导入测试，确认 river.linear_model、river.preprocessing、river.metrics 均可正常加载。

建议在项目根目录创建 requirements.txt，记录 river==0.21.0 这类明确版本号。金融流式实验对可复现性要求高，版本漂移可能导致指标不可比。

三、第一个流式学习示例：逐条学习与预测

下面用一个最小示例演示 River 的核心循环：构造一个在线回归器，对每条样本先预测、再学习。这里使用标准缩放器与线性回归组合，模拟“特征到达—预测—标签到达—更新”的完整链路。

from river import linear_model, preprocessing, metrics

# 组合模型：标准化 + 线性回归
model = preprocessing.StandardScaler() | linear_model.LinearRegression()

mae = metrics.MAE()

# 模拟 5 条样本：x 为特征，y 为标签
samples = [
    ({'x': 1.0}, 2.1),
    ({'x': 2.0}, 3.9),
    ({'x': 3.0}, 6.2),
    ({'x': 4.0}, 7.8),
    ({'x': 5.0}, 10.1),
]

for x, y in samples:
    y_pred = model.predict_one(x)      # 先预测
    mae.update(y, y_pred)              # 再评估
    model.learn_one(x, y)              # 最后学习
    print(f"x={x['x']:.1f}, 预测={y_pred}, 真实={y}, 当前MAE={mae.get():.3f}")

运行后你会看到 MAE 随样本增加逐步下降。这正是流式学习的直观体现：模型在第一条样本时几乎无信息，预测偏差大；随着 learn_one 不断调用，参数逐步逼近真实关系。注意顺序必须是“先预测、后学习”，否则会造成标签泄漏，评估结果虚高。

四、金融数据模拟：构造可复现的流式行情

金融数据往往不易获取或涉及权限，教学阶段可用几何布朗运动模拟价格序列，再派生收益率、波动率等特征。下面生成 200 个时间步的模拟价格，并逐条送入 River 模型。

import numpy as np
from river import linear_model, preprocessing, metrics, stream

np.random.seed(42)
n = 200
returns = np.random.normal(0.0005, 0.01, n)
price = 100 * np.exp(np.cumsum(returns))

def price_stream():
    for i, p in enumerate(price):
        x = {'ret': returns[i], 'lag': price[i-1] if i > 0 else p}
        y = p
        yield x, y

model = preprocessing.StandardScaler() | linear_model.LinearRegression()
metric = metrics.MAE()

for x, y in stream.iter_array(price_stream()):
    y_pred = model.predict_one(x)
    metric.update(y, y_pred)
    model.learn_one(x, y)

print("最终 MAE:", round(metric.get(), 4))

这段代码的关键在于 price_stream() 生成器：它把静态数组转化为逐条到达的事件流，模拟真实行情推送。你可以替换为 CSV 逐行读取、WebSocket 消息或订单簿快照，River 的接口保持不变。

环节	关键对象	常见参数/命令	注意事项
环境隔离	venv / conda	`python -m venv`	避免全局安装污染
依赖安装	river、numpy、pandas	`pip install river`	固定版本号便于复现
模型组合	StandardScaler \| LinearRegression	`\|` 管道符	先缩放再回归
在线循环	predict_one / learn_one	先预测后学习	防止标签泄漏
数据模拟	生成器 yield	`stream.iter_array`	保持时间顺序

五、误区与复盘：新手最容易踩的四个坑

顺序颠倒：先 learn_one 再 predict_one，等于用当前标签预测当前样本，指标会异常优秀但毫无意义。
忽略分布漂移：金融数据非平稳，固定学习率可能跟不上变化。可尝试 linear_model.LinearRegression(optimizer=optim.SGD(0.01)) 并观察衰减策略。
用批量指标评估流式模型：应使用 progressive_val_score 做前向验证，而非一次性训练后测试。
环境未隔离：River 与某些旧版 scikit-learn 可能冲突，独立虚拟环境能显著降低排障成本。

模拟数据仅用于验证流程正确性，不能直接用于实盘策略评估。真实金融数据需考虑交易成本、滑点、幸存者偏差与时间对齐问题。

完成本节后，你应已拥有一个可运行的 River 环境、一个逐条学习的回归示例，以及一套可替换为真实行情的模拟数据流。下一步的关键是把这套循环扩展到分类、异常检测与概念漂移检测，让模型真正适应金融市场的动态变化。