3. 开发环境搭建：Python环境、Anaconda、Jupyter Notebook、常用库安装

做量化交易，尤其是做市商系统，说白了就是跟时间赛跑。你的开发环境如果没搭好，后面每一步都会踩坑。我个人习惯是，先把地基打牢，再往上盖楼。这一章，我们就来聊聊怎么搭一个干净、高效、不容易出幺蛾子的Python开发环境。

3.1 为什么选Python？

你可能要问，做高频做市，C++不是更快吗？没错，C++确实快。但做市商报价引擎的研发阶段，需要快速迭代、频繁回测、实时调试。Python的生态太丰富了，pandas处理数据、asyncio处理异步、websockets做实时通信，一套组合拳下来，开发效率极高。我见过不少团队，先用Python把策略逻辑跑通，再转C++上生产。嗯，这也是我推荐的路子。

3.2 Anaconda：环境管理的瑞士军刀

我刚开始做量化那会儿，最头疼的就是依赖冲突。这个库要Python 3.8，那个库要3.9，一不小心就把系统Python搞崩了。后来用了Anaconda，世界清净了。

Anaconda 是一个Python发行版，自带conda包管理器。它能帮你创建独立的虚拟环境，每个环境就像一个小房间，互不干扰。

安装步骤：

1. 去官网下载 Anaconda 安装包（选 Python 3.9+ 版本）
2. 安装时勾选「Add Anaconda to my PATH environment variable」
3. 打开终端，输入 conda --version 验证安装

3.3 创建专属虚拟环境

做市商引擎对环境要求比较严格。我建议单独创建一个环境，取名 market_maker。

# 创建环境
conda create -n market_maker python=3.9

# 激活环境
conda activate market_maker

# 退出环境
conda deactivate

激活后，终端前面会出现 (market_maker) 字样。这说明你已经在独立环境里了。后面所有操作都在这个环境里进行。

3.4 Jupyter Notebook：交互式开发的利器

做策略研究时，Jupyter Notebook 是我的首选。它能把代码、图表、文档混在一起，特别适合快速验证想法。

安装：

conda install jupyter notebook

启动：

jupyter notebook

浏览器会自动打开一个页面。你可以在里面新建Python文件，写代码、画图、做回测。我习惯把每个策略模块放在不同的Notebook里，比如「数据获取.ipynb」、「信号生成.ipynb」、「回测引擎.ipynb」。这样逻辑清晰，也方便团队协作。

3.5 常用库安装

做市商报价引擎，离不开下面这几个库。我一个个说。

3.5.1 pandas：数据处理的核心

pandas 是量化交易的基石。它提供了 DataFrame 结构，能轻松处理时间序列数据。比如订单簿的买卖盘口、历史成交记录，用 pandas 处理起来非常顺手。

conda install pandas

安装后，你可以试试这个简单的例子：

import pandas as pd

# 创建一个简单的订单簿
data = {
    'price': [100.1, 100.2, 100.3],
    'volume': [1000, 2000, 1500],
    'side': ['bid', 'bid', 'ask']
}
df = pd.DataFrame(data)
print(df)

3.5.2 numpy：高性能数值计算

numpy 是 pandas 的底层引擎。做矩阵运算、统计计算时，numpy 比纯Python快几十倍。我在做价差计算时，经常用 numpy 的向量化操作，效率提升很明显。

conda install numpy

3.5.3 asyncio：异步I/O的核心

做市商系统需要同时处理多个交易所的WebSocket连接。如果用同步方式，一个连接卡住，整个系统就瘫痪了。asyncio 就是解决这个问题的。

conda install asyncio

asyncio 是 Python 3.4 引入的标准库。它用 async/await 语法，让你写出看起来像同步代码的异步程序。举个例子：

import asyncio

async def fetch_orderbook(exchange):
    print(f"开始获取 {exchange} 的订单簿")
    await asyncio.sleep(1)  # 模拟网络延迟
    print(f"获取 {exchange} 完成")
    return f"{exchange} 数据"

async def main():
    tasks = [
        fetch_orderbook("Binance"),
        fetch_orderbook("OKX"),
        fetch_orderbook("Bybit")
    ]
    results = await asyncio.gather(*tasks)
    print(results)

asyncio.run(main())

你看，三个交易所的数据几乎是同时获取的。这就是异步的魅力。

3.5.4 websockets：实时通信的桥梁

做市商需要实时接收交易所的行情推送。WebSocket 是双向通信协议，比轮询HTTP高效得多。

conda install websockets

安装后，你可以写一个简单的WebSocket客户端：

import asyncio
import websockets

async def listen_orderbook():
    uri = "wss://stream.binance.com:9443/ws/btcusdt@depth20"
    async with websockets.connect(uri) as websocket:
        while True:
            data = await websocket.recv()
            print(f"收到订单簿数据: {data[:100]}...")  # 只打印前100字符

asyncio.run(listen_orderbook())

这个例子连接了Binance的深度数据流。每次有订单簿更新，都会实时推送过来。嗯，这就是做市商引擎的「眼睛」。

3.6 环境验证

所有库安装完后，我建议你跑一个完整的验证脚本，确保环境没问题。

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

print("pandas 版本:", pd.__version__)
print("numpy 版本:", np.__version__)
print("asyncio 可用:", hasattr(asyncio, 'run'))
print("websockets 可用:", hasattr(websockets, 'connect'))

# 简单测试
df = pd.DataFrame(np.random.randn(5, 3), columns=['A', 'B', 'C'])
print("\n测试DataFrame:")
print(df)

如果所有库都正常导入，没有报错，那你的开发环境就搭好了。

3.7 本章知识体系

为了让你更直观地理解整个环境搭建的逻辑，我画了一张图。

这张图展示了从Anaconda到最终验证的完整链路。每一步都环环相扣，缺一不可。

3.8 避坑总结

最后，我把自己踩过的坑总结一下，你遇到了可以直接翻回来看看。

常见问题	原因	解决方案
conda命令找不到	安装时没勾选PATH	重新安装，或手动添加环境变量
Jupyter内核找不到	没在虚拟环境里启动	先 conda activate，再 jupyter notebook
asyncio报错	混用了同步代码	检查是否用了 time.sleep()，改为 await asyncio.sleep()
websockets连接失败	网络问题或地址错误	检查交易所文档，确认WebSocket地址正确

好了，环境搭建就到这里。你的开发环境已经准备好了，后面我们就可以开始写真正的报价引擎代码了。

---

公众号:蓝海资料掘金营，微信deep3321