第二章：环境搭建——Python量化生态与工具选型

说实话，搭建量化回测环境这件事，我踩过的坑比写过的策略还多。刚开始做因子研究那会儿，我天真地以为装个Anaconda就能搞定一切。结果呢？数据存得乱七八糟，回测跑得比乌龟还慢，最后连自己都搞不清哪个版本是对的。

这一章，我就把这几年的经验掰开揉碎讲给你听。咱们从Python生态说起，再到数据库选型，最后聊聊回测框架。嗯，跟着我的节奏走，保证你少走弯路。

2.1 Python量化三件套：pandas、numpy、matplotlib

这三样东西，说白了就是量化分析的左膀右臂。我个人的习惯是，不管做什么项目，先把这三个库的版本锁死。为什么？因为版本不兼容导致的bug，我曾经排查了整整两天。

2.1.1 pandas——数据处理的灵魂

pandas在量化里的地位，就像地基之于高楼。你想想看，日线数据、分钟数据、因子值、收益率……哪样离得开DataFrame？

我个人最常用的几个操作：

• 数据读取：read_csv、read_sql，注意dtype参数一定要指定，否则日期和浮点数会搞混
• 时间序列处理：resample、shift、pct_change，这三个函数能解决80%的因子计算需求
• 合并与对齐：merge、join，多因子分析时特别重要

import pandas as pd
import numpy as np

# 读取日线数据，指定日期列和数据类型
df = pd.read_csv('stock_data.csv', 
                 parse_dates=['trade_date'],
                 dtype={'close': np.float64, 'volume': np.int64})

# 计算5日收益率
df['ret_5d'] = df.groupby('stock_code')['close'].pct_change(5)

# 按日期和股票代码排序
df.sort_values(['trade_date', 'stock_code'], inplace=True)

2.1.2 numpy——速度的保证

numpy的向量化运算，说白了就是让Python跑出C语言的速度。我在做因子标准化时，如果数据量超过10万行，用pandas的apply会慢到怀疑人生。换成numpy的向量化操作，速度能快100倍。

记住这几个核心操作：

• np.where：条件筛选，比pandas的loc快得多
• np.nanmean/np.nanstd：处理缺失值的均值、标准差
• np.corrcoef：计算相关系数矩阵，因子分析必备

2.1.3 matplotlib——可视化利器

很多人觉得matplotlib画图丑，其实是你没用对。我习惯用matplotlib + seaborn的组合，一个负责底层控制，一个负责美化样式。

回测中最常用的几张图：

• 净值曲线：看策略整体表现
• 回撤曲线：看风险控制能力
• 因子收益分布：看因子是否有效

import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体，避免乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 画净值曲线
plt.figure(figsize=(12, 6))
plt.plot(nav.index, nav.values, linewidth=2, color='steelblue')
plt.title('策略净值曲线')
plt.xlabel('日期')
plt.ylabel('净值')
plt.grid(True, alpha=0.3)
plt.show()

2.2 数据库选型：MySQL vs ClickHouse

数据库选型这个问题，我纠结了整整一个月。当时手上有500G的日线数据，用MySQL存得下，但查询慢得像蜗牛。换ClickHouse呢？学习成本又高。

后来我想明白了：没有最好的数据库，只有最合适的场景。

对比维度	MySQL	ClickHouse
数据量	适合百万级	适合亿级
查询速度	秒级	毫秒级
写入速度	一般	极快（列式存储）
学习成本	低	中
适用场景	小规模回测、策略管理	大规模因子库、高频数据

我个人建议：初期用MySQL，数据量超过1亿行再迁移到ClickHouse。别一上来就搞ClickHouse，学习曲线太陡，容易劝退。

2.3 回测框架选型：Backtrader vs Zipline

回测框架的选择，直接决定了你后面写策略的效率。我用过Zipline，也用过Backtrader，最后长期用的是Backtrader。为什么？

Zipline的问题在于：数据格式太死板。它强制要求用特定的数据格式，如果你有自己的数据源，适配起来很痛苦。我当年为了把A股数据塞进Zipline，写了整整一周的转换脚本。

Backtrader就好多了：

• 数据灵活：支持CSV、pandas DataFrame、数据库等多种数据源
• 策略编写简单：继承Strategy类，重写next方法就行
• 回测速度快：纯Python实现，但性能足够
• 文档完善：社区活跃，遇到问题容易找到答案

import backtrader as bt

class MyStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(
            self.data.close, period=20)
    
    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy(size=100)
        elif self.data.close[0] < self.sma[0]:
            self.sell(size=100)

# 运行回测
cerebro = bt.Cerebro()
cerebro.addstrategy(MyStrategy)
cerebro.adddata(data)
cerebro.run()

2.4 本章知识体系总览

下面这张图，是我花了一个晚上画的。它把本章的核心知识点串在了一起，你保存下来，以后搭建环境时对照着看。

这张图你看懂了吗？三个模块之间是相互依赖的。Python生态是基础，数据库是数据仓库，回测框架是执行引擎。缺一个，整个系统就跑不起来。