第一章：Python量化基础环境搭建
做量化交易，说白了就是让代码替我们做决策。但工欲善其事，必先利其器。今天我们就来搭好这个「器」——从零开始，把Python量化环境整明白。
我个人习惯把环境搭建分成三步：装Anaconda、配Jupyter、装量化库。这三步走完，你就能在电脑上跑出第一条量化策略了。
1.1 为什么选Anaconda？
很多新手会问：「我直接装Python不行吗？」当然行。但Anaconda帮你省了太多事。它自带Python、包管理器conda、还有一大堆科学计算库。你想想看，要是手动装numpy、pandas、matplotlib这些库，光解决依赖冲突就能折腾半天。
我在项目中遇到过最典型的情况：团队里有人用Python 3.8，有人用3.10，结果代码跑出来的结果不一样。后来统一用Anaconda创建虚拟环境，再也没出过这种问题。
核心优势：
- 自带Python解释器，不用单独装
- conda管理包，比pip更稳
- 支持创建多个虚拟环境，项目间互不干扰
- 预装200+常用科学计算包
1.2 安装Anaconda
去官网下载对应系统的安装包。我建议选Python 3.9或3.10版本，太新的版本有些量化库还没适配好。
安装时注意两点：
- Windows用户记得勾选「Add Anaconda to my PATH environment variable」
- 安装路径不要有中文和空格
嗯，这里要注意：Mac用户用pkg安装包，Linux用户用.sh脚本。装完后打开终端，输入：
conda --version如果看到版本号，说明装好了。我曾经帮一个学员排查问题，他输完命令报错「command not found」，结果发现是没勾选PATH那个选项。重装一遍就好了。
1.3 配置Jupyter Notebook
Jupyter Notebook是量化研究的利器。你可以在里面写代码、看结果、画图表，还能加文字说明。说白了，它就是量化交易员的电子实验本。
Anaconda装好后，Jupyter已经自带了。打开终端输入：
jupyter notebook浏览器会自动打开一个页面。如果没自动打开，复制终端里那个带token的URL到浏览器就行。
我的习惯：在桌面建一个「quant_notebooks」文件夹，专门放量化相关的notebook。这样文件好找，也方便备份。
Jupyter有几个快捷键必须记住：
Shift + Enter：运行当前单元格并跳到下一个Ctrl + Enter：运行当前单元格但不跳转Esc + A：在当前单元格上方插入新单元格Esc + B：在当前单元格下方插入新单元格
为什么会这样设计？因为量化研究经常要反复调试代码，这些快捷键能让你手不离键盘，效率翻倍。
1.4 安装常用量化库
量化交易最核心的三个库：numpy、pandas、matplotlib。它们的关系是这样的：
安装命令很简单。打开终端，输入：
conda install numpy pandas matplotlib或者用pip也行：
pip install numpy pandas matplotlib我个人推荐用conda，因为它会自动处理依赖关系。比如装pandas时，它会自动装上numpy，因为pandas底层依赖numpy。
1.5 验证环境是否正常
装完别急着走。咱们得验证一下，确保所有库都能正常用。打开Jupyter Notebook，新建一个Python 3的notebook，输入以下代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 验证numpy
print("NumPy版本:", np.__version__)
arr = np.array([1, 2, 3, 4, 5])
print("NumPy数组:", arr)
# 验证pandas
print("\nPandas版本:", pd.__version__)
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print("Pandas DataFrame:\n", df)
# 验证matplotlib
print("\nMatplotlib版本:", plt.__version__)
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.title('验证Matplotlib')
plt.show()如果能看到版本号、数组、表格和一张折线图，恭喜你——环境搭好了。
注意：如果matplotlib画图时中文显示乱码，可以加这两行代码：
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False这是我在做回测报告时踩过的坑，图表标题全是方框，后来才发现是字体问题。
1.6 虚拟环境管理
做量化交易，你可能会同时维护多个策略。每个策略依赖的库版本可能不一样。这时候虚拟环境就派上用场了。
创建新环境：
conda create -n quant_env python=3.9激活环境：
conda activate quant_env退出环境：
conda deactivate我曾经因为没管好环境，导致一个策略用的pandas 1.3，另一个用的1.5，结果代码在1.5上跑得好好的，到1.3就报错。后来我每个策略都建独立环境，再也没出过这种问题。
小技巧：用 conda env export > environment.yml 导出环境配置。换电脑或分享给同事时，直接 conda env create -f environment.yml 就能复现一模一样的环境。
1.7 常用量化库一览
除了上面三个核心库，做量化交易还会用到这些：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| scipy | 科学计算，优化算法 | conda install scipy |
| statsmodels | 统计模型，时间序列分析 | conda install statsmodels |
| scikit-learn | 机器学习，因子挖掘 | conda install scikit-learn |
| ta-lib | 技术指标计算 | pip install TA-Lib |
| yfinance | 获取股票行情数据 | pip install yfinance |
这些库不用一次性全装。用到哪个装哪个，保持环境干净。我刚开始做量化时，一股脑装了20多个库，结果很多根本没用上，还拖慢了环境启动速度。
好了，环境搭好了，咱们就可以正式开始写量化策略了。记住：环境搭得好，策略跑得稳。别嫌这一步麻烦，后面你会感谢现在认真搭环境的自己。