第1章：Python量化环境搭建
做量化交易，说白了就是让代码替我们盯盘、算信号、下单。但工欲善其事，必先利其器。这一章，我就带你从零开始，把Python量化环境搭得明明白白。
我个人习惯把环境搭建分成四步：装Anaconda、配Jupyter、装必备库、管虚拟环境。每一步都有坑，我踩过不少，今天一并告诉你。
1.1 Anaconda安装与配置
Anaconda是什么？你可以把它理解成一个Python的「全家桶」。它自带Python解释器、包管理器conda，还有一大堆科学计算库。省心，真的省心。
下载与安装
去Anaconda官网下载对应系统的安装包。我建议选Python 3.9或3.10版本，太新或太旧都可能跟某些量化库不兼容。
验证安装
打开终端（Windows用cmd或PowerShell，Mac/Linux用Terminal），输入：
conda --version如果看到类似 conda 23.7.4 的输出，说明装好了。
再检查Python版本：
python --version嗯，这里要注意：Anaconda自带的Python版本可能不是你想要的。我一般会单独创建一个环境，指定Python版本。
1.2 Jupyter Notebook使用
Jupyter Notebook是量化研究的利器。它把代码、图表、文字混在一起，特别适合做探索性分析。
启动Jupyter
在终端输入：
jupyter notebook浏览器会自动打开一个页面，默认地址是 http://localhost:8888。你可以在里面新建、编辑、运行Notebook文件（.ipynb）。
常用快捷键
| 快捷键 | 功能 |
|---|---|
| Shift + Enter | 运行当前单元格，并选中下一个 |
| Ctrl + Enter | 运行当前单元格 |
| Esc + A | 在上方插入新单元格 |
| Esc + B | 在下方插入新单元格 |
| Esc + M | 将单元格切换为Markdown模式 |
| Esc + Y | 将单元格切换为代码模式 |
1.3 必备库安装
做统计套利，这几个库是绕不开的：
- pandas：数据处理的核心，读数据、清洗、合并、分组，全靠它。
- numpy：数值计算的基础，矩阵运算、随机数、统计函数。
- statsmodels：统计模型库，回归分析、协整检验、时间序列模型。
- matplotlib：画图工具，看价格走势、残差分布、回测曲线。
安装命令
在终端里一行搞定：
conda install pandas numpy statsmodels matplotlib或者用pip：
pip install pandas numpy statsmodels matplotlib我个人更推荐conda，因为它会自动处理依赖关系，不容易出现版本冲突。我曾经用pip装statsmodels时，因为numpy版本不对，折腾了一下午。
验证安装
在Python里导入试试：
import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt
print("所有库导入成功！")如果没报错，恭喜你，环境搭好了。
1.4 虚拟环境管理
虚拟环境是干嘛用的？说白了，就是给每个项目一个独立的Python「小房间」。A项目用pandas 1.0，B项目用pandas 2.0，互不干扰。
创建虚拟环境
conda create -n quant_env python=3.9这里 quant_env 是环境名，你可以随便起。我一般用项目名，比如 pair_trading、stat_arb。
激活环境
Windows：
conda activate quant_envMac/Linux：
source activate quant_env激活后，终端前面会出现 (quant_env) 字样，说明你已经在虚拟环境里了。
安装库到当前环境
conda install pandas numpy statsmodels matplotlib退出环境
conda deactivate查看已有环境
conda env list删除环境
conda env remove -n quant_env1.5 本章知识体系
下面这张图，帮你理清本章的核心逻辑：
核心要点：
- Anaconda是基础，装好它，Python环境就搞定了一半。
- Jupyter Notebook是研究利器，学会快捷键能事半功倍。
- pandas、numpy、statsmodels、matplotlib是统计套利的四大金刚。
- 虚拟环境是项目隔离的保险，每个项目单独建一个。
好了，环境搭好了，下一章我们就开始真正动手——用Python拉数据、算价差、找套利机会。准备好了吗？