第二章：Python量化环境搭建

做量化投资，说白了就是让代码替我们盯盘、算数据、跑策略。但工欲善其事，必先利其器。这一章，我就带你亲手搭一套完整的Python量化环境。

你可能觉得装软件有什么好讲的？嗯，我当年刚入行时也这么想。结果有一次在Mac上装NumPy，折腾了整整一下午，最后发现是Python版本不对。从那以后，我再也不敢小看环境搭建这件事。

2.1 为什么选择Anaconda？

Python的包管理，说白了就是一场噩梦。你装了一个库，它依赖另一个库，那个库又依赖特定版本的Python...我见过太多新手把系统Python搞崩，最后重装系统的惨案。

Anaconda就是来解决这个问题的。它把Python解释器、常用科学计算库、包管理器打包在一起。你装一个Anaconda，就等于拥有了一个完整的量化开发环境。

2.2 安装Anaconda

我个人习惯用Miniconda——它是Anaconda的精简版，只包含核心组件。你想想看，Anaconda装完要3个G，Miniconda才几百兆。对于量化交易来说，我们需要的库自己装就行，没必要全塞进去。

安装步骤：

1. 打开Anaconda官网，下载对应系统的Miniconda
2. 双击安装包，一路默认选项
3. 安装完成后，打开终端（Windows用Anaconda Prompt）
4. 输入 conda --version 验证安装

2.3 Jupyter Notebook：量化研究的利器

做量化研究，你经常需要边写代码边看结果。Jupyter Notebook就是为此而生。它把代码、图表、文字说明整合在一个文档里。我个人觉得，它比PyCharm更适合做策略研究。

安装命令：

conda install jupyter notebook

装完后，在终端输入 jupyter notebook，浏览器就会自动打开。你会看到一个文件管理界面，点"New"就能新建一个Notebook。

2.4 Pandas：量化数据的瑞士军刀

做量化，你天天跟时间序列数据打交道。股票价格、成交量、财务数据...这些在Pandas里都叫DataFrame。我刚开始用Pandas时，觉得它就是个Excel的替代品。后来才发现，它比Excel强太多了。

安装：

conda install pandas

快速上手：

import pandas as pd

# 创建一个简单的DataFrame
data = {
    '日期': ['2024-01-01', '2024-01-02', '2024-01-03'],
    '收盘价': [100.5, 102.3, 101.8],
    '成交量': [10000, 15000, 12000]
}
df = pd.DataFrame(data)
print(df)

你看，三行代码就搞定了数据组织。在实际项目中，我经常用Pandas读取CSV文件、处理缺失值、计算移动平均线。这些操作在Excel里要折腾半天，在Pandas里就是一行代码的事。

2.5 NumPy：高性能数值计算

Pandas的底层就是NumPy。它提供了多维数组对象和大量的数学函数。做量化时，你算收益率、波动率、协方差矩阵，都离不开NumPy。

安装：

conda install numpy

实战示例：

import numpy as np

# 计算日收益率
prices = np.array([100, 102, 101, 103, 105])
returns = np.diff(prices) / prices[:-1]
print(f"日收益率: {returns}")

# 计算年化波动率
volatility = np.std(returns) * np.sqrt(252)
print(f"年化波动率: {volatility:.2%}")

2.6 Matplotlib：数据可视化

做量化，你不可能只看数字。K线图、收益率曲线、回撤图...这些可视化图表能帮你快速发现规律。Matplotlib是Python最经典的绘图库。

安装：

conda install matplotlib

画个简单的K线图：

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
dates = np.arange('2024-01-01', '2024-01-10', dtype='datetime64[D]')
prices = np.random.randn(9).cumsum() + 100

plt.figure(figsize=(10, 6))
plt.plot(dates, prices, 'b-', linewidth=2)
plt.title('模拟股价走势')
plt.xlabel('日期')
plt.ylabel('价格')
plt.grid(True, alpha=0.3)
plt.show()

2.7 环境验证：确保一切就绪

装完所有库后，我建议你跑一个完整的验证脚本。这样能确保所有组件都能正常工作。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 生成模拟数据
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100, freq='D')
prices = 100 + np.random.randn(100).cumsum()

# 创建DataFrame
df = pd.DataFrame({'price': prices}, index=dates)
df['returns'] = df['price'].pct_change()
df['ma20'] = df['price'].rolling(20).mean()

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['price'], label='价格')
plt.plot(df.index, df['ma20'], label='20日均线', linestyle='--')
plt.title('量化环境验证 - 价格与均线')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

print("环境搭建成功！")
print(f"Pandas版本: {pd.__version__}")
print(f"NumPy版本: {np.__version__}")

如果这段代码能顺利运行，恭喜你，量化环境已经搭好了。

2.8 本章知识体系

下面这张图，帮你理清这章的核心脉络：

这五个组件，就是量化投资的五根支柱。Anaconda管环境，Jupyter管交互，Pandas管数据，NumPy管计算，Matplotlib管图表。少了任何一个，你的量化工作流都会卡壳。