第三讲：Python环境与依赖库——搭建你的量化研究工坊
做统计套利，说白了就是跟数据打交道。而Python环境，就是你的工作台。
我见过太多人，一上来就pip install一堆包，结果版本冲突、依赖报错，折腾半天还没开始写代码。嗯，这其实完全可以避免。今天我就带你一步步搭好这个环境，保证后面写策略的时候，一路顺畅。
3.1 为什么选Anaconda？
你可能听说过Python自带的venv，或者直接用系统Python。我个人习惯用Anaconda，原因很简单——省心。
Anaconda自带了一个包管理器叫conda，它比pip强在哪？它能帮你处理底层依赖，比如numpy依赖的BLAS库、statsmodels依赖的C扩展。这些用pip装，有时候会报一些莫名其妙的错。conda直接给你装好二进制包，省去编译的麻烦。
另外，Anaconda还自带了一个叫Navigator的图形界面。虽然我平时用命令行，但对新手来说，点几下鼠标就能创建环境，确实友好。
3.2 安装Anaconda
去官网下载对应系统的安装包。Windows用户记得选64位版本。安装时有个坑——一定要勾选「Add Anaconda to my PATH environment variable」。我刚开始没勾，后面每次都要手动找conda命令，烦得很。
装完后，打开终端（Windows用Anaconda Prompt），输入：
conda --version如果看到版本号，说明装好了。没看到？检查一下环境变量，或者重启终端试试。
3.3 创建虚拟环境
为什么要用虚拟环境？你想想看，不同项目可能依赖不同版本的pandas。A项目用1.3.0，B项目用2.0.0。混在一起，迟早出问题。
我一般这样创建：
conda create -n statarb python=3.9这里statarb是环境名，你可以改成自己喜欢的。Python版本我选3.9，因为3.10以上有些量化库还没完全适配。当然，现在2025年了，3.11也稳了，但3.9最保险。
创建完，激活它：
conda activate statarb你会看到终端前面多了个(statarb)，说明你已经在虚拟环境里了。这时候你装任何包，都不会影响系统Python。
3.4 核心库安装
好，环境有了，现在装核心库。统计套利回测，离不开这几个库：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| pandas | 数据处理、时间序列操作 | conda install pandas |
| numpy | 数值计算、矩阵运算 | conda install numpy |
| statsmodels | 统计模型、协整检验、OLS回归 | conda install statsmodels |
| scipy | 科学计算、优化算法 | conda install scipy |
| matplotlib | 基础绘图 | conda install matplotlib |
| seaborn | 统计图表美化 | conda install seaborn |
你可以一次性装完：
conda install pandas numpy statsmodels scipy matplotlib seabornconda会自动解析依赖关系，找到兼容的版本。这个过程可能需要几分钟，别急。
装完后，验证一下：
python -c "import pandas; print(pandas.__version__)"如果没报错，说明装好了。
3.5 依赖库的版本选择
你可能想问：版本是不是越新越好？不一定。量化回测讲究可复现。你今天用pandas 2.1.0写的策略，半年后pandas升级到2.5.0，某个函数行为变了，回测结果对不上，那就尴尬了。
我一般会固定版本号。比如：
conda install pandas=1.5.3 numpy=1.24.3 statsmodels=0.14.0这样，不管什么时候重装环境，版本都一样。你也可以把依赖写到一个requirements.txt里：
pandas==1.5.3
numpy==1.24.3
statsmodels==0.14.0
scipy==1.10.1
matplotlib==3.7.1
seaborn==0.12.2然后用：
conda install --file requirements.txt一键安装，省心省力。
3.6 环境导出与复制
环境搭好了，怎么分享给同事？或者换电脑时怎么迁移？
导出当前环境：
conda env export > environment.yml这个yml文件记录了所有包及其版本。别人拿到后，直接：
conda env create -f environment.yml就能复刻一个一模一样的环境。注意，这个文件会包含一些系统相关的包，比如openssl、libffi。跨平台（比如Windows到Mac）可能会有问题。这时候可以用：
conda env export --from-history > environment.yml它只记录你手动安装的包，跨平台兼容性更好。
3.7 知识体系总览
说了这么多，我画了一张图，帮你理清整个环境搭建的逻辑：
这张图把整个流程串起来了。从Anaconda出发，创建虚拟环境，然后装核心库，最后用版本管理工具固定环境。每一步都踩过坑，才总结出这个流程。
3.8 验证环境是否可用
装完别急着关终端。写个简单脚本，验证所有库都能正常导入：
import pandas as pd
import numpy as np
import statsmodels.api as sm
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns
print("所有库导入成功！")
print(f"pandas版本: {pd.__version__}")
print(f"numpy版本: {np.__version__}")
print(f"statsmodels版本: {sm.__version__}")如果没报错，恭喜你，环境搭好了。如果报错，多半是版本冲突。这时候别慌，用conda list看看已安装的包，找到冲突的包，重新装一个兼容版本就行。
好了，环境搭好了，后面就可以安心写策略了。记住，环境是地基，地基稳了，楼才能盖得高。
公众号:蓝海资料掘金营，微信deep3321