3、Python量化环境搭建：Anaconda安装、Jupyter Notebook配置、必备库安装

说实话，很多新手在学量化交易时，第一步就被环境搭建给卡住了。我见过太多人花了一整天装库，结果各种报错，最后连个hello world都没跑出来。今天我就带你一步步搞定这个环境，保证你半小时内就能开始写策略。

3.1 为什么选择Anaconda？

你可能听说过Python，但没听过Anaconda。简单说，Anaconda就是一个Python的「全家桶」——它自带Python解释器、包管理器conda，还有一大堆科学计算库。我个人习惯用Anaconda，因为它能帮你省掉80%的环境配置烦恼。

你想想看，如果手动装Python，再装numpy、pandas、matplotlib……光是解决依赖冲突就能让你怀疑人生。Anaconda把这些都打包好了，直接开箱即用。

3.2 Anaconda安装步骤

安装其实很简单，但有几个坑我得提前告诉你。

1. 下载安装包：去Anaconda官网下载对应系统的安装包。我建议选Python 3.9或3.10版本，太新的版本有些库可能不兼容。
2. 安装时注意：Windows用户记得勾选「Add Anaconda to my PATH environment variable」。嗯，这里很重要——如果不勾，后面在命令行里会找不到conda命令。
3. 验证安装：打开终端（Windows用cmd或PowerShell），输入conda --version，看到版本号就说明装好了。

3.3 Jupyter Notebook配置

Jupyter Notebook是量化交易中最常用的交互式编程环境。说白了，它就是一个能在网页上写代码、看图表、记笔记的工具。我个人觉得，做策略研究时用它比用PyCharm顺手多了。

安装完Anaconda后，Jupyter Notebook已经自带了。你只需要在终端输入：

jupyter notebook

浏览器会自动打开一个页面，默认地址是 http://localhost:8888。如果没自动打开，手动复制这个地址到浏览器就行。

我建议你做一些个性化配置：

• 修改默认目录：找到配置文件jupyter_notebook_config.py（在C:\Users\你的用户名\.jupyter\下），修改c.NotebookApp.notebook_dir为你自己的工作目录。
• 设置密码：在终端运行jupyter notebook password，设置一个密码，防止别人访问你的Notebook。
• 安装插件：pip install jupyter_contrib_nbextensions，然后启用代码折叠、目录生成等插件，能大幅提升效率。

3.4 必备库安装

做统计套利，下面这几个库是必须装的。我按重要性排了个序：

库名	用途	安装命令
pandas	数据处理、时间序列分析	conda install pandas
numpy	数值计算、矩阵运算	conda install numpy
matplotlib	数据可视化、画K线图	conda install matplotlib
statsmodels	统计模型、协整检验	conda install statsmodels
scipy	科学计算、优化算法	conda install scipy

安装方法很简单，打开终端，输入上面的命令就行。我建议用conda安装，因为它会自动处理依赖关系。如果conda里没有某个库，再用pip。

举个例子，安装pandas：

conda install pandas

安装完成后，在Python里导入测试一下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
from scipy import stats

print("所有库导入成功！")

如果没报错，恭喜你，环境已经搭好了。

3.5 知识体系总览

下面这张图帮你理清本章的知识结构：

这张图把本章内容串起来了。你看，Anaconda是地基，Jupyter是工作台，五个库就是工具箱。地基稳了，工作台顺手了，工具箱齐了，后面写策略才能得心应手。

3.6 验证环境是否可用

最后，我建议你跑一个简单的测试脚本，确认所有库都能正常工作：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
from scipy import stats

# 生成模拟数据
dates = pd.date_range('2020-01-01', periods=100)
data = pd.DataFrame({
    'price_A': np.random.randn(100).cumsum() + 100,
    'price_B': np.random.randn(100).cumsum() + 100
}, index=dates)

# 画个简单的价差图
spread = data['price_A'] - data['price_B']
plt.figure(figsize=(10, 4))
plt.plot(spread)
plt.title('Price Spread between A and B')
plt.xlabel('Date')
plt.ylabel('Spread')
plt.show()

# 做协整检验
from statsmodels.tsa.stattools import coint
score, pvalue, _ = coint(data['price_A'], data['price_B'])
print(f'协整检验p值: {pvalue:.4f}')
if pvalue < 0.05:
    print('两个序列存在协整关系，可以做统计套利！')
else:
    print('不存在协整关系，换个标的试试。')

如果这段代码能顺利跑出图表和结果，说明你的环境已经完全就绪了。我在项目中经常用这个脚本来快速验证新环境是否配置正确，省时省力。

---

公众号:蓝海资料掘金营，微信deep3321