环境搭建

为什么选 Python 做量化

如果你刚接触量化交易，可能会问：为什么大家都用 Python？

简单几个理由：

• 生态丰富：从数据获取（akshare、tushare）到回测（backtrader、vectorbt）再到机器学习（scikit-learn、PyTorch），Python 都有现成的轮子，几乎不需要自己造
• 学习成本低：语法接近自然语言，金融从业者也能快速上手
• 数据处理强：pandas + numpy 处理时间序列数据比 Excel 强百倍
• 社区活跃：遇到问题搜一下基本都有答案

C++ 更快但门槛高，R 偏统计但工程能力弱，Python 是个均衡的选择。

安装 Python

推荐使用 uv 来管理 Python 环境，比传统的 conda/pip 快很多，也更现代。

macOS / Linux

bash复制
curl -LsSf https://astral.sh/uv/install.sh | sh

Windows

powershell复制
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

安装完后验证一下：

bash复制
uv --version

如果你不想折腾，也可以直接从 python.org 下载安装包，选 Python 3.11 或 3.12 即可。

创建你的第一个量化项目

bash复制
# 创建项目目录
mkdir my-quant && cd my-quant

# 初始化 Python 项目
uv init

# 创建虚拟环境
uv venv

# 激活环境（macOS/Linux）
source .venv/bin/activate

# 激活环境（Windows）
.venv\Scripts\activate

激活后，命令行前面会出现 (my-quant) 之类的标识，说明你已经在虚拟环境里了。

💡 为什么需要虚拟环境？ 不同项目可能依赖不同版本的库，虚拟环境可以避免互相干扰。每个量化项目都建议用独立的环境。

安装核心库

bash复制
uv pip install jupyter pandas numpy matplotlib akshare

这五个库是量化入门的最小集合：

库	用途
jupyter	交互式编程环境，量化研究的标配
pandas	数据处理，DataFrame 是你以后最常打交道的对象
numpy	数值计算，pandas 的底层依赖
matplotlib	画图，可视化收益曲线、K 线
akshare	免费的金融数据源，覆盖 A 股、港股、美股、期货等

Jupyter Notebook 入门

启动 Jupyter：

bash复制
jupyter notebook

浏览器会自动打开 http://localhost:8888。点击右上角 New → Python 3，新建一个 notebook。

Jupyter 的核心概念是单元格（cell）：

• 写一段代码 → 按 Shift + Enter → 立刻看到结果
• 不需要每次都从头跑整个文件，特别适合数据分析这种需要反复试错的场景

第一个量化程序：获取一只股票的数据

在 Jupyter 中新建一个单元格，复制下面的代码：

python复制
import akshare as ak
import matplotlib.pyplot as plt

# 获取贵州茅台（600519）最近的日 K 线
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20240101",
    end_date="20241231",
    adjust="qfq"  # 前复权
)

print(df.head())

按 Shift + Enter 运行，你应该能看到类似这样的输出：

        日期    开盘    收盘    最高    最低     成交量  ...
0  2024-01-02  1715.99  1685.00  1716.00  1681.99  31544  ...
1  2024-01-03  1685.00  1694.61  1701.99  1681.30  20543  ...
...

恭喜！你已经成功获取到真实的股票数据了。

再加一个单元格画个图试试：

python复制
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)

plt.figure(figsize=(12, 5))
plt.plot(df['收盘'], label='收盘价')
plt.title('贵州茅台 2024 年走势')
plt.xlabel('日期')
plt.ylabel('价格')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

⚠️ matplotlib 中文乱码？ 如果图里中文显示成方块，加上这两行：

python复制
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS
# plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
plt.rcParams['axes.unicode_minus'] = False

推荐的项目结构

随着学习深入，你的项目会越来越复杂。建议从一开始就用清晰的目录结构：

my-quant/
├── .venv/              # 虚拟环境（不上传 git）
├── data/               # 本地缓存的数据
├── notebooks/          # Jupyter 探索性分析
│   ├── 01-explore.ipynb
│   └── 02-strategy.ipynb
├── strategies/         # 策略代码
├── utils/              # 工具函数
├── pyproject.toml      # 项目配置
└── README.md

不需要一开始就建得很复杂，等你有第一个能跑的策略时再来组织也不迟。

小结

到这里，你已经：

• ✅ 安装好了 Python 和虚拟环境
• ✅ 会用 Jupyter 写代码
• ✅ 跑通了第一个获取股票数据的程序

下一篇我们详细介绍 行情数据获取，对比几个主流数据源，搞清楚什么场景用什么。

📌 小白提醒 如果以上有任何一步报错，不要慌。报错信息复制到 ChatGPT/Claude 里，让它帮你解释。学量化的第一课就是学会调试。