2. 开发环境搭建：Windows/Linux下C++/Python开发环境配置

说实话，做量化交易系统开发，环境搭建这一步要是没弄好，后面全是坑。我见过太多人一上来就写代码，结果编译不过、链接报错、依赖冲突，折腾一整天。嗯，咱们先把地基打牢。

2.1 操作系统选择：Windows还是Linux？

我个人习惯是：开发用Windows，部署用Linux。为什么？Windows下的IDE确实好用，Visual Studio的调试体验没得说。但生产环境，尤其是交易服务器，清一色CentOS或Ubuntu Server。

你想想看，交易系统对稳定性要求极高。Linux的内核调度、网络栈、文件系统，在低延迟场景下确实比Windows有优势。我在项目中遇到过，同样的策略代码，Windows上跑平均延迟2毫秒，换到Linux优化后降到了0.5毫秒。

2.2 C++开发环境配置

Windows下的C++环境

Windows上我推荐用Visual Studio 2022 Community版，免费，功能全。安装时记得勾选：

• 使用C++的桌面开发
• Windows 10 SDK
• CMake工具（VS自带）

还有一个很多人忽略的点：环境变量。VS安装完后，要把 cl.exe 和 nmake.exe 的路径加到PATH里。不然你后面用CMake生成项目时会报找不到编译器。

# 检查VS编译器是否可用
cl.exe
# 如果提示"不是内部或外部命令"，说明环境变量没配好

Linux下的C++环境

Linux上就简单多了，一条命令搞定：

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install build-essential cmake gdb

# CentOS/RHEL
sudo yum groupinstall "Development Tools"
sudo yum install cmake gdb

这里有个坑：gcc版本。量化交易系统经常要用到C++17甚至C++20的特性。Ubuntu 20.04默认gcc 9.3，够用。但CentOS 7默认gcc 4.8，太老了。我曾经在CentOS 7上编译gRPC，折腾了两天才发现是编译器版本不够。

2.3 Python开发环境配置

Python这块，我强烈建议用Anaconda或者Miniconda。为什么？因为量化交易涉及的Python库太多了，numpy、pandas、scipy、statsmodels...用conda管理环境，不会把系统Python搞乱。

# 创建独立的量化交易环境
conda create -n quant python=3.9
conda activate quant

# 安装常用库
pip install numpy pandas matplotlib
pip install ta-lib  # 技术指标库
pip install vnpy    # 开源量化交易框架

我个人习惯是：每个项目一个独立环境。这样不同项目之间不会互相干扰。有一次我同时维护两个策略，一个用pandas 1.3，另一个用pandas 2.0，要是没有虚拟环境，早就炸了。

2.4 CMake与Makefile构建

说到构建工具，CMake现在基本是C++项目的标配了。Makefile虽然也能用，但跨平台太麻烦。你想想看，Windows用nmake，Linux用make，Mac用...嗯，还是CMake省心。

一个典型的CMakeLists.txt长这样：

cmake_minimum_required(VERSION 3.16)
project(QuantTradingSystem)

set(CMAKE_CXX_STANDARD 17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 查找依赖库
find_package(Boost REQUIRED COMPONENTS system thread)
find_package(gRPC REQUIRED)
find_package(Protobuf REQUIRED)

# 添加可执行文件
add_executable(trading_engine main.cpp)
target_link_libraries(trading_engine
    ${Boost_LIBRARIES}
    ${gRPC_LIBRARIES}
    ${Protobuf_LIBRARIES}
)

构建命令也很简单：

# 在项目根目录下
mkdir build && cd build
cmake ..
cmake --build .

2.5 依赖库管理：Boost、gRPC、Protobuf

这三个库是量化交易系统的核心依赖。我一个个说。

Boost库

Boost号称C++标准库的"试验田"。很多C++标准库的特性，最早都是在Boost里验证的。量化交易中常用的是：

• Boost.Asio：网络通信，处理行情推送和交易指令
• Boost.Thread：多线程，处理并发订单
• Boost.DateTime：时间处理，交易时间戳精度要求高
• Boost.Log：日志系统，记录交易流水

安装Boost：

# Linux
sudo apt-get install libboost-all-dev

# Windows
# 去官网下载预编译包，或者用vcpkg
vcpkg install boost

我在项目中遇到过一个问题：Boost版本冲突。不同模块依赖不同版本的Boost，编译时链接了错误的库，导致运行时崩溃。后来我统一用vcpkg管理所有依赖，再也没出过这种问题。

gRPC与Protobuf

这两个库是绑在一起的。Protobuf负责序列化，gRPC负责通信。在量化交易系统里，它们用来：

• 行情服务器和交易引擎之间的数据交换
• 策略模块和风控模块之间的指令传递
• 系统内部各组件之间的RPC调用

安装方式：

# Linux
sudo apt-get install protobuf-compiler libprotobuf-dev
sudo apt-get install libgrpc++-dev libgrpc-dev

# Windows（用vcpkg）
vcpkg install protobuf grpc

一个简单的Protobuf定义文件：

syntax = "proto3";

message OrderRequest {
    string symbol = 1;
    double price = 2;
    int32 volume = 3;
    enum Side {
        BUY = 0;
        SELL = 1;
    }
    Side side = 4;
}

message OrderResponse {
    string order_id = 1;
    bool success = 2;
    string message = 3;
}

2.6 知识体系总览

下面这张图，是我整理的环境搭建知识体系。你可以把它当作一个检查清单：

2.7 环境验证

环境搭好了，怎么知道对不对？我一般跑一个简单的"Hello World"程序验证：

// test_env.cpp
#include <iostream>
#include <boost/version.hpp>
#include <grpcpp/grpcpp.h>

int main() {
    std::cout << "Boost版本: " << BOOST_LIB_VERSION << std::endl;
    std::cout << "gRPC版本: " << grpc::Version() << std::endl;
    std::cout << "环境搭建成功！" << std::endl;
    return 0;
}

如果能编译通过并正确输出版本号，恭喜你，环境搭建完成了。

---

公众号:蓝海资料掘金营，微信deep3321