第二章：研发环境搭建
做量化策略研发，第一件事不是写代码，而是搭环境。这事儿看着简单，但我在项目里见过太多人因为环境问题浪费一整天。说白了，环境搭好了，后面能省80%的坑。
操作系统怎么选？
我个人习惯用Linux，尤其是Ubuntu。为什么？因为量化生态里大部分工具和库，都是优先支持Linux的。你想想看，服务器上跑策略，99%都是Linux。本地开发用Linux，能避免很多「本地能跑，服务器报错」的尴尬。
Windows也不是不行。我早期做CTA策略时就在Windows上折腾过。但有个坑——有些科学计算库在Windows上编译特别麻烦。比如TA-Lib，装起来能让你怀疑人生。Mac用户相对幸福，Unix内核，兼容性好，但M1/M2芯片偶尔会有兼容性问题。
我的建议：
- 新手：Windows + WSL2（Windows Subsystem for Linux）
- 老手：Ubuntu 22.04 LTS 或 MacOS
- 团队协作：统一Linux环境，避免「我的机器能跑」
Python环境管理：Anaconda vs venv
这个问题我纠结过很久。Anaconda确实方便，自带1500+包，装完就能用。但有个问题——它太胖了。一个基础环境就占3-4G，而且conda的依赖解析有时候慢得离谱。
venv是Python自带的，轻量，干净。但你需要手动装所有包。嗯，这里要注意：venv只管理Python包，不管理系统级的依赖。比如你装pandas，它底层依赖的libgcc、libstdc++这些，venv管不了。
我的实战经验：
我现在的做法是：用miniconda（Anaconda的轻量版）管理Python版本，然后用venv或poetry管理项目依赖。这样既保留了conda的便利性，又避免了环境臃肿。
| 工具 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Anaconda | 开箱即用，包管理强大 | 体积大，依赖解析慢 | 新手、数据分析 |
| miniconda | 轻量，保留conda功能 | 需要手动装包 | 日常开发 |
| venv | Python原生，轻量 | 不管理系统依赖 | 纯Python项目 |
| poetry | 依赖锁定，发布方便 | 学习曲线略高 | 团队协作、库开发 |
核心库安装
量化策略离不开这几个库。我按安装顺序和重要性排个序：
- numpy：所有数值计算的基础。装它的时候注意，最好用conda装，因为pip装有时会触发编译，慢。
- pandas：处理时间序列数据的利器。我建议装最新版，老版本有些API已经废弃了。
- matplotlib：画图用的。量化里看回测曲线、K线图都靠它。
- scipy：科学计算，优化算法、统计检验都用得上。
- statsmodels：做统计建模和假设检验。比如你算个协整关系、做ADF检验，就靠它。
我曾经踩过的坑：
有一次装statsmodels，pip install直接报错，说缺少gfortran。折腾了半天才发现，statsmodels底层依赖Fortran编译器。后来用conda装，一步到位。所以我的建议是：科学计算相关的库，优先用conda装。
# 推荐安装方式
conda install numpy pandas matplotlib scipy statsmodels
# 或者用pip（但要注意依赖）
pip install numpy pandas matplotlib scipy statsmodelsJupyter Lab配置与使用
Jupyter Lab是我每天都要用的工具。它比Jupyter Notebook强在哪？说白了，就是更像一个IDE了。你可以同时打开多个notebook、终端、文件浏览器，还能拖拽布局。
我个人习惯这样配置：
- 安装jupyterlab：
conda install jupyterlab - 安装插件：jupyterlab-git（版本控制）、jupyterlab-lsp（代码补全）
- 设置密码：
jupyter lab password，防止别人连你的端口 - 修改默认端口：
jupyter lab --port=8889，避免冲突
一个小技巧：
在Jupyter Lab里，按Shift+Enter运行当前单元格并跳到下一个。按Ctrl+Enter只运行不跳转。按Esc退出编辑模式，然后按a在上面插入单元格，按b在下面插入。这些快捷键用熟了，效率能翻倍。
你想想看，一个量化策略从数据获取、因子计算、回测到结果分析，全在一个notebook里完成，多爽。但要注意，notebook不适合做生产环境。策略定型后，还是要转成.py脚本。
本章知识体系
下面这张图，是我梳理的研发环境搭建的核心逻辑。从操作系统到底层库，再到开发工具，一层层往上搭。
环境搭建这件事，说难不难，说简单也不简单。关键是别急，一步步来。我见过有人一上来就装一堆库，结果版本冲突，最后全删了重来。嗯，稳一点，先搭好基础，再往上加东西。
本章核心要点：
- 操作系统：Linux优先，Windows用户用WSL2过渡
- Python环境：miniconda + venv/poetry 组合拳
- 核心库：按numpy→pandas→matplotlib→scipy→statsmodels顺序装
- Jupyter Lab：装好插件，记牢快捷键，效率翻倍
好了，环境搭好，下一章我们就可以开始真正写策略了。记住，好的开始是成功的一半，环境搭好了，后面就顺了。
公众号:蓝海资料掘金营，微信deep3321