3、Python量化环境搭建：Anaconda安装、Jupyter Notebook配置、常用量化库介绍

说实话，很多做量化交易的朋友，一开始就栽在环境搭建上。

我见过太多人，策略逻辑写得头头是道，结果装个库报错半天，最后心态崩了。其实没必要，环境搭好了，后面至少省一半的精力。今天我就带你把这套东西捋顺。

3.1 为什么选Anaconda？

你可能会问：直接用Python官方版本不行吗？

行，但没必要。Anaconda相当于一个「全家桶」，把Python解释器、常用科学计算库、包管理工具都打包好了。我个人的习惯是，每做一个新项目，就用conda创建一个独立环境。为什么？因为不同项目依赖的库版本可能冲突。比如你一个策略用pandas 1.0，另一个用2.0，混在一起迟早出事。

3.2 Anaconda安装步骤

下载地址我就不贴了，直接去官网选对应系统版本。安装时注意两点：

• 勾选「Add Anaconda to my PATH environment variable」 —— 这样你才能在命令行直接敲conda命令
• 安装路径不要有中文和空格 —— 这是老生常谈了，但总有人踩坑

装完后，打开终端（Windows用Anaconda Prompt），输入：

conda --version

能看到版本号，就说明装好了。

3.3 创建量化交易专用环境

我个人习惯给每个策略系列建一个环境。比如我们做商品CTA，可以这样：

conda create -n cta_trading python=3.9
conda activate cta_trading

这里python=3.9是我推荐的版本。太新的Python（比如3.12）有些量化库还没完全适配，太老的又缺特性。3.9是个稳妥的选择。

3.4 Jupyter Notebook配置

Jupyter Notebook是我们做量化研究的利器。它的好处是：写一段代码，立刻看到结果，还能加文字说明。非常适合策略探索阶段。

安装很简单：

conda install jupyter notebook

启动：

jupyter notebook

浏览器会自动打开一个页面。这里我建议你做两件事：

• 修改默认工作目录 —— 在配置文件里改，不然每次启动都要cd到你的策略文件夹
• 安装jupyter_contrib_nbextensions —— 这个插件包能加很多实用功能，比如代码折叠、目录生成

conda install -c conda-forge jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

嗯，装完之后，你会在Notebook里看到多了一个Nbextensions标签，勾上「Table of Contents」和「Collapsible Headings」，写策略文档会舒服很多。

3.5 常用量化库介绍

下面这几个库，是我们做商品CTA趋势跟踪的核心工具。我按使用频率排序讲。

3.5.1 pandas —— 数据处理的灵魂

说白了，pandas就是Python里的Excel，但比Excel强一百倍。它最核心的两个东西：

• DataFrame —— 表格数据，行是时间，列是品种、价格、成交量等
• Series —— 一列数据，比如收盘价序列

举个例子，读取CSV格式的期货日线数据：

import pandas as pd

df = pd.read_csv('rb888.csv', parse_dates=['date'], index_col='date')
print(df.head())

我在项目中遇到过最常用的pandas操作：

• df['close'].rolling(20).mean() —— 计算20日均线
• df['signal'] = df['close'] > df['ma20'] —— 生成交易信号
• df['returns'] = df['close'].pct_change() —— 计算收益率

3.5.2 numpy —— 数值计算的基础

numpy是pandas的底层引擎。它提供多维数组和大量数学函数。你写策略时可能不直接调用numpy，但pandas背后全靠它。

我个人觉得，numpy最实用的场景是：

• 数组运算 —— 比Python原生列表快几十倍
• 随机数生成 —— 做蒙特卡洛模拟时必备
• 线性代数 —— 计算协方差矩阵、特征值等

import numpy as np

# 生成1000个正态分布的随机收益率
np.random.seed(42)
returns = np.random.normal(0, 0.01, 1000)

# 计算累计收益
cum_returns = np.cumprod(1 + returns)
print(cum_returns[-1])

3.5.3 matplotlib —— 可视化利器

做量化交易，不看图怎么行？matplotlib是Python最经典的绘图库。

我习惯这样画K线和均线：

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.plot(df.index, df['close'], label='Close')
plt.plot(df.index, df['ma20'], label='MA20', linestyle='--')
plt.legend()
plt.title('螺纹钢主力合约日线')
plt.show()

这里有个小技巧：用plt.style.use('ggplot')可以让图表更好看。我刚开始做策略展示时，默认的matplotlib风格太丑，被领导吐槽过。后来换了ggplot风格，顺眼多了。

3.5.4 backtrader —— 回测框架

终于到重头戏了。backtrader是Python里最流行的量化回测框架之一。它把策略、数据、资金管理、业绩分析都封装好了。

一个最简单的双均线策略长这样：

import backtrader as bt

class SmaCross(bt.Strategy):
    params = (('pfast', 10), ('pslow', 30),)

    def __init__(self):
        sma_fast = bt.ind.SMA(period=self.params.pfast)
        sma_slow = bt.ind.SMA(period=self.params.pslow)
        self.crossover = bt.ind.CrossOver(sma_fast, sma_slow)

    def next(self):
        if not self.position:
            if self.crossover > 0:
                self.buy()
        elif self.crossover < 0:
            self.sell()

你想想看，如果没有backtrader，你要自己处理滑点、手续费、仓位管理，那得写多少代码？

3.6 知识体系总览

下面这张图，帮你理清今天讲的所有内容之间的关系：

3.7 环境验证

装完所有东西后，我建议你跑一个简单的验证脚本，确保一切正常：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import backtrader as bt

print(f"pandas版本: {pd.__version__}")
print(f"numpy版本: {np.__version__}")
print(f"backtrader版本: {bt.__version__}")

# 生成随机数据测试
data = np.random.randn(100)
df = pd.DataFrame(data, columns=['value'])
df['ma'] = df['value'].rolling(10).mean()
print(df.head(15))

如果没报错，恭喜你，环境搭好了。接下来就可以开始真正的策略开发了。

---

公众号:蓝海资料掘金营，微信deep3321