第一章：数据清洗环境搭建

做期权高频做市，说白了就是跟时间赛跑。你想想看，行情数据每秒几千笔，延迟一毫秒可能就是几万块的盈亏。所以环境搭建这事，真不是装个Python就完事的。

我个人习惯，先把基础环境理清楚。磨刀不误砍柴工嘛。

1.1 Python环境配置

Python版本怎么选？我建议直接用3.9或3.10。为什么？

我在项目中踩过坑。有次用3.11跑一个老版本的numba，直接报错，折腾了两天才发现是版本兼容问题。嗯，这里要注意：高频做市依赖的库，很多对最新Python支持并不及时。

推荐用Anaconda或者Miniconda来管理环境。我个人偏爱Miniconda，轻量，不占地方。

创建环境的命令很简单：

conda create -n hft_env python=3.9
conda activate hft_env

环境名我习惯用hft_env，一目了然。你随意，但别用中文名，有些库会报错。

1.2 Pandas与NumPy安装

这两个库，是做量化逃不开的基石。Pandas处理表格数据，NumPy搞数值计算，配合起来天衣无缝。

安装命令：

conda install pandas numpy

或者用pip：

pip install pandas numpy

我个人推荐conda安装。为什么？因为conda会自动处理依赖关系，特别是NumPy这种底层库，用pip装有时候会跟系统库冲突。

我曾经在服务器上直接用pip装numpy，结果发现MKL（数学核心库）没装上，矩阵运算慢了3倍。后来换成conda，问题就解决了。

版本方面，目前稳定的是：

库名	推荐版本	说明
Pandas	1.5.x	2.0以后API有变化，建议先稳定
NumPy	1.23.x	跟numba兼容性最好

1.3 高性能计算库：Numba与Dask

做高频做市，数据量动不动就是几百万行。纯Python循环？太慢了。这时候就需要Numba和Dask上场。

Numba：让Python跑出C的速度

Numba是个JIT编译器。说白了，它把你写的Python函数，在运行时编译成机器码。效果？我实测过，同样的循环，用numba加速后快了50倍。

安装：

conda install numba

用法很简单，加个装饰器就行：

from numba import jit
import numpy as np

@jit(nopython=True)
def calculate_spread(bid_prices, ask_prices):
    return ask_prices - bid_prices

这里有个坑：nopython=True 一定要加。不加的话，numba可能退回到object模式，速度反而更慢。我曾经因为这个排查了半天，最后发现是忘了这个参数。

Dask：处理放不下的数据

做市数据一天可能几十GB，内存装不下怎么办？Dask就是干这个的。它把大数组切分成小块，按需加载，并行计算。

安装：

conda install dask

Dask的API跟Pandas很像，上手很快：

import dask.dataframe as dd

# 读取大文件，自动分块
df = dd.read_csv('tick_data_2024.csv')
result = df.groupby('symbol').price.mean().compute()

注意最后那个 .compute()。Dask是惰性求值的，不调用compute，它不会真正执行计算。这个设计其实很聪明——你可以先搭好计算流程，最后再触发执行。

1.4 知识体系总览

这一章的内容，我画了张图帮你理清思路：

这张图其实就说明了我们的思路：先搭好Python基础环境，再装上Pandas和NumPy处理数据，最后用Numba和Dask解决性能瓶颈。每一步都有它的价值，跳不过去。

1.5 避坑指南

最后，分享几个我踩过的坑：

• 不要用系统自带的Python——版本太老，而且容易跟系统包冲突。我刚开始做量化时就用系统Python，结果装pandas时报错，差点重装系统。
• 虚拟环境一定要用——不同项目依赖可能冲突。比如一个项目用pandas 1.5，另一个用2.0，没有虚拟环境就等着哭吧。
• 装完库先测试——别急着写代码。跑个简单的import和基本操作，确认环境没问题再往下走。

---