第2章 Python量化环境搭建

第二章：Python量化环境搭建

做量化投资，说白了就是跟数据打交道。而Python，就是咱们手里最顺手的工具。

我记得刚入行那会儿，光装环境就折腾了两天。各种库版本冲突、依赖报错，搞得我差点想放弃。后来摸清了门道，才发现——嗯，其实没那么复杂。

2.1 Anaconda与Jupyter配置

我个人习惯用Anaconda来管理Python环境。为什么？因为它把Python、常用库、包管理器都打包好了，省心。

安装步骤很简单：

去Anaconda官网下载对应系统的安装包
一路默认安装，记得勾选「Add Anaconda to my PATH」
打开终端或Anaconda Prompt，输入 conda --version 验证

装完之后，咱们得创建一个独立的量化环境。你想想看，要是所有项目都混在一个环境里，迟早会出问题。

conda create -n quant python=3.9
conda activate quant

Jupyter Notebook是咱们写策略、做分析的主战场。安装也简单：

conda install jupyter
jupyter notebook

我个人建议装个Jupyter Lab，界面更现代，功能更强：

conda install jupyterlab

小技巧： 在Jupyter里按Tab可以自动补全代码，按Shift+Tab可以查看函数文档。这两个快捷键能帮你省下大量时间。

2.2 核心库安装：Pandas/Numpy/Matplotlib/Statsmodels

这四个库，是量化分析的基石。缺一个，你的分析链条就断了。

库名	作用	安装命令
Numpy	数值计算、矩阵运算	`conda install numpy`
Pandas	数据处理、时间序列	`conda install pandas`
Matplotlib	数据可视化、画图	`conda install matplotlib`
Statsmodels	统计建模、时间序列分析	`conda install statsmodels`

装完之后，建议跑个测试脚本，确认一切正常：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm

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

注意： 我曾经遇到过Statsmodels和Numpy版本不兼容的问题，导致ARIMA模型死活跑不出来。后来发现是Numpy版本太新了。建议用 conda install 而不是 pip install，因为conda会自动处理依赖关系。

2.3 数据源API获取：Tushare与AkShare

做量化，数据是命根子。没有数据，再好的策略也是空中楼阁。

Tushare 是老牌的数据接口，数据质量高，但需要注册获取token：

pip install tushare
import tushare as ts

# 设置token（需要去tushare官网注册）
ts.set_token('你的token')
pro = ts.pro_api()

# 获取股票日线数据
df = pro.daily(ts_code='000001.SZ', start_date='20230101', end_date='20231231')
print(df.head())

AkShare 是后起之秀，完全免费，数据源覆盖广：

pip install akshare
import akshare as ak

# 获取股票日线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", 
                        start_date="20230101", end_date="20231231", adjust="qfq")
print(df.head())

我个人更推荐AkShare做日常研究，因为它不用注册，拿来就用。但Tushare的数据更规范，适合做生产环境。

  避坑指南： 我曾经在凌晨跑策略时，发现Tushare接口返回空数据。后来才知道，Tushare每天有调用次数限制，而且凌晨是数据更新窗口。建议把数据提前下载到本地，用CSV或数据库存着，别每次都实时拉取。

2.4 回测框架Backtrader入门

Backtrader是我用得最多的回测框架。它轻量、灵活，而且社区活跃。

安装：

pip install backtrader

一个最简单的回测示例：

import backtrader as bt

# 1. 定义策略
class MyStrategy(bt.Strategy):
    def next(self):
        if not self.position:
            # 没有持仓就买入
            self.buy(size=100)
        else:
            # 有持仓就卖出
            self.sell(size=100)

# 2. 创建Cerebro引擎
cerebro = bt.Cerebro()

# 3. 添加数据
data = bt.feeds.YahooFinanceData(dataname='AAPL', 
                                  fromdate='2023-01-01', 
                                  todate='2023-12-31')
cerebro.adddata(data)

# 4. 添加策略
cerebro.addstrategy(MyStrategy)

# 5. 设置初始资金
cerebro.broker.setcash(100000.0)

# 6. 运行回测
print(f'初始资金: {cerebro.broker.getvalue():.2f}')
cerebro.run()
print(f'最终资金: {cerebro.broker.getvalue():.2f}')

这个例子虽然简单，但包含了Backtrader的核心流程：

策略类：继承 bt.Strategy，重写 next 方法
Cerebro引擎：负责调度整个回测流程
数据源：支持多种格式，CSV、数据库、API都行
资金管理：自动处理买卖、持仓、盈亏

个人经验： 刚开始用Backtrader时，我总想着把所有逻辑都塞进策略类里。后来发现，把数据预处理、信号生成、资金管理分开写，代码会清晰很多。记住——回测框架只是工具，核心是你的交易逻辑。

本章知识体系

下面这张图，帮你理清本章的核心脉络：

环境搭好了，数据能拉了，回测能跑了。接下来，你就可以开始真正的研究了。

记住一句话：工欲善其事，必先利其器。花点时间把环境整利索，后面会省下无数麻烦。

📚 课程目录

第二章：Python量化环境搭建

2.1 Anaconda与Jupyter配置

2.2 核心库安装：Pandas/Numpy/Matplotlib/Statsmodels

2.3 数据源API获取：Tushare与AkShare

2.4 回测框架Backtrader入门

本章知识体系