第二章：策略开发环境搭建

做量化交易，第一件事不是写策略，而是搭环境。

我见过太多人，策略逻辑想得挺漂亮，结果一跑代码就报错——库没装、版本冲突、Python路径不对。折腾半天，热情全没了。

所以这一章，咱们把环境彻底搞定。一次配置，后面省心。

2.1 Python版本选择：别踩坑

Python版本这事儿，我吃过亏。几年前我图新鲜装了Python 3.11，结果TensorFlow死活装不上，折腾了两天才发现是版本不兼容。

我的建议：用Python 3.8或3.9。

为什么？因为主流量化库对这两个版本支持最稳。TensorFlow、scikit-learn、TA-Lib，基本都能无缝安装。

2.2 Anaconda：量化交易者的瑞士军刀

Anaconda是什么？说白了就是一个Python发行版，帮你把常用的科学计算库打包好了。

我个人习惯用Anaconda管理环境。为什么？因为量化交易经常需要不同项目用不同版本的库。比如策略A用TensorFlow 2.4，策略B用2.10。用Anaconda的虚拟环境，互不干扰。

安装步骤

1. 去Anaconda官网下载对应系统的安装包
2. 安装时勾选「Add Anaconda to my PATH environment variable」
3. 打开终端，输入 conda --version 验证安装

2.3 Jupyter Notebook：边写边测的利器

Jupyter Notebook是我做策略原型时最常用的工具。你想想看，写一段代码，立刻能看到结果，还能画个图看看数据分布。这种即时反馈，对策略开发太重要了。

安装很简单：

conda install jupyter
jupyter notebook

启动后浏览器会自动打开。新建一个Notebook，就可以开始写代码了。

嗯，这里要注意：Jupyter的单元格执行顺序是手动的。我遇到过有人把单元格顺序搞乱，结果变量覆盖了，查了半天bug。建议养成习惯：从上到下依次执行。

2.4 常用量化库安装

接下来是重头戏。量化交易离不开这几个库，我一个个说。

2.4.1 pandas：数据处理的核心

pandas是量化交易的基础。数据清洗、时间序列处理、滚动计算，全靠它。

conda install pandas

安装后可以验证一下：

import pandas as pd
print(pd.__version__)

2.4.2 numpy：数值计算的基石

numpy提供高效的数组运算。量化策略里，计算收益率、波动率、协方差矩阵，底层都是numpy在干活。

conda install numpy

2.4.3 scikit-learn：机器学习策略的标配

想做因子挖掘、分类预测？scikit-learn是入门首选。它封装了常用的机器学习算法，接口统一，上手快。

conda install scikit-learn

2.4.4 TensorFlow：深度学习策略的引擎

如果你要做LSTM预测股价、用强化学习做交易决策，TensorFlow是绕不开的。

conda install tensorflow

注意：TensorFlow对GPU有要求。如果你没有NVIDIA显卡，会自动安装CPU版本，也能用，就是训练慢一些。

2.5 环境验证：跑一个完整的量化小例子

装完库，咱们跑个简单例子，验证环境是否正常。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 生成模拟数据
dates = pd.date_range('2024-01-01', periods=100)
data = pd.DataFrame({
    'date': dates,
    'price': np.cumsum(np.random.randn(100)) + 100
})

# 计算收益率
data['return'] = data['price'].pct_change()

# 用前一天的收益率预测今天的收益率
X = data['return'].shift(1).dropna().values.reshape(-1, 1)
y = data['return'].dropna().values

model = LinearRegression()
model.fit(X, y)

print(f'模型系数: {model.coef_[0]:.4f}')
print('环境配置成功！')

如果这段代码能跑通，说明你的Python环境、pandas、numpy、scikit-learn都装好了。

2.6 知识体系总览

下面这张图，帮你理清整个环境搭建的逻辑。

2.7 避坑总结

最后，我把这些年踩过的坑总结一下：

问题	原因	解决方案
TensorFlow安装失败	缺少Visual C++运行库	安装Visual C++ Redistributable
库版本冲突	全局安装导致依赖混乱	使用conda虚拟环境隔离
Jupyter内核崩溃	内存不足或库不兼容	重启内核，检查库版本
pandas读取数据慢	未指定数据类型	用dtype参数指定列类型

环境搭建这事儿，看起来琐碎，但真的一次搞定，后面能省下大把时间。我每次开始新项目，第一件事就是建一个新的conda环境，然后装这几个库。习惯了之后，十分钟就能搞定。

好了，环境搭好了，下一章咱们就开始写真正的量化策略了。

---