2. 环境搭建与工具链：Python科学计算环境（Anaconda）、必备库（pandas, numpy, matplotlib, seaborn）、回测框架选型（Backtrader vs Zipline vs 自研）

说实话，做量化投资，环境搭建是第一步，也是最容易翻车的一步。我见过太多人花了一周时间装库、配环境，最后发现版本冲突，心态直接崩了。今天咱们就把这事一次性捋清楚。

2.1 Python科学计算环境：Anaconda

我个人习惯用 Anaconda 来管理 Python 环境。为什么？因为它自带 conda 包管理器，能帮你隔离不同项目的依赖。你想想看，一个项目用 pandas 1.0，另一个用 2.0，要是装在一个环境里，迟早出问题。

安装步骤很简单，去官网下载对应系统的安装包，一路下一步就行。但我建议你注意两点：

• 不要勾选「Add Anaconda to PATH」——这会影响系统自带的 Python，我踩过这个坑。
• 安装路径不要有中文或空格——有些库编译时会报错。

装好后，验证一下：

conda --version
python --version

嗯，看到版本号就说明成功了。接下来创建一个专门用于因子回测的环境：

conda create -n factor_backtest python=3.9
conda activate factor_backtest

我曾经在项目里同时维护三个环境：一个做因子挖掘，一个做回测，一个做生产部署。互不干扰，省心得很。

2.2 必备库：pandas, numpy, matplotlib, seaborn

这四个库，是因子研究的「四件套」。少了哪个都不行。

库名	用途	我常用的版本
pandas	数据处理、时间序列、因子计算	1.5.x
numpy	数值计算、矩阵运算	1.23.x
matplotlib	基础绘图、回测曲线	3.6.x
seaborn	统计图表、因子相关性热力图	0.12.x

安装命令：

conda install pandas numpy matplotlib seaborn

或者用 pip：

pip install pandas numpy matplotlib seaborn

我个人更推荐 conda 安装，因为它会自动处理依赖冲突。有一次我用 pip 装 seaborn，结果把 matplotlib 的版本给升级了，导致之前画的图全变了样……从那以后，我尽量用 conda。

2.3 回测框架选型：Backtrader vs Zipline vs 自研

这是个大问题。选错了框架，后面改起来想哭。我三个都用过，说说我的真实感受。

Backtrader

Backtrader 是我用得最多的框架。它轻量、灵活，适合做因子级别的回测。说白了，它就是一个事件驱动的回测引擎，你只需要定义策略逻辑，它帮你处理订单、滑点、佣金。

优点：

• 文档齐全，社区活跃
• 支持多数据源、多时间周期
• 内置分析器（夏普比率、最大回撤等）

缺点：

• 单线程，回测速度一般
• 对高频交易支持不够

安装：

pip install backtrader

Zipline

Zipline 是 Quantopian 开源的框架，功能很强大，但……嗯，有点重。我记得第一次用的时候，光是配置数据源就花了两天。它适合做全流程的回测，从数据获取到绩效分析一条龙。

优点：

• 内置数据管道，支持分钟级数据
• 与 Pyfolio、Alphalens 无缝集成

缺点：

• 安装复杂，依赖多
• 社区维护力度下降

自研框架

说实话，如果你只是做因子研究，自研框架是最灵活的。我自己的做法是：写一个轻量级的回测引擎，只包含核心逻辑——因子计算、信号生成、持仓管理、绩效统计。

为什么自研？

• 完全可控，想加什么功能就加什么
• 没有冗余代码，回测速度快
• 方便与机器学习模型集成

但代价是：你需要自己处理滑点、停牌、复权等细节。嗯，这里要注意，这些细节很容易出错。

2.4 我的推荐

如果你刚开始做因子投资，我建议：

1. 先用 Backtrader——上手快，能快速验证你的因子逻辑。
2. 等熟悉了再考虑自研——当你发现 Backtrader 满足不了需求时，再自己写。
3. Zipline 可以了解，但不推荐作为主力——除非你团队有专人维护。

2.5 知识体系结构图

下面这张图，帮你理清本章的核心逻辑：

这张图从左到右，就是咱们搭建环境的完整路径。先搞定 Anaconda，再装好四件套，最后根据需求选框架。别跳步，每一步都踩实了。

---