第4章 Python环境搭建

第4章：Python环境搭建——Python 3.10安装、虚拟环境管理、常用科学计算库安装

做量化交易，尤其是期货套利，Python环境就是你的武器库。我见过太多人花大把时间研究策略，结果环境配不好，代码跑不起来，白白浪费精力。这一章，咱们就把地基打牢。

4.1 为什么选Python 3.10？

你可能要问，Python版本那么多，为什么非选3.10？

我个人习惯是「追新不追旧，但也不当小白鼠」。3.10这个版本，稳定性经过了市场检验，同时引入了几个对量化非常有用的特性：

结构模式匹配（match-case）：写条件判断时，代码更清晰。我在处理多合约信号时经常用到。
更清晰的错误提示：调试时能少掉几根头发。
类型联合操作符（|）：写类型注解更方便，对大型项目维护很有帮助。

嗯，这里要注意：别用3.12或3.13，有些科学计算库还没完全适配，容易踩坑。

4.2 Python 3.10 安装实战

安装过程其实很简单，但有几个细节我提醒你注意。

Windows用户

去Python官网下载3.10.x版本（建议3.10.11，最后一个稳定小版本）。
安装时，务必勾选「Add Python to PATH」。我曾经帮一个学员远程调试，折腾半小时才发现他没勾这个选项。
选择「Customize installation」，确保pip被勾选。

macOS/Linux用户

我推荐用pyenv管理多版本Python，这样切换起来很方便。

# 安装pyenv
curl https://pyenv.run | bash

# 安装Python 3.10.11
pyenv install 3.10.11

# 设置全局版本
pyenv global 3.10.11

# 验证
python --version
# 输出：Python 3.10.11

我的小技巧：安装完立刻运行 python -c "import this"，看到「Zen of Python」就说明环境没问题。这是老程序员之间的默契。

4.3 虚拟环境管理——别让项目打架

做套利策略，你可能同时维护好几个项目。有的用pandas 1.5，有的用2.0。如果不隔离，依赖冲突会让你崩溃。

我常用的两种方式：venv（轻量级）和 conda（重量级）。

4.3.1 venv——Python自带的轻骑兵

venv是Python官方推荐的方案，简单够用。我大部分项目都用它。

# 创建虚拟环境
python -m venv arbitrage_env

# 激活（Windows）
arbitrage_env\Scripts\activate

# 激活（macOS/Linux）
source arbitrage_env/bin/activate

# 退出
deactivate

激活后，终端前面会出现 (arbitrage_env) 字样，说明你已经在虚拟环境里了。这时候安装的包不会影响全局。

我曾经踩过的坑：千万别把虚拟环境放在项目目录里！我习惯在 ~/envs/ 下统一管理，这样项目迁移时不会把一堆环境文件带过去。

4.3.2 conda——科学计算的瑞士军刀

如果你做机器学习或需要非Python依赖（比如C++库），conda更省心。它连numpy的底层库都能帮你搞定。

# 创建环境
conda create -n arbitrage python=3.10

# 激活
conda activate arbitrage

# 安装包
conda install numpy pandas

# 退出
conda deactivate

说白了，venv和conda选哪个？我的建议是：纯Python项目用venv，涉及C扩展或复杂依赖用conda。

4.4 常用科学计算库安装

做期货套利，这三个库是标配：numpy、pandas、scipy。它们的关系，我画了张图帮你理解。

4.4.1 安装命令

在虚拟环境激活状态下，执行：

# 使用pip（venv环境）
pip install numpy==1.24.3 pandas==2.0.3 scipy==1.11.1

# 使用conda（conda环境）
conda install numpy=1.24.3 pandas=2.0.3 scipy=1.11.1

  版本锁定很重要：我建议你记录下版本号。不同版本之间，有些函数行为会变。比如pandas 2.0改了concat的默认行为，我有个回测脚本因此跑出了不同结果，排查了一下午。

4.4.2 验证安装

装完后，跑个简单测试：

python -c "
import numpy as np
import pandas as pd
import scipy as sp

print(f'NumPy: {np.__version__}')
print(f'Pandas: {pd.__version__}')
print(f'SciPy: {sp.__version__}')

# 快速测试：计算两个合约的价差
price_a = np.array([100, 101, 102])
price_b = np.array([98, 99, 100])
spread = price_a - price_b
print(f'价差序列: {spread}')
"

如果看到版本号和价差结果，说明环境搭建成功。

4.5 环境管理的几个好习惯

做量化久了，我总结了几条经验：

每个项目一个独立环境：别偷懒共用环境。我见过有人把回测和生产环境混在一起，结果升级包时把生产搞崩了。
用requirements.txt记录依赖：

# 导出当前环境
pip freeze > requirements.txt

# 在新环境安装
pip install -r requirements.txt

定期清理不用的环境：虚拟环境多了，磁盘空间不知不觉就没了。我每个月清理一次。

我的小习惯：在项目根目录放一个 .python-version 文件，里面写上 3.10.11。这样用pyenv的人切进来自动匹配版本，省去沟通成本。

环境搭好了，后面写策略、跑回测才能顺畅。你想想看，如果连环境都搞不定，再好的策略也只是纸上谈兵。这一章的内容，够你应付绝大多数期货套利的开发场景了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录