开发环境与核心技术栈：从零搭建你的回测系统
说实话，我见过太多人一上来就写策略代码，结果跑起来各种报错。环境没配好，后面全是坑。今天咱们就把这件事一次性搞定。
Python环境配置：Anaconda 才是正道
我个人习惯用 Anaconda 管理 Python 环境。为什么？因为高频回测对依赖版本极其敏感。你想想看，pandas 1.0 和 2.0 的 groupby 行为都不一样，回测结果可能就差了几个基点。
核心要点：每个项目独立环境，别偷懒用 base。
安装步骤其实很简单：
- 去 Anaconda 官网下载 Python 3.9 版本（别追新，3.10 以上有些库还不稳）
- 安装时勾选「Add to PATH」—— 嗯，这一步很多人忘
- 验证：打开终端输入
conda --version
我曾经在 Windows 上装 Anaconda 后没重启终端，结果 conda 命令死活找不到。重启一下就好了，别慌。
核心库安装：pandas, numpy, numba, cython
这四个库是回测系统的基石。我按重要性排序讲：
| 库名 | 作用 | 安装命令 |
|---|---|---|
| pandas | 数据处理、时间序列、回测结果分析 | conda install pandas |
| numpy | 数值计算、矩阵运算 | conda install numpy |
| numba | JIT 编译加速，把 Python 循环跑出 C 的速度 | conda install numba |
| cython | 将 Python 代码编译成 C 扩展 | conda install cython |
安装顺序有讲究。我建议先装 numpy，再装 pandas。因为 pandas 依赖 numpy，顺序反了可能版本冲突。
避坑指南：别用 pip 装 numba。我在项目中遇到过 pip 装的 numba 和 conda 的 numpy 不兼容，跑起来直接 segfault。用 conda 装就没事。
版本控制：Git 是你的后悔药
做量化交易，策略迭代特别快。今天改个参数，明天加个因子，没有版本控制你根本不知道哪个版本是能赚钱的。
我个人的 Git 工作流：
- master 分支：只放能稳定盈利的策略
- dev 分支：日常开发，随便改
- feature 分支：每个新因子或新逻辑单独开分支
初始化项目：
git init
git add .
git commit -m "初始化回测系统框架"
我曾经忘了写 .gitignore，把几百 MB 的 tick 数据也提交上去了。后来每次 git pull 都卡半天。记住加上 .gitignore，把 data/ 和 __pycache__/ 都忽略掉。
项目结构初始化：别让代码变成一团乱麻
我见过太多人把所有代码塞在一个文件夹里。回测、数据、策略全混在一起，三个月后自己都看不懂。
下面是我用了多年的项目结构：
hft_backtest/
├── data/ # 原始数据，不提交到 git
├── config/ # 配置文件
│ └── settings.yaml
├── engine/ # 回测引擎核心
│ ├── __init__.py
│ ├── backtest.py
│ └── order.py
├── strategies/ # 策略代码
│ ├── __init__.py
│ └── momentum.py
├── utils/ # 工具函数
│ ├── __init__.py
│ └── indicators.py
├── tests/ # 单元测试
│ └── test_engine.py
├── results/ # 回测结果
├── .gitignore
├── README.md
└── requirements.txt
为什么这么分？说白了就是职责单一。engine 只管跑回测，strategies 只管写逻辑，互不干扰。你想想看，要是把策略逻辑和回测引擎写在一起，改个参数都得小心翼翼。
知识体系总览
下面这张图概括了本章的核心内容：
写在最后
环境配置这件事，看着简单，但做不好后面全是坑。我见过有人因为 pandas 版本不对，回测结果差了 20%。你想想看，要是实盘也这样，那损失可就大了。
嗯，今天就到这儿。把环境配好，后面写策略才能安心。