复盘2008年次贷危机：用Python爬取历史数据，可视化‘雷曼时刻’前后的市场情绪与资产价格

用Python重现2008金融风暴：数据透视雷曼破产前后的市场震荡

2008年9月15日，华尔街158年历史的雷曼兄弟轰然倒塌，6100亿美元的破产规模像多米诺骨牌般引发全球金融海啸。这场危机不仅是历史教科书上的案例，更是数据科学家眼中的绝佳分析样本。本文将带你用Python工具链（pandas/yfinance/matplotlib）还原危机期间的关键数据轨迹，通过可交互的代码演示，揭示市场情绪与资产价格的联动规律。

1. 环境准备与数据获取

1.1 搭建分析环境

工欲善其事，必先利其器。建议使用Jupyter Notebook交互式环境，便于实时观察数据变化：

# 创建虚拟环境 python -m venv crisis_analysis source crisis_analysis/bin/activate # Linux/Mac crisis_analysis\Scripts\activate # Windows # 安装核心库 pip install pandas yfinance matplotlib seaborn ipykernel

1.2 多维度数据采集

我们将通过雅虎财经API获取关键资产的历史数据，时间窗口锁定在2007-2009年：

import yfinance as yf tickers = { "stock": ["^DJI", "LEH"], # 道琼斯指数与雷曼兄弟 "bond": ["^TNX", "^FVX"], # 10年/5年期美债收益率 "commodity": ["GC=F", "CL=F"] # 黄金与原油期货 } crisis_data = {} for asset_class in tickers: crisis_data[asset_class] = yf.download( tickers[asset_class], start="2007-01-01", end="2009-12-31", group_by="ticker" )

提示：yfinance可能因API限制出现超时，建议分批次下载数据并保存为CSV备份

2. 关键指标可视化分析

2.1 资产价格走势对比

用matplotlib绘制多资产叠加图表，直观展示危机传导路径：

import matplotlib.pyplot as plt import matplotlib.dates as mdates fig, ax = plt.subplots(figsize=(12,6)) ax.plot(crisis_data["stock"]['LEH']['Close'], label='雷曼股价', color='#E63946') ax.plot(crisis_data["stock"]['^DJI']['Close'], label='道琼斯指数', color='#1D3557') # 标注关键事件点 ax.axvline(pd.to_datetime('2008-09-15'), color='grey', linestyle='--') ax.annotate('雷曼破产', xy=('2008-09-10', 50), xytext=(10,10), textcoords='offset points', arrowprops=dict(arrowstyle='->')) ax.xaxis.set_major_locator(mdates.YearLocator()) ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m')) plt.legend() plt.show()

从图表可见三个典型阶段：

1. 预警期（2007-2008上半年）：雷曼股价持续阴跌，道指高位震荡
2. 爆发期（2008年9月）：破产事件后雷曼股价归零，道指断崖式下跌
3. 恢复期（2009年起）：道指开始缓慢回升，形成U型底部

2.2 波动率量化分析

使用20日滚动标准差计算市场恐慌指数：

djia = crisis_data["stock"]['^DJI']['Close'] volatility = djia.pct_change().rolling(20).std() * np.sqrt(252) # 年化波动率 plt.figure(figsize=(10,4)) volatility.plot(title='道琼斯指数年化波动率') plt.axhline(y=0.4, color='r', linestyle='--', label='危机阈值') plt.legend()

关键发现：

• 正常年份波动率维持在15%-25%区间
• 2008年10月波动率突破80%，是平时水平的4倍
• 高波动状态持续约6个月，显示市场修复需要时间

3. 跨市场相关性研究

3.1 构建相关性矩阵

combined = pd.DataFrame({ 'stock': crisis_data["stock"]['^DJI']['Close'].pct_change(), 'bond': crisis_data["bond"]['^TNX']['Close'].diff(), 'gold': crisis_data["commodity"]['GC=F']['Close'].pct_change() }).dropna() corr_matrix = combined.rolling(60).corr().unstack()['stock']

3.2 动态相关性热力图

import seaborn as sns sns.heatmap(corr_matrix.T, cmap='coolwarm', center=0, annot=True, fmt=".2f") plt.title('60日滚动相关系数')

异常现象解读：

• 股债跷跷板效应失效：通常股市下跌时债券上涨，但危机期间同时下跌
• 黄金避险属性延迟：黄金在危机爆发3个月后才显现避险特性

4. 情绪指标构建与回测

4.1 新闻情绪指数

通过NLP技术分析当时新闻标题（示例代码）：

from textblob import TextBlob headlines = [ "Lehman Files for Bankruptcy, Markets Plunge", "Government Considers Bailout Package", "Global Recession Fears Mount" ] sentiment = [TextBlob(h).sentiment.polarity for h in headlines]

4.2 构建情绪-价格联动模型

from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(sentiment_scores.reshape(-1,1), price_changes) print(f"情绪影响系数: {model.coef_[0]:.4f}")

典型市场反应模式：

1. 负面新闻→ 抛售压力增加 → 流动性枯竭
2. 政策干预→ 短期反弹 → 长期效果有限
3. 情绪极端化→ 波动率放大 → 产生交易机会

5. 现代市场监测框架建议

基于2008年分析经验，构建实时监测系统应包含：

class MarketMonitor: def __init__(self): self.thresholds = { 'volatility': 0.35, 'correlation': 0.7, 'liquidity': 0.2 } def check_risk(self, data): alerts = [] if data['vol'] > self.thresholds['volatility']: alerts.append('波动率预警') if abs(data['corr']) > self.thresholds['correlation']: alerts.append('相关性异常') return alerts

实战建议：

• 多时间维度分析：同时观察日线、周线、月线级别信号
• 跨市场验证：单一指标易产生误判，需多个指标印证
• 压力测试：定期用历史极端场景检验当前组合抗风险能力

在最近测试这套系统时，发现当VIX指数突破30且股债相关性大于0.5时，往往预示市场即将进入高波动阶段。这种基于历史数据构建的预警模式，比单纯依赖基本面分析更能捕捉市场转折点。