第一章：开发环境搭建——工欲善其事，必先利其器
做量化交易，说白了就是跟数据打交道。你想想看，行情数据、历史回测、策略执行，哪一步离得开代码环境？我见过太多人，一上来就急着写策略，结果环境配得乱七八糟，最后连个简单的回测都跑不起来。嗯，咱们先把地基打牢。
本章核心目标：搭建一套稳定、可复用的Python量化开发环境。包括Python发行版选择、IDE配置、虚拟环境管理，以及量化必备库的安装。
1.1 Python环境安装——为什么我推荐Anaconda
Python的安装方式有很多种。官方Python、Miniconda、Anaconda……我个人习惯直接用Anaconda。为什么？因为它自带了一堆科学计算库，省得你一个个去pip。尤其是做量化，pandas、numpy、matplotlib这些几乎是标配，Anaconda直接帮你打包好了。
安装步骤其实很简单：
- 去Anaconda官网下载对应系统的安装包（Windows/macOS/Linux）
- 双击安装，一路默认就行。但有一个坑——记得勾选"Add Anaconda to my PATH environment variable"。我曾经有一次忘了勾，结果命令行里死活找不到conda命令，折腾了半小时才发现。
- 安装完成后，打开终端（或cmd），输入
conda --version，看到版本号就说明成功了。
小技巧：如果你在macOS或Linux上，建议用Homebrew安装Anaconda，命令就一行：brew install --cask anaconda。省心。
1.2 IDE选择——VS Code还是PyCharm？
这个问题我经常被问到。我的答案是：看场景。
| IDE | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| VS Code | 轻量、插件丰富、免费、跨平台 | 需要手动配置调试环境 | 日常开发、脚本调试、快速原型 |
| PyCharm | 开箱即用、智能提示强、调试功能强大 | 社区版功能有限、专业版收费 | 大型项目、团队协作、复杂调试 |
我个人习惯用VS Code。原因很简单——快。打开一个.py文件，秒开。PyCharm启动要等半天，我性子急等不了。但如果你做的是大型回测框架，PyCharm的代码导航和重构功能确实更胜一筹。
注意：无论选哪个，记得装Python插件。VS Code要装Python扩展和Jupyter扩展，PyCharm社区版需要手动配置Python解释器。
1.3 虚拟环境管理——别让依赖打架
做量化交易，你可能会同时维护好几个策略。每个策略依赖的库版本可能不一样。比如策略A用pandas 1.3，策略B用pandas 2.0。如果不隔离，分分钟出问题。我去年就吃过这个亏——一个回测脚本跑得好好的，升级了某个库之后，结果全变了。
虚拟环境就是干这个的。Anaconda自带conda，管理环境非常方便。
常用命令：
# 创建虚拟环境，指定Python版本
conda create -n quant_env python=3.9
# 激活环境
conda activate quant_env
# 安装包
conda install pandas numpy requests
# 退出环境
conda deactivate
# 查看所有环境
conda env list
# 删除环境
conda remove -n quant_env --all你想想看，每个策略一个独立环境，互不干扰。多清爽。
我的习惯：每个项目根目录下放一个environment.yml文件，记录所有依赖。这样换电脑或者给别人用，一行命令就能复现环境：conda env create -f environment.yml
1.4 常用库安装——量化交易的"工具箱"
量化交易离不开几个核心库。我列一下，你照着装就行。
| 库名 | 用途 | 安装命令 |
|---|---|---|
| pandas | 数据处理、时间序列分析 | conda install pandas |
| numpy | 数值计算、矩阵运算 | conda install numpy |
| requests | HTTP请求，获取REST API数据 | conda install requests |
| websocket-client | WebSocket连接，实时行情推送 | pip install websocket-client |
| matplotlib | 数据可视化、画K线图 | conda install matplotlib |
安装完成后，可以写个简单脚本验证一下：
import pandas as pd
import numpy as np
import requests
import websocket
print("pandas version:", pd.__version__)
print("numpy version:", np.__version__)
print("All libraries imported successfully!")
如果没报错，恭喜你，环境搭好了。
避坑指南：websocket-client这个库，用pip装比conda装更稳定。我曾经用conda装过一次，版本太旧，连交易所的WebSocket都连不上。后来换成pip install就没事了。
1.5 本章知识体系总览
下面这张图，帮你把本章的核心逻辑串起来。从Python环境到IDE，再到虚拟环境和常用库，每一步都是下一章的基础。
这张图从左到右、从上到下，展示了搭建环境的完整流程。你跟着这个顺序走，基本不会出错。
总结一下：Anaconda装好 → 选个顺手的IDE → 用conda创建虚拟环境 → 装好pandas、numpy、requests、websocket这几个核心库 → 写个脚本验证。搞定。
嗯，环境搭好了，咱们就可以开始写真正的量化交易代码了。下一章，我会带你用requests库，从交易所拉取第一笔行情数据。到时候你就知道，前面这些准备工作有多值了。
公众号:蓝海资料掘金营，微信deep3321