3、Python环境搭建：Anaconda安装、虚拟环境配置、常用做市库介绍

做量化交易，尤其是做市商策略，说白了就是跟数据打交道。你想想看，行情数据、订单簿数据、成交数据，哪一样离得开Python？我个人习惯，第一步就是把环境搭好。这一步要是偷懒，后面全是坑。

嗯，咱们直接开始。这一章我会带你搞定三件事：装好Anaconda、配好虚拟环境、认识几个做市必备的Python库。

3.1 为什么选Anaconda？

很多新手喜欢直接装Python官方版本，然后手动装包。我刚开始也这么干，结果呢？装一个包依赖冲突，装另一个包版本不对，折腾半天还没跑通一个策略。后来我改用Anaconda，真香。

Anaconda自带Python、包管理器conda、还有一大堆科学计算库。你装好它，就等于有了一个开箱即用的量化环境。更重要的是，conda能帮你管理虚拟环境，不同项目用不同Python版本，互不干扰。

3.2 Anaconda安装步骤

安装其实很简单，但有几个细节要注意。我曾经因为安装路径带了中文，结果后面跑策略时各种报错，排查了半天才发现是路径问题。所以，记住：路径不要有中文和空格。

1. 去Anaconda官网下载对应系统的安装包（建议选Python 3.9+版本）
2. 双击安装，一路默认就行。但注意这一步：勾选「Add Anaconda to my PATH environment variable」
3. 安装完成后，打开终端（Windows用Anaconda Prompt），输入 conda --version，看到版本号就说明装好了

3.3 虚拟环境配置

做市商策略对稳定性要求极高。你想想看，一个策略跑得好好的，突然因为升级了某个库导致接口变了，订单发不出去，那损失可就大了。所以，每个项目都应该有自己的虚拟环境。

我一般这样操作：

# 创建一个名为 market_making 的虚拟环境，指定Python版本
conda create -n market_making python=3.9

# 激活环境
conda activate market_making

# 安装常用库
conda install pandas numpy ccxt -c conda-forge

# 查看已安装的包
conda list

为什么要指定Python版本？因为有些做市库对Python版本有要求。比如ccxt，我遇到过它在Python 3.11上有个小bug，降回3.9就没事了。所以，我建议统一用Python 3.9，兼容性最好。

3.4 常用做市库介绍

做市商策略离不开三个核心库：ccxt、pandas、numpy。我分别说说它们的作用，以及我在项目中是怎么用的。

3.4.1 ccxt：交易所接口统一封装

ccxt是一个加密货币交易所的统一API库。它支持100多家交易所，接口风格一致。你写一套代码，就能对接币安、OKX、火币等主流交易所。

我最早做做市时，每个交易所写一套API调用代码，累得半死。后来发现ccxt，简直像发现了宝藏。你想想看，只需要改一个参数，就能切换交易所，多爽。

import ccxt

# 初始化币安交易所
exchange = ccxt.binance({
    'apiKey': '你的API_KEY',
    'secret': '你的SECRET_KEY',
    'enableRateLimit': True,  # 开启限速，防止被交易所封
})

# 获取BTC/USDT的订单簿
orderbook = exchange.fetch_order_book('BTC/USDT')
print(f"买一价: {orderbook['bids'][0][0]}")
print(f"卖一价: {orderbook['asks'][0][0]}")

# 获取账户余额
balance = exchange.fetch_balance()
print(f"USDT余额: {balance['USDT']['free']}")

3.4.2 pandas：数据处理利器

做市商策略的核心是数据分析。订单簿数据、历史行情、交易记录，这些都需要pandas来处理。pandas的DataFrame结构，说白了就是一张表格，你可以对它做各种筛选、聚合、计算。

我一般用它来做回测和实时监控。比如，计算订单簿的买卖价差、深度分布、成交量加权价格等。

import pandas as pd

# 假设我们有一份历史行情数据
data = {
    'timestamp': ['2025-01-01 10:00:00', '2025-01-01 10:01:00'],
    'bid_price': [50000, 50010],
    'ask_price': [50005, 50015],
    'bid_volume': [1.5, 2.0],
    'ask_volume': [1.2, 1.8],
}
df = pd.DataFrame(data)

# 计算买卖价差
df['spread'] = df['ask_price'] - df['bid_price']

# 计算中间价
df['mid_price'] = (df['bid_price'] + df['ask_price']) / 2

print(df)

3.4.3 numpy：高性能数值计算

numpy是pandas的底层引擎。它用C语言实现，计算速度比纯Python快几十倍。做市商策略中，很多计算需要毫秒级响应，比如计算订单簿的加权平均价格、波动率等。

我习惯用numpy的数组操作，避免用Python的for循环。你想想看，一个订单簿有几千档价格，用for循环算一遍，黄花菜都凉了。

import numpy as np

# 假设订单簿的卖盘价格和数量
ask_prices = np.array([50005, 50010, 50015, 50020])
ask_volumes = np.array([1.2, 0.8, 0.5, 0.3])

# 计算加权平均卖价
weighted_ask_price = np.average(ask_prices, weights=ask_volumes)
print(f"加权平均卖价: {weighted_ask_price:.2f}")

# 计算价格标准差（衡量波动性）
price_std = np.std(ask_prices)
print(f"价格标准差: {price_std:.2f}")

3.5 知识体系总览

为了让你更直观地理解这一章的内容，我画了一张图。它展示了Python环境搭建的完整流程，以及各个组件之间的关系。

3.6 环境验证

装好之后，怎么确认环境没问题？我一般写一个简单的测试脚本，跑一遍看看。

# test_env.py
import ccxt
import pandas as pd
import numpy as np

print("ccxt版本:", ccxt.__version__)
print("pandas版本:", pd.__version__)
print("numpy版本:", np.__version__)

# 测试ccxt连接
exchange = ccxt.binance()
ticker = exchange.fetch_ticker('BTC/USDT')
print(f"BTC当前价格: {ticker['last']}")

# 测试pandas和numpy
data = np.array([1, 2, 3, 4, 5])
df = pd.DataFrame(data, columns=['value'])
print(f"数据均值: {df['value'].mean()}")

print("环境搭建成功！")

如果所有输出都正常，恭喜你，环境搭好了。接下来就可以开始写做市策略了。

---