第2章环境准备

第2章：环境准备——Python环境搭建、Anaconda安装、Jupyter Notebook配置、必备库安装

说实话，很多人在量化这条路上半途而废，不是因为策略不够牛，也不是因为数学太难，而是卡在了第一步——环境没搭好。

我见过太多人，下载了Anaconda装到一半报错，或者装好了库版本冲突，直接心态崩了。嗯，这章我们就来把这层窗户纸捅破。

2.1 为什么非得用Anaconda？

你可能会问：我自己装个Python不行吗？当然行。但你要想想，做量化因子研究，我们得跟几十个科学计算库打交道。一个个手动装，版本还得自己管，太累了。

Anaconda说白了就是一个「全家桶」。它帮你把Python解释器、包管理器、常用科学计算库一股脑全装好。我个人的习惯是，每做一个新项目，就用conda创建一个独立的环境。这样项目A用pandas 1.0，项目B用pandas 2.0，互不干扰。

  核心优势：
  自带conda包管理器，比pip更擅长处理依赖冲突
预装200+常用数据科学库
支持创建隔离的虚拟环境

2.2 安装Anaconda（手把手版）

去官网下载对应你操作系统的安装包。我建议选Python 3.9或3.10版本，太新的版本有些库还没适配好。

安装时有个坑，我曾经踩过——Windows用户记得勾选「Add Anaconda to my PATH environment variable」。虽然安装程序会警告你「不推荐」，但相信我，勾上它，后面省事很多。

注意： macOS和Linux用户，安装完后记得跑一下 conda init，否则终端里找不到conda命令。

装完后验证一下，打开终端（Windows用Anaconda Prompt），输入：

conda --version
python --version

能看到版本号，就说明成了。

2.3 配置Jupyter Notebook

Jupyter Notebook是我们写因子代码的主战场。它最大的好处是「所见即所得」——你写一段代码，立刻能看到结果，还能在中间穿插文字说明。

我个人习惯把Notebook当成实验记录本。每个因子从想法到验证，全在一个.ipynb文件里完成。

启动方式很简单：

jupyter notebook

浏览器会自动弹出来。如果没弹，把终端里那行URL复制到浏览器就行。

小技巧： 我建议你装一个Jupyter Lab，它是Notebook的升级版，界面更像IDE，支持多标签页。装法：conda install jupyterlab

2.4 必备库安装

做因子研究，下面这几个库是吃饭的家伙。我按重要程度排个序：

库名	用途	安装命令
pandas	数据处理，因子计算的核心工具	`conda install pandas`
numpy	数值计算，矩阵运算	`conda install numpy`
matplotlib	基础绘图，看因子分布	`conda install matplotlib`
seaborn	统计图表，比matplotlib好看	`conda install seaborn`
scipy	科学计算，统计检验	`conda install scipy`
statsmodels	回归分析，时间序列建模	`conda install statsmodels`

你可以一次性全装上：

conda install pandas numpy matplotlib seaborn scipy statsmodels

等个几分钟，喝杯水，回来就装好了。

避坑指南： 我曾经在statsmodels上栽过跟头。如果你用 pip install statsmodels，在某些系统上会报编译错误。用conda装就稳得很，因为它下的是预编译好的二进制包。

2.5 验证安装

打开Jupyter Notebook，新建一个Python文件，跑下面这段代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.stats as stats
import statsmodels.api as sm

print("所有库导入成功！")
print(f"pandas版本: {pd.__version__}")
print(f"numpy版本: {np.__version__}")

不报错，就说明环境齐活了。

2.6 本章知识体系

下面这张图，帮你理清这章的核心逻辑：

📚 课程目录