第二章 环境搭建与工具链

说实话，很多做量化的人一上来就急着写策略。我见过太多人，代码跑不起来就怪系统，数据对不上就骂交易所。其实啊，90%的问题都出在环境上。这一章，咱们就把地基打牢。

2.1 Python版本选择——别小看这个决定

我个人习惯用Python 3.10+。为什么？因为asyncio在3.10之后稳定了很多，类型提示也更完善。你想想看，做市引擎跑起来可是7x24小时的，版本选不对，后面全是坑。

建议直接装3.11或3.12。别犹豫，一步到位。

2.2 虚拟环境管理——隔离是美德

每个项目都应该有自己的虚拟环境。这不是洁癖，是生存法则。

我推荐用 venv，Python自带的，够用。当然，如果你喜欢 conda 也行，但别混用。

# 创建虚拟环境
python -m venv mm_env

# 激活（Windows）
mm_env\Scripts\activate

# 激活（Mac/Linux）
source mm_env/bin/activate

# 退出
deactivate

嗯，这里要注意：激活后，你的终端前面会出现 (mm_env) 字样。如果没有，说明没激活成功。

2.3 核心依赖库安装

做市引擎需要的东西不多，但每个都很关键。我列个清单：

库名	版本建议	用途
asyncio	内置	异步事件循环，做市引擎的心脏
websockets	≥12.0	连接交易所的WebSocket接口
pandas	≥2.0	处理订单簿、交易数据
numpy	≥1.24	数值计算，价差分析

# 一键安装
pip install websockets pandas numpy

# 或者用requirements.txt
pip install -r requirements.txt

2.4 asyncio——做市引擎的调度核心

说白了，做市引擎就是一堆异步任务在跑。一个任务收行情，一个任务算报价，一个任务发订单。它们不能互相阻塞。

asyncio就是干这个的。它让Python能同时处理多个网络连接，而不需要多线程。

import asyncio

async def fetch_orderbook():
    # 模拟从交易所获取订单簿
    await asyncio.sleep(0.1)
    return {"bid": 100.0, "ask": 100.1}

async def main():
    # 并发获取多个订单簿
    tasks = [fetch_orderbook() for _ in range(3)]
    results = await asyncio.gather(*tasks)
    print(results)

asyncio.run(main())

你看，asyncio.gather 可以同时跑多个任务。这在做市引擎里太常用了——同时监控多个交易对。

2.5 websockets——连接交易所的桥梁

交易所的行情数据，基本都是通过WebSocket推送的。你想想看，如果每次都用HTTP去拉数据，延迟得多高？

WebSocket建立一次连接，后面全是全双工通信。做市引擎需要的就是这个。

import asyncio
import websockets

async def listen_market():
    uri = "wss://stream.example.com/market"
    async with websockets.connect(uri) as ws:
        # 订阅行情
        await ws.send('{"type": "subscribe", "channel": "orderbook"}')
        
        # 持续接收数据
        async for msg in ws:
            print(f"收到行情: {msg}")
            # 这里可以丢给pandas处理

asyncio.run(listen_market())

2.6 pandas与numpy——数据处理双雄

做市引擎每秒可能收到上千条行情。这些数据不能直接扔给策略，得先清洗、聚合、计算。

pandas处理表格数据，numpy做数值计算。两者配合，效率很高。

import pandas as pd
import numpy as np

# 模拟订单簿快照
data = {
    "price": [100.0, 100.1, 100.2],
    "volume": [1.5, 2.0, 0.5],
    "side": ["bid", "bid", "ask"]
}
df = pd.DataFrame(data)

# 计算加权平均价
weighted_price = np.average(
    df[df["side"] == "bid"]["price"],
    weights=df[df["side"] == "bid"]["volume"]
)
print(f"买方加权均价: {weighted_price:.2f}")

说白了，pandas帮你整理数据，numpy帮你算得快。做市引擎里，这两个库是标配。

2.7 环境验证——跑通第一个脚本

装完库，得验证一下。我习惯写个简单的测试脚本：

import asyncio
import websockets
import pandas as pd
import numpy as np

def check_environment():
    print(f"Python版本: {sys.version}")
    print(f"pandas版本: {pd.__version__}")
    print(f"numpy版本: {np.__version__}")
    
    # 简单测试
    arr = np.array([1, 2, 3])
    df = pd.DataFrame({"a": arr})
    print("环境验证通过！")

if __name__ == "__main__":
    check_environment()

跑一下，如果没报错，说明环境搭好了。如果有报错，别慌，多半是版本问题或者虚拟环境没激活。

2.8 知识体系总览

这一章的内容，其实就围绕一个核心：让Python能高效地处理实时行情数据。我画了个图，帮你理清关系：

你看，从Python版本到虚拟环境，再到三个核心库，最后支撑起做市引擎。每一层都不能少。

好了，环境搭好了，下一章咱们就开始写真正的做市引擎代码了。到时候，这些库都会派上用场。

---

公众号:蓝海资料掘金营，微信deep3321