环境搭建与项目初始化：Python虚拟环境、依赖管理、项目目录结构设计
做量化交易的朋友都知道，回测框架的搭建，第一步往往不是写代码，而是把环境收拾利索。我见过太多人一上来就 pip install，结果项目做到一半，依赖冲突搞得人想砸电脑。嗯，咱们今天就把这一步走稳。
为什么需要虚拟环境？
说白了，虚拟环境就是给你的每个项目一个独立的 Python 解释器空间。你想想看，A 项目用 pandas 1.0，B 项目用 pandas 2.0，要是装在一个全局环境里，那不得天天打架？
我个人习惯是：每个量化项目都开一个独立的虚拟环境。哪怕只是个小脚本，也别偷懒。我曾经在一个回测项目里，因为依赖版本不对，回测结果差了 0.3% 的年化收益，排查了整整两天才发现是 numpy 版本变了，随机数生成逻辑有差异。
方案一：Poetry —— 现代 Python 依赖管理
Poetry 是我目前的主力工具。它把虚拟环境、依赖管理、打包发布全包了，用起来很顺手。
安装 Poetry：
curl -sSL https://install.python-poetry.org | python3 -初始化项目：
poetry new order-split-backtest
cd order-split-backtest添加依赖：
poetry add pandas numpy matplotlib
poetry add --dev pytest black flake8激活虚拟环境：
poetry shell
小技巧： Poetry 会自动生成 pyproject.toml 和 poetry.lock 文件。lock 文件一定要提交到 Git 里，它能保证所有人安装的依赖版本完全一致。我在团队协作时吃过这个亏，有人没锁版本，结果 CI 跑出来的结果和本地不一样。
方案二：Conda —— 适合数据科学场景
如果你经常用 Jupyter Notebook 或者需要管理非 Python 的依赖（比如 C++ 扩展库），Conda 会更合适。我个人在跑一些需要 TA-Lib 这类 C 扩展库的项目时，会优先选 Conda。
conda create -n order-split python=3.10
conda activate order-split
conda install pandas numpy matplotlib
pip install some-pure-python-package
注意： Conda 和 pip 混用时要小心。建议先用 Conda 安装能装的所有包，剩下的再用 pip。顺序反了容易出问题，我踩过这个坑。
项目目录结构设计
一个好的目录结构，能让你的回测框架像乐高积木一样清晰。我经过多次迭代，总结出下面这个结构：
order-split-backtest/
├── pyproject.toml # 项目配置与依赖
├── README.md # 项目说明
├── .gitignore # Git 忽略规则
├── data/ # 数据文件
│ ├── raw/ # 原始数据
│ └── processed/ # 处理后的数据
├── src/ # 源代码
│ ├── __init__.py
│ ├── engine/ # 回测引擎
│ │ ├── __init__.py
│ │ ├── backtest.py # 主回测逻辑
│ │ └── order_book.py # 订单簿模拟
│ ├── strategies/ # 策略模块
│ │ ├── __init__.py
│ │ ├── base.py # 策略基类
│ │ └── twap.py # TWAP 拆单策略
│ ├── analysis/ # 分析模块
│ │ ├── __init__.py
│ │ ├── metrics.py # 绩效指标
│ │ └── reports.py # 报告生成
│ └── utils/ # 工具函数
│ ├── __init__.py
│ ├── logger.py # 日志配置
│ └── config.py # 配置管理
├── tests/ # 测试代码
│ ├── __init__.py
│ ├── test_engine.py
│ └── test_strategies.py
├── notebooks/ # Jupyter Notebook
│ └── exploration.ipynb
└── docs/ # 文档
└── architecture.md这个结构有几个要点：
- src/ 目录：所有业务代码放这里，按功能模块分文件夹。我习惯把引擎、策略、分析拆开，这样改策略时不会影响到引擎代码。
- tests/ 目录：测试代码和源代码分开。我要求自己每写一个函数，至少写一个对应的测试用例。
- data/ 目录：原始数据和处理后的数据分开存放。我见过有人把数据直接扔在项目根目录，那叫一个乱。
- notebooks/ 目录：用于探索性分析和可视化。但注意，正式的策略逻辑不要写在 Notebook 里，应该提取到 src/ 中。
依赖管理实战建议
| 场景 | 推荐工具 | 理由 |
|---|---|---|
| 纯 Python 项目 | Poetry | 简洁、现代、自动锁版本 |
| 数据科学/机器学习 | Conda | 管理非 Python 依赖更方便 |
| 团队协作 | Poetry + lock 文件 | 保证环境一致性 |
| 快速原型 | pip + venv | 轻量、无需额外安装 |
核心原则： 无论用哪个工具，一定要把依赖管理纳入版本控制。我见过太多项目，代码能跑但没人知道依赖是什么，最后只能重装环境一个个试。
本章知识体系
下面这张图，帮你把环境搭建的核心逻辑串起来：
环境搭建这件事，说白了就是给项目建一个「无菌实验室」。你想想看，如果连环境都不稳定，后面写的策略代码再漂亮，跑出来的结果你敢信吗？
我个人建议：花 30 分钟把环境搭好，后面能省下 3 天排查问题的时间。这笔账，怎么算都划算。