第四章 Python环境搭建：Anaconda安装、Jupyter配置、常用量化库安装
做高频做市算法，第一件事不是写代码，而是搭环境。
我见过太多人一上来就 pip install 一堆东西，结果版本冲突、依赖报错，折腾半天还没开始写策略。说实话，这步走稳了，后面能省 80% 的坑。
4.1 为什么选 Anaconda？
Python 环境管理其实挺烦的。你想想看，做回测要用 pandas 1.3，跑实盘可能要用 1.5，不同项目依赖打架怎么办？
Anaconda 的核心价值就两点：
- 环境隔离：每个项目一个独立环境，互不干扰
- 包管理省心：conda 会自动处理依赖关系，比 pip 靠谱得多
我个人习惯是：每个策略项目建一个独立环境。比如做高频做市，我就建一个 hft_market_making 环境，里面只装这个策略需要的库。
避坑指南：我曾经在一个环境里同时装了 tensorflow 和 pytorch，结果两个框架的 CUDA 版本打架，花了两天才排查出来。从那以后，我坚持「一个项目一个环境」。
4.2 Anaconda 安装实战
安装过程其实很简单，但有几个细节要注意。
4.2.1 下载与安装
- 去 Anaconda 官网 下载对应系统的安装包
- 安装时记得勾选「Add Anaconda to my PATH environment variable」
- 安装完成后，打开终端（Windows 用 Anaconda Prompt）
注意：Windows 用户千万别用 cmd 或 PowerShell 直接跑 conda 命令，一定要用 Anaconda Prompt。我刚开始就踩过这个坑，报错说 conda 不是内部命令。
4.2.2 验证安装
打开终端，输入：
conda --version
python --version如果能看到版本号，说明安装成功。嗯，这里要注意：conda 自带的 Python 版本可能不是最新的，但没关系，我们后面可以自己创建环境指定版本。
4.3 创建高频做市专用环境
我个人习惯用 Python 3.9，因为大部分量化库对这个版本支持最好。创建命令如下：
conda create -n hft_market_making python=3.9
conda activate hft_market_making看到命令行前面多了 (hft_market_making) 就说明环境激活成功了。
小技巧：我习惯在环境名里加上项目缩写，比如 hft_mm_v1、hft_mm_v2，方便区分不同版本。
4.4 Jupyter 配置
Jupyter 是我们做策略研究和回测的主力工具。为什么用它？说白了，就是能边写代码边看结果，调试起来特别方便。
4.4.1 安装 Jupyter
在刚才创建的环境里，直接安装：
conda install jupyter notebook
# 或者用新版
conda install jupyterlab我个人更推荐 JupyterLab，界面更现代，支持多标签页，还能直接拖拽文件。
4.4.2 配置内核
为了让 Jupyter 能识别我们刚创建的环境，需要安装 ipykernel：
conda install ipykernel
python -m ipykernel install --user --name hft_market_making --display-name "HFT Market Making"这样在 Jupyter 里新建 notebook 时，就能选择「HFT Market Making」这个内核了。
避坑指南：我曾经忘记装 ipykernel，结果在 Jupyter 里怎么都找不到自己的环境。折腾了半小时才发现是这步漏了。嗯，现在每次建新环境，第一件事就是装 ipykernel。
4.5 常用量化库安装
做高频做市，下面这几个库是必备的。我按重要性排了个序：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| pandas | 数据处理、回测框架基础 | conda install pandas |
| numpy | 数值计算、矩阵运算 | conda install numpy |
| ccxt | 交易所 API 统一接口 | pip install ccxt |
| matplotlib | 数据可视化 | conda install matplotlib |
| scipy | 统计、优化算法 | conda install scipy |
安装命令很简单，一条一条执行就行：
conda install pandas numpy matplotlib scipy
pip install ccxt小技巧：为什么 ccxt 用 pip 而不是 conda？因为 ccxt 更新特别快，conda 上的版本经常滞后。我一般用 pip 装这种高频更新的库。
4.6 验证安装
装完之后，最好验证一下所有库都能正常导入。写个简单的测试脚本：
import pandas as pd
import numpy as np
import ccxt
import matplotlib.pyplot as plt
import scipy
print("pandas version:", pd.__version__)
print("numpy version:", np.__version__)
print("ccxt version:", ccxt.__version__)
print("All libraries loaded successfully!")如果没报错，说明环境搭建完成。嗯，这里要注意：ccxt 第一次导入可能会慢一点，因为它要加载所有交易所的配置。
4.7 环境搭建知识体系
我把整个流程画了张图，方便你理解各个部分的关系：
4.8 环境管理小技巧
最后分享几个我平时常用的命令：
conda info --envs：查看所有环境conda list：查看当前环境已安装的包conda remove -n 环境名 --all：删除整个环境conda export > environment.yml：导出环境配置，方便别人复现
小技巧：我习惯把每个项目的 environment.yml 文件放在项目根目录下。这样换电脑或者给同事部署时，直接 conda env create -f environment.yml 就能一键复现环境。
好了，环境搭建就到这里。记住一句话：环境搭得好，策略写得早。别嫌麻烦，这步做扎实了，后面写代码会顺畅很多。