第二章：开发环境搭建
做量化交易，说白了就是跟数据打交道。而Python，就是咱们手里最顺手的工具。这一章，我带你把整个开发环境搭起来。别小看这一步，环境配好了，后面写策略才能行云流水。
本章核心目标：从零搭建一套完整的量化策略开发环境，包括Python解释器、包管理工具、交互式编程环境以及必备的量化库。
2.1 Python环境安装
Python版本怎么选？我个人习惯用Python 3.8或3.9。为什么？因为很多量化库对最新版Python的支持会慢半拍。我曾经在Python 3.11上装ta-lib，折腾了一下午没搞定，换成3.9就一路绿灯。
去官网下载安装包时，记得勾选「Add Python to PATH」。这个选项不勾，后面你在命令行敲python会提示找不到命令。嗯，这里要注意，安装路径最好别带中文和空格。
小技巧：安装完成后，打开命令行输入 python --version，如果显示版本号，说明安装成功。再输入 pip --version 检查包管理工具。
2.2 Anaconda配置
Anaconda是什么？说白了就是一个Python的「全家桶」。它帮你把Python、常用库、包管理器都打包好了。我个人强烈推荐用Anaconda，尤其是刚入门的朋友。
安装Anaconda后，你会多出一个叫Anaconda Prompt的东西。用它来管理环境，比直接用cmd要稳得多。我建议你为每个项目创建独立的环境：
# 创建一个名为 quant_env 的环境，指定Python版本
conda create -n quant_env python=3.9
# 激活环境
conda activate quant_env
# 退出环境
conda deactivate避坑指南：我曾经在同一个环境里装了不同版本的pandas，结果策略回测结果对不上，排查了两天。后来养成习惯，每个项目一个独立环境，再没出过这种问题。
2.3 Jupyter Notebook使用
Jupyter Notebook是量化研究的利器。你想想看，写一段代码，立刻看到结果，还能加文字说明、画图表，简直是为策略开发量身定做。
启动方式很简单：
# 在激活的环境中安装
conda install jupyter
# 启动
jupyter notebook浏览器会自动打开一个页面。点击右上角的「New」→「Python 3」，就能新建一个笔记本。快捷键记几个常用的：
Shift + Enter：运行当前单元格并跳到下一个Ctrl + Enter：运行当前单元格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
个人经验：我习惯把策略思路先写在Markdown单元格里，再逐步用代码实现。这样回头复盘时，能清楚看到当时的思考过程。
2.4 常用量化库安装
量化交易离不开几个核心库。咱们一个一个来装：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| pandas | 数据处理，核心中的核心 | conda install pandas |
| numpy | 数值计算，pandas的底层依赖 | conda install numpy |
| matplotlib | 数据可视化，画K线图必备 | conda install matplotlib |
| ta-lib | 技术指标计算，最常用的量化库 | pip install TA-Lib |
| backtrader | 策略回测框架 | pip install backtrader |
这里要特别说一下ta-lib。这个库在Windows上直接用pip装可能会报错。我遇到过好几次，后来发现去 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的whl文件，再用pip安装就稳了。
# 下载 TA_Lib‑0.4.28‑cp39‑cp39‑win_amd64.whl
# 然后在文件所在目录执行
pip install TA_Lib‑0.4.28‑cp39‑cp39‑win_amd64.whl注意：whl文件名中的cp39表示Python 3.9版本，win_amd64表示64位Windows。一定要下载跟你环境匹配的版本。
2.5 验证安装
装完之后，咱们写个小脚本验证一下：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import talib
import backtrader as bt
print("所有库导入成功！")
# 生成测试数据
data = pd.DataFrame({
'close': np.random.randn(100).cumsum() + 100
})
# 计算简单移动平均线
data['sma'] = talib.SMA(data['close'], timeperiod=5)
# 画图
plt.figure(figsize=(10, 6))
plt.plot(data['close'], label='收盘价')
plt.plot(data['sma'], label='5日均线')
plt.legend()
plt.title('验证环境搭建')
plt.show()如果能看到一条漂亮的曲线图，恭喜你，环境搭建成功了！
核心要点回顾：
- 用Anaconda管理Python环境，每个项目独立
- Jupyter Notebook是策略研究的首选工具
- ta-lib安装容易踩坑，建议下载whl文件
- 装完一定要验证，别等到写策略才发现库没装好
这张图把整个环境架构理清楚了。从下往上，一层层搭建。基础层是Python和Anaconda，工具层是Jupyter Notebook，核心库层处理数据和画图，最上层才是量化专用的技术指标和回测框架。
我刚开始做量化时，就是按这个顺序一步步搭的。每一步都验证通过再往下走，这样出了问题能快速定位。你想想看，如果一口气装完所有东西，报错了都不知道是哪个环节的问题。