3. Python环境与核心库：Anaconda环境配置、NumPy/Pandas基础、Matplotlib/Plotly可视化、Ta-Lib技术指标计算
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。这一章我带你搭好环境，把几个核心库玩明白。我个人习惯先把地基打牢，后面写策略才不慌。
3.1 Anaconda环境配置：别让版本问题卡住你
Anaconda这东西，我愿称之为量化交易的瑞士军刀。它把Python解释器、包管理器、还有一堆常用库打包在一起。你装一个，基本就齐活了。
安装要点：
- 去官网下载对应系统的安装包，选Python 3.9+版本
- 安装时记得勾选「Add Anaconda to my PATH environment variable」
- 装完后打开终端，输入
conda --version验证
我的小技巧： 我习惯给每个项目建独立环境。比如这个课程，我就建了一个叫
option_trading 的环境。命令很简单：conda create -n option_trading python=3.9。这样不同项目之间不会打架。
常用命令速查：
| 操作 | 命令 |
|---|---|
| 创建环境 | conda create -n 环境名 python=3.9 |
| 激活环境 | conda activate 环境名 |
| 安装包 | conda install 包名 或 pip install 包名 |
| 查看已安装包 | conda list |
| 退出环境 | conda deactivate |
注意： 我曾经因为用错了Python版本，导致一个回测结果怎么都对不上。折腾了两天才发现是浮点数精度问题。所以，环境隔离真的很重要。
3.2 NumPy基础：数组运算才是真功夫
NumPy是Python科学计算的基石。做量化，你处理的不是单个数字，而是成千上万条行情数据。NumPy的数组运算，比Python原生的列表快几十倍。
核心概念：ndarray
说白了，ndarray就是一个多维数组。你可以把它想象成一个表格，或者一个矩阵。
import numpy as np
# 创建一个一维数组
prices = np.array([100, 102, 101, 105, 103])
print(prices) # [100 102 101 105 103]
# 创建一个二维数组（比如5天，3只股票）
data = np.array([[100, 50, 200],
[102, 51, 198],
[101, 49, 205],
[105, 52, 210],
[103, 50, 195]])
print(data.shape) # (5, 3)
常用操作：
- 索引与切片：
prices[0]取第一个元素，prices[1:3]取第2到第3个 - 向量化运算：
returns = (prices[1:] - prices[:-1]) / prices[:-1]一行算出收益率 - 统计函数：
np.mean()、np.std()、np.max()、np.min()
避坑指南： 我曾经在计算期权组合的Delta时，直接用Python列表循环，跑了10分钟没出结果。换成NumPy数组后，0.1秒就搞定了。记住：能用向量化运算，就别写循环。
3.3 Pandas基础：时间序列分析利器
Pandas是量化交易的核心库。它把数据组织成DataFrame和Series，操作起来特别顺手。我个人觉得，Pandas最牛的地方就是处理时间序列数据。
创建DataFrame：
import pandas as pd
# 创建日期索引
dates = pd.date_range('2024-01-01', periods=5, freq='D')
data = {
'Open': [100, 102, 101, 105, 103],
'High': [105, 104, 103, 108, 106],
'Low': [98, 100, 99, 102, 101],
'Close':[102, 101, 105, 103, 104]
}
df = pd.DataFrame(data, index=dates)
print(df)
常用操作：
- 读取数据：
df = pd.read_csv('data.csv', index_col=0, parse_dates=True) - 查看数据：
df.head()、df.tail()、df.info() - 选择列：
df['Close']或df[['Open', 'Close']] - 条件筛选：
df[df['Close'] > df['Open']]找出阳线 - 滚动计算：
df['MA5'] = df['Close'].rolling(window=5).mean()
我的经验： 处理期权数据时，经常遇到多层级索引（比如按合约代码和日期）。Pandas的MultiIndex特别好用。你可以用
df.xs() 或 df.loc[] 来切片。
3.4 Matplotlib与Plotly可视化：让数据说话
做策略，光看数字不行。你得把数据画出来，一眼就能看出趋势和异常。Matplotlib适合做静态图表，Plotly适合做交互式图表。
Matplotlib基础：
import matplotlib.pyplot as plt
# 画K线图（简化版）
plt.figure(figsize=(10, 6))
plt.plot(df.index, df['Close'], label='Close Price', color='blue')
plt.title('Stock Price')
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.grid(True)
plt.show()
Plotly交互式图表：
import plotly.graph_objects as go
fig = go.Figure(data=[go.Candlestick(
x=df.index,
open=df['Open'],
high=df['High'],
low=df['Low'],
close=df['Close']
)])
fig.update_layout(title='Interactive Candlestick Chart')
fig.show()
为什么用Plotly？ 我在做期权策略监控时，需要实时查看希腊字母的变化。Plotly的交互功能让我可以缩放、悬停查看数值，比静态图方便太多了。
3.5 Ta-Lib技术指标计算：专业交易员的工具箱
Ta-Lib是技术分析的标准库。它包含了200多种指标，从简单的移动平均线到复杂的布林带、MACD，应有尽有。
安装：
# 推荐用conda安装，省去编译麻烦
conda install -c conda-forge ta-lib
常用指标示例：
import talib
# 计算简单移动平均线
close_prices = df['Close'].values
sma_20 = talib.SMA(close_prices, timeperiod=20)
# 计算布林带
upper, middle, lower = talib.BBANDS(close_prices, timeperiod=20, nbdevup=2, nbdevdn=2)
# 计算MACD
macd, macd_signal, macd_hist = talib.MACD(close_prices, fastperiod=12, slowperiod=26, signalperiod=9)
# 计算RSI
rsi = talib.RSI(close_prices, timeperiod=14)
注意： Ta-Lib的输入数据必须是NumPy数组，不能是Pandas Series。我刚开始用的时候，直接传了DataFrame进去，结果报错。记得用
.values 转换一下。
3.6 知识体系总览
下面这张图，帮你理清本章的知识结构：
这张图把本章的知识点串起来了。从底层的Anaconda环境，到NumPy和Pandas的数据处理，再到Matplotlib和Plotly的可视化，最后用Ta-Lib计算技术指标。每一步都是下一环的基础。
最后说一句： 这些工具你刚开始用可能觉得繁琐，但相信我，熟练之后你会爱上它们的。我当年也是从一个个函数查文档开始的。别怕，多练几次就顺手了。