4、Python环境搭建：Anaconda安装、Jupyter Notebook配置、常用量化库安装

做量化交易，说白了就是跟数据打交道。而Python，就是我们手里的那把刀。

我个人习惯先把环境搭得干干净净，再开始写策略。为什么？因为环境问题一旦出bug，排查起来比策略逻辑还头疼。我曾经在项目交付前夜，因为某个库版本冲突，整个回测跑不起来——那滋味，你想想看。

这一章，我们就来搞定三件事：Anaconda安装、Jupyter Notebook配置、以及高频做市必备的几个库。

4.1 为什么选Anaconda？

很多新手会问：我直接装个Python不行吗？

行，当然行。但做量化，尤其是高频做市，你会频繁切换不同项目。有的项目需要pandas 1.0，有的需要2.0。如果全装在一个环境里，迟早会打架。

Anaconda的核心价值，就是帮你管理这些「虚拟环境」。每个环境就像独立的房间，互不干扰。

4.2 安装步骤（Windows/macOS通用）

嗯，这里要注意：别去官网下最新版。最新版往往意味着兼容性问题。

我建议用Anaconda 2023.09或2024.02版本，Python 3.10或3.11。这两个版本经过大量项目验证，稳得很。

1. 下载：访问清华镜像站（速度比官网快10倍），搜索Anaconda3-2024.02
2. 安装：一路默认即可。但记得勾选「Add Anaconda to my PATH environment variable」
3. 验证：打开终端，输入 conda --version，看到版本号就对了

4.3 配置Jupyter Notebook

Jupyter Notebook这东西，做量化研究的人几乎人手一个。它最大的好处是：你可以边写代码边看结果，还能加注释、画图表。

但默认配置其实挺难用的。字体小、主题刺眼、还经常卡死。我一般会做三件事：

4.3.1 安装jupyter_contrib_nbextensions

这个扩展包能加很多实用功能，比如代码折叠、自动补全、目录生成。

conda install -c conda-forge jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

装完之后，打开Jupyter，你会看到顶部多了一个「Nbextensions」标签页。把「Table of Contents」和「Collapsible Headings」勾上，写长文档时特别爽。

4.3.2 修改默认工作目录

默认情况下，Jupyter会打开你的用户文件夹。但我们的量化代码通常放在D盘或专门的项目目录下。

# 生成配置文件
jupyter notebook --generate-config

# 编辑这个文件（用记事本或VS Code打开）
# 找到这一行：
# c.NotebookApp.notebook_dir = ''
# 改成你的路径，比如：
c.NotebookApp.notebook_dir = 'D:/quant_trading'

4.3.3 设置密码（可选但推荐）

如果你在服务器上跑Jupyter，不设密码等于裸奔。

jupyter notebook password
# 输入两次密码即可

4.4 常用量化库安装

做高频做市，有三个库是绕不开的：pandas、numpy、asyncio。我一个个说。

4.4.1 pandas：数据处理的瑞士军刀

说白了，pandas就是Python里的Excel。但比Excel快100倍，还能处理百万级数据。

conda install pandas

安装完成后，建议验证一下版本：

import pandas as pd
print(pd.__version__)  # 建议 >= 2.0

我在项目中遇到过一个问题：pandas 1.x和2.x的groupby行为有细微差别。如果你从网上复制代码，记得先确认版本。

4.4.2 numpy：高性能数值计算

numpy是pandas的底层引擎。做订单簿分析时，你会频繁用到它的数组运算。

conda install numpy

为什么不用pip？因为numpy底层依赖BLAS和LAPACK这些C库。conda会自动帮你装好优化版本，性能能提升30%以上。

4.4.3 asyncio：异步I/O的基石

做高频做市，你需要同时监听多个交易所的行情、处理多个订单。如果用同步方式，一个请求卡住，整个程序就停了。

asyncio就是来解决这个问题的。它是Python标准库，不需要额外安装，但需要理解它的用法。

# 验证是否可用
import asyncio
print(asyncio.__version__)  # Python 3.10+ 自带

我建议再装一个aiohttp，它是基于asyncio的HTTP客户端，用来拉取行情数据非常方便：

conda install aiohttp

import asyncio
asyncio.set_event_loop_policy(asyncio.WindowsSelectorEventLoopPolicy())

4.5 一键安装脚本

为了方便，我写了个小脚本。你把它保存成 setup_env.py，运行一次就能装好所有东西：

import subprocess
import sys

def install_packages():
    packages = [
        'pandas>=2.0',
        'numpy>=1.24',
        'aiohttp>=3.8',
        'jupyter_contrib_nbextensions',
        'autopep8'
    ]
    
    for pkg in packages:
        print(f'正在安装: {pkg}')
        subprocess.check_call([sys.executable, '-m', 'pip', 'install', pkg])
    
    print('所有库安装完成！')

if __name__ == '__main__':
    install_packages()

运行方式：

python setup_env.py

4.6 验证环境

装完之后，我习惯跑一个简单的测试脚本，确保所有库都能正常导入：

import pandas as pd
import numpy as np
import asyncio
import aiohttp

print('pandas版本:', pd.__version__)
print('numpy版本:', np.__version__)
print('asyncio可用:', asyncio.__version__ if hasattr(asyncio, '__version__') else '内置')

# 简单测试：生成100万条模拟订单簿数据
data = np.random.rand(1000000, 4)  # 价格、数量、方向、时间
df = pd.DataFrame(data, columns=['price', 'volume', 'side', 'timestamp'])
print('数据形状:', df.shape)
print('前5行:\n', df.head())

如果没报错，恭喜你，环境搭好了。