第3章环境搭建

第3章：环境搭建——Python虚拟环境、依赖管理、Docker容器化与Linux基础配置

说实话，我见过太多量化新手在环境搭建上栽跟头了。明明代码写得挺好，一换机器就跑不起来。这种问题，说白了就是环境没管好。今天咱们就把这套东西彻底理清楚。

3.1 Python虚拟环境：为什么你需要它？

你想想看，一个量化项目可能依赖pandas 1.3，另一个项目却需要pandas 2.0。如果全装在一个全局环境里，早晚会冲突。虚拟环境就是干这个的——每个项目有自己的小天地。

3.1.1 用conda创建虚拟环境

我个人习惯用conda，尤其是做量化时，很多金融库（比如ta-lib）用pip装起来很麻烦，conda反而省心。

# 创建环境，指定Python版本
conda create -n quant_env python=3.9

# 激活环境
conda activate quant_env

# 安装常用量化库
conda install numpy pandas matplotlib scikit-learn
conda install -c conda-forge ta-lib backtrader

小技巧： 环境名别起得太随意。我习惯用项目名+日期，比如「momentum_202401」，这样半年后回来还能知道是哪个项目。

3.1.2 用venv创建虚拟环境

如果你不想装Anaconda（它确实有点重），Python自带的venv也够用。轻量、干净。

# 创建虚拟环境
python -m venv quant_venv

# 激活（Linux/Mac）
source quant_venv/bin/activate

# 激活（Windows）
quant_venv\Scripts\activate

注意： venv不会自动安装pip以外的包。你需要手动pip install。另外，venv默认不包含ipykernel，如果你用Jupyter，记得装一下。

3.2 依赖管理：requirements.txt的正确用法

环境搭好了，怎么让别人也能跑起来？答案就是requirements.txt。这玩意儿就是你的项目「药方」——列出所有依赖及其版本。

3.2.1 生成requirements.txt

# 导出当前环境的全部依赖
pip freeze > requirements.txt

但这里有个坑。pip freeze会导出所有包，包括那些间接依赖。我曾经因为这个吃过亏——别人用我的requirements.txt装完，发现版本冲突了。

所以我建议用pipreqs，它只扫描你代码里实际import的包：

# 安装pipreqs
pip install pipreqs

# 生成精简版requirements.txt
pipreqs ./ --force

3.2.2 从requirements.txt恢复环境

pip install -r requirements.txt

嗯，就这么简单。但要注意，最好在干净的虚拟环境里执行，别污染了全局。

3.2.3 版本锁定 vs 宽松版本

写法	含义	推荐场景
`pandas==1.3.5`	精确锁定版本	生产环境、需要复现结果
`pandas>=1.3,<2.0`	允许小版本升级	开发环境、团队协作
`pandas`	不指定版本	快速原型、个人项目

  我的建议： 量化交易对结果可复现性要求极高。我一般用精确版本锁定，并在每次升级依赖后重新跑一遍回测，确保结果一致。

3.3 Docker容器化部署：让环境「随身携带」

虚拟环境解决了本机隔离问题，但换台机器还得重新装。Docker就不一样了——它把整个环境（包括操作系统层）打包成一个镜像，走到哪都能跑。

3.3.1 编写Dockerfile

这是我常用的量化交易Dockerfile模板：

# 基于轻量级Python镜像
FROM python:3.9-slim

# 设置工作目录
WORKDIR /app

# 安装系统依赖（ta-lib需要）
RUN apt-get update && apt-get install -y \
    build-essential \
    libta-lib0 \
    && rm -rf /var/lib/apt/lists/*

# 复制依赖文件并安装
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# 复制项目代码
COPY . .

# 暴露端口（比如API服务）
EXPOSE 8000

# 启动命令
CMD ["python", "main.py"]

避坑指南： 我曾经把整个项目目录COPY进去，结果把本地的__pycache__和.idea也带进去了。后来我加了.dockerignore文件，把这些排除掉。

3.3.2 构建与运行

# 构建镜像
docker build -t quant-strategy:v1 .

# 运行容器
docker run -d --name my_quant -p 8000:8000 quant-strategy:v1

3.3.3 使用Docker Compose管理多服务

如果你的量化系统包含数据采集、策略计算、API服务等多个模块，Docker Compose就派上用场了。

version: '3.8'
services:
  data-fetcher:
    build: ./data-fetcher
    volumes:
      - ./data:/app/data
    environment:
      - API_KEY=${API_KEY}

  strategy:
    build: ./strategy
    depends_on:
      - data-fetcher
    volumes:
      - ./config:/app/config

  api:
    build: ./api
    ports:
      - "8000:8000"
    depends_on:
      - strategy

3.4 Linux服务器基础配置

量化策略最终要跑在服务器上。我个人偏爱Ubuntu Server LTS版本，稳定、社区活跃。

3.4.1 用户与权限管理

# 创建专用用户（别用root跑策略）
sudo useradd -m -s /bin/bash quantuser
sudo passwd quantuser

# 赋予sudo权限（谨慎）
sudo usermod -aG sudo quantuser

警告： 永远不要用root用户运行量化策略。一旦策略有漏洞，整个服务器就暴露了。我见过有人因为root权限被黑，服务器被拿去挖矿。

3.4.2 安装基础工具

# 更新系统
sudo apt update && sudo apt upgrade -y

# 安装必备工具
sudo apt install -y git curl wget htop net-tools

# 安装Docker（如果要用）
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
sudo usermod -aG docker $USER

3.4.3 配置SSH安全访问

# 修改SSH配置
sudo vim /etc/ssh/sshd_config

# 建议修改：
# Port 2222（改默认端口，防扫描）
# PermitRootLogin no（禁止root登录）
# PasswordAuthentication no（禁用密码，只用密钥）

# 重启SSH服务
sudo systemctl restart sshd

3.4.4 设置防火墙

# 安装ufw
sudo apt install ufw

# 只开放必要端口
sudo ufw allow 2222/tcp  # SSH
sudo ufw allow 8000/tcp  # API服务
sudo ufw enable

3.5 本章知识体系总览

下面这张图帮你理清整个环境搭建的脉络：

3.6 本章小结

环境搭建看似琐碎，但它是量化交易系统的地基。我见过太多人花了两周写策略，却因为环境问题浪费三天调试。记住几个关键点：

虚拟环境是隔离的基石，conda和venv选一个用熟
requirements.txt要精确锁定版本，别偷懒
Docker让环境可移植，团队协作必备
Linux服务器配置要安全第一，别留后门

嗯，这套流程我用了好几年，基本没出过环境问题。你照着做，也能省下不少折腾的时间。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录