第1章：工欲善其事，必先利其器
做量化交易，说白了就是跟数据打交道。你想想看，没有趁手的工具，再好的策略也跑不起来。这一章，我就带你搭好环境——这是所有交易代码的起点。
1.1 为什么选Python？
我入行那会儿，大家还在用Excel和VBA做回测。后来转到Python，才发现以前的日子简直是在刀耕火种。Python做TWAP交易，有几个天然优势：
- 生态成熟：pandas处理时间序列，numpy做矩阵运算，matplotlib画K线图，一条龙搞定
- 回测快：同样的逻辑，Python比Excel快几十倍
- 对接方便：各大券商、交易所的API，基本都有Python版
嗯，这里要注意：别贪多嚼不烂。Python库成千上万，做TWAP交易，核心就三个——pandas、numpy、matplotlib。先把这三个玩透，比什么都强。
1.2 Anaconda安装：一步到位
我个人习惯用Anaconda来管理Python环境。为什么？因为它自带150多个常用库，省得你一个一个pip install。我在项目中遇到过好几次，新手自己装Python，结果版本冲突搞到崩溃——Anaconda就是来救你的。
安装步骤
- 去Anaconda官网下载对应系统的安装包（Windows/Mac/Linux都支持）
- 双击安装，一路默认就行。但有一个坑：安装路径不要有中文。我曾经帮一个学员排查问题，搞了半天，发现他装在“D:\程序\Python”下面，空格和中文字符导致路径解析出错
- 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
1.3 Jupyter Notebook配置：交互式交易的利器
做TWAP策略开发，Jupyter Notebook是我的首选。它最大的好处是——写一段代码，立刻看到结果。不像传统IDE，要跑整个脚本才能知道对错。
启动Jupyter
打开终端，输入：
jupyter notebook浏览器会自动打开一个页面。如果没打开，手动复制终端里那个带token的URL就行。
常用快捷键
| 快捷键 | 功能 |
|---|---|
| Shift + Enter | 运行当前单元格，并跳到下一个 |
| Ctrl + Enter | 运行当前单元格，不移动 |
| Esc + A | 在当前单元格上方插入新单元格 |
| Esc + B | 在当前单元格下方插入新单元格 |
| Esc + M | 将当前单元格切换为Markdown模式（写注释用） |
1.4 必备库安装：pandas, numpy, matplotlib
这三个库，是TWAP交易的铁三角。pandas管数据，numpy管计算，matplotlib管可视化。缺一个，你的策略就像少了一条腿。
安装命令
在终端里依次执行：
conda install pandas numpy matplotlib或者用pip：
pip install pandas numpy matplotlib我个人推荐用conda安装，因为它会自动处理依赖关系。用pip的话，有时候会遇到版本冲突——比如pandas 2.0需要numpy 1.24以上，但你装的是1.22，那就报错了。
验证安装
打开Jupyter Notebook，新建一个Python文件，输入：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
print("pandas版本:", pd.__version__)
print("numpy版本:", np.__version__)
print("matplotlib版本:", plt.matplotlib.__version__)如果能看到版本号，恭喜你，环境搭好了。
1.5 知识体系总览
这一章的内容，说白了就是三件事：装Anaconda、配Jupyter、装三个库。下面这张图，帮你理清它们之间的关系：
1.6 实战小练习
环境搭好了，咱们来跑个简单的TWAP模拟。别怕，就几行代码：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 模拟10笔交易，每笔100股，均匀分布在1小时内
total_shares = 1000
num_trades = 10
shares_per_trade = total_shares / num_trades
# 生成时间点（每6分钟一笔）
times = pd.date_range('09:30:00', '10:30:00', periods=num_trades)
# 模拟成交价格（随机波动）
np.random.seed(42)
prices = 100 + np.cumsum(np.random.randn(num_trades) * 0.5)
# 计算累计成交量
cum_shares = np.arange(1, num_trades+1) * shares_per_trade
# 画图
plt.figure(figsize=(10, 5))
plt.plot(times, cum_shares, 'b-o', label='累计成交量')
plt.xlabel('时间')
plt.ylabel('累计成交量（股）')
plt.title('TWAP交易模拟：均匀拆分订单')
plt.grid(True)
plt.legend()
plt.show()运行这段代码，你会看到一条近乎直线的上升曲线——这就是TWAP的核心思想：把大单拆成小单，均匀分布在时间轴上。