3. 环境搭建与工具链：Python环境配置、依赖库安装、项目目录结构设计

做量化回测，说白了就是跟数据打交道。而Python，就是我们手里最顺手的工具。这一章，咱们把环境搭好，后面写代码才不卡壳。

我个人习惯，每个项目都用一个独立的虚拟环境。为什么？因为不同项目依赖的库版本可能打架。你想想看，A项目用Pandas 1.3，B项目用Pandas 2.0，混在一起迟早出问题。我早期吃过这个亏，一个回测脚本跑着跑着报错，查了半天发现是NumPy版本冲突。从那以后，虚拟环境就成了我的铁律。

3.1 Python版本选择与安装

做市商策略对性能有一定要求，我建议用Python 3.9或3.10。这两个版本稳定，而且主流库都支持得很好。别追新，Python 3.12刚出的时候，有些库还没适配，你装上去可能跑不起来。

安装方式很简单：

• Windows用户：去python.org下载安装包，记得勾选「Add Python to PATH」
• Mac用户：用Homebrew，brew install python@3.10
• Linux用户：系统自带的Python一般够用，但版本可能偏旧，建议用pyenv管理多版本

3.2 虚拟环境：隔离是美德

虚拟环境就像每个项目的「独立小房间」。你在里面装什么库，都不会影响到外面的系统。

我常用的方式有两种：

1. venv（Python自带，轻量）
2. conda（适合数据科学，管理更方便）

这里我用venv演示，因为它不需要额外安装：

# 创建虚拟环境
python -m venv mm_env

# 激活环境（Windows）
mm_env\Scripts\activate

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

# 退出环境
deactivate

激活后，你会看到终端前面多了个 (mm_env) 前缀。嗯，看到这个就说明你已经在虚拟环境里了。

3.3 依赖库安装：Pandas、NumPy、Matplotlib

做市商回测，离不开这三个库：

库名	用途	安装命令
Pandas	数据处理、时间序列、DataFrame操作	pip install pandas
NumPy	数值计算、数组操作、随机数生成	pip install numpy
Matplotlib	数据可视化、绘制K线图、回测曲线	pip install matplotlib

安装时，我习惯一次性装好：

pip install pandas numpy matplotlib

等个一两分钟，看到「Successfully installed」就说明搞定了。你可以验证一下：

python -c "import pandas; print(pandas.__version__)"

3.4 项目目录结构设计

一个好的目录结构，能让你的回测项目清晰、可维护。我见过太多人把所有代码塞在一个文件里，最后自己都找不着北。

下面是我做市商回测项目的标准结构：

market_making_backtest/
│
├── data/               # 原始数据存放
│   ├── raw/            # 未处理的数据
│   └── processed/      # 清洗后的数据
│
├── src/                # 核心代码
│   ├── __init__.py
│   ├── data_loader.py  # 数据加载模块
│   ├── strategy.py     # 做市商策略逻辑
│   ├── backtest.py     # 回测引擎
│   └── metrics.py      # 绩效指标计算
│
├── results/            # 回测结果输出
│   ├── logs/           # 运行日志
│   └── figures/        # 图表保存
│
├── config/             # 配置文件
│   └── config.yaml     # 策略参数配置
│
├── notebooks/          # Jupyter Notebook 探索
│   └── exploration.ipynb
│
├── requirements.txt    # 依赖清单
└── README.md           # 项目说明

这个结构的好处是：

• 数据与代码分离：数据放在 data/，代码放在 src/，互不干扰
• 配置独立：参数写在 config.yaml 里，改参数不用改代码
• 结果可追溯：每次回测的结果都保存在 results/ 下，方便对比

我曾经有个项目，因为目录混乱，回测结果覆盖了之前的，导致我花了三天重新跑数据。嗯，从那以后，目录结构就成了我第一个要敲定的东西。

3.5 知识体系总览

下面这张图，帮你把本章的核心逻辑串起来：

3.6 验证环境是否就绪

装完所有东西后，我习惯跑一个简单的测试脚本，确认一切正常：

# test_env.py
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 生成模拟数据
dates = pd.date_range('2024-01-01', periods=100, freq='1min')
prices = np.random.randn(100).cumsum() + 100

# 创建DataFrame
df = pd.DataFrame({'time': dates, 'price': prices})
print(df.head())

# 简单绘图
plt.plot(df['time'], df['price'])
plt.title('Environment Test - Random Walk')
plt.show()

如果能看到一个折线图弹出来，恭喜你，环境搭建成功了！

好了，环境搭好了，工具链也齐了。接下来，我们就可以真正开始写做市商策略的回测代码了。