第一章：Python量化环境搭建
做量化投资，第一件事不是写策略，而是搭环境。
我见过太多人，策略逻辑想得天花乱坠，结果一跑代码就报错——库没装、版本冲突、路径不对。说白了，环境没搭好，后面全是坑。
这一章，我就带你一步步把量化环境搭起来。干净、稳定、可复现。
1.1 为什么选Anaconda？
Python的包管理，说白了就是一场噩梦。你装一个库，它依赖另一个库，另一个库又依赖特定版本...搞不好就把系统Python搞崩了。
Anaconda就是来解决这个问题的。它自带Python、包管理器conda、还有150+常用数据科学库。你想想看，一次安装，省去多少折腾。
我个人习惯用Miniconda——Anaconda的轻量版。只装核心工具，需要什么库再自己加。干净利落。
- 环境隔离：每个项目独立Python环境，互不干扰
- 包管理：conda自动处理依赖冲突
- 跨平台：Windows/Mac/Linux统一体验
1.2 Anaconda安装实战
安装过程其实很简单，但有几个细节要注意。
Windows用户
- 去官网下载Anaconda或Miniconda安装包
- 安装时，务必勾选「Add Anaconda to my PATH environment variable」
- 安装路径不要有中文和空格
Mac/Linux用户
终端里一行命令搞定：
# 下载安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 运行安装
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示操作，最后选择yes初始化conda安装完，重启终端，输入 conda --version，看到版本号就说明成了。
1.3 Jupyter Notebook配置
Jupyter Notebook是我做量化研究的主力工具。为什么？因为它支持交互式编程——写一段代码，立刻看到结果，还能加图表和文字说明。
你想想看，回测一个策略，边调参数边看曲线变化，多直观。
安装与启动
# 安装
conda install jupyter notebook
# 启动
jupyter notebook启动后，浏览器会自动打开一个页面。默认端口是8888。
常用快捷键
| 快捷键 | 功能 |
|---|---|
| Shift + Enter | 运行当前单元格并跳到下一个 |
| Ctrl + Enter | 运行当前单元格 |
| A | 在上方插入新单元格 |
| B | 在下方插入新单元格 |
| DD | 删除当前单元格 |
| M | 切换为Markdown模式 |
| Y | 切换为代码模式 |
1.4 常用量化库安装与验证
量化投资离不开几个核心库。我按重要性排个序：
1. pandas — 数据处理核心
做量化的，90%的时间都在跟数据打交道。pandas就是处理表格数据的瑞士军刀。
# 安装
conda install pandas
# 验证
import pandas as pd
print(pd.__version__)
# 快速测试
data = pd.DataFrame({'日期': ['2024-01-01', '2024-01-02'],
'收盘价': [100.5, 101.2]})
print(data)2. numpy — 数值计算基础
pandas底层就是numpy。矩阵运算、数学函数，全靠它。
conda install numpy
# 验证
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr.mean()) # 输出3.03. matplotlib — 可视化利器
没有图表，你根本看不出数据规律。matplotlib是Python可视化的老祖宗。
conda install matplotlib
# 验证
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [4, 5, 6])
plt.title('测试图表')
plt.show()4. scikit-learn — 机器学习建模
因子挖掘、选股模型、风险预测...都离不开它。
conda install scikit-learn
# 验证
from sklearn.linear_model import LinearRegression
model = LinearRegression()
print('scikit-learn 安装成功')5. statsmodels — 统计建模专用
做因子分析、时间序列建模，statsmodels比scikit-learn更专业。
conda install statsmodels
# 验证
import statsmodels.api as sm
print('statsmodels 安装成功')conda install pandas numpy matplotlib scikit-learn statsmodels jupyter一行命令，全部搞定。
1.5 环境验证与常见问题
装完库，一定要做一次完整验证。我习惯写一个验证脚本：
# 环境验证脚本
import sys
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import sklearn
import statsmodels
print(f"Python版本: {sys.version}")
print(f"pandas版本: {pd.__version__}")
print(f"numpy版本: {np.__version__}")
print(f"matplotlib版本: {plt.matplotlib.__version__}")
print(f"scikit-learn版本: {sklearn.__version__}")
print(f"statsmodels版本: {statsmodels.__version__}")
print("\n✅ 所有库安装成功！")- ImportError: No module named xxx — 库没装，或者装错了环境。检查当前激活的conda环境。
- 版本冲突 — 用conda安装，它会自动处理依赖。别用pip乱装。
- Jupyter内核找不到库 — 在jupyter里运行
!conda list查看当前内核的包列表。
1.6 本章知识体系
下面这张图，概括了本章的核心内容：
1.7 避坑指南
- 每个量化项目建一个独立conda环境：
conda create -n quant_env python=3.9 - 别用系统自带的Python做量化开发，版本管理太乱
- Jupyter里如果报内核错误，重启内核往往能解决80%的问题
- 安装库时，优先用conda，conda没有再用pip
环境搭好了，后面的事情就顺了。记住一句话：工欲善其事，必先利其器。量化投资这条路，环境就是你的第一把刀。
公众号:蓝海数据掘金营，微信deep3321