2. 开发环境搭建

说实话，做量化调优的第一步往往不是调参数，而是先把环境弄明白。我记得自己刚入行那会儿，为了省事直接在系统 Python 里装了一堆包，结果半年后项目换机器，依赖全崩了。嗯，从那以后我再也不敢跳过环境隔离这一步。这一节就把我这些年踩过的坑告诉你，照着来就行。

Python 版本怎么选？

我个人习惯用 Python 3.11 或更高版本。为什么？3.11 在性能和错误提示上改进很大，尤其是面向量化的场景下，循环和数学操作都快了不少。3.10 也能用，但 3.12 有些库暂时还没完全兼容，所以 3.11 是当前最稳的选择。

你可以在终端里跑一下：

python --version

如果版本低于 3.11，那就需要升级或重新安装。我建议直接用 miniconda，它能同时管理多个版本，特别适合我们这种需要反复切换环境的人。

虚拟环境——最容易被忽略的一步

很多人觉得“我项目不大，不用虚拟环境”。错。量化调优涉及的库版本敏感度极高。比如 pandas 2.0 改了接口，你全局装了个 2.0，项目里还在用 1.5 的语法，直接报错。我建议每个项目单独建一个虚拟环境。

用 conda 创建环境很简单：

conda create -n kquant python=3.11
conda activate kquant

如果你不想装 conda，用 venv 也行：

python -m venv kquant_env
source kquant_env/bin/activate  # Linux/Mac
kquant_env\Scripts\activate     # Windows

我个人更喜欢 conda，因为后面装 numpy 时会自动帮我把底层线性代数库一起搞定，省了我不少麻烦。

Jupyter Notebook——交互式调优的利器

K‑quant 调优过程中，我几乎全程在 Jupyter Notebook 里工作。原因很简单——每调一个参数立刻看到结果，画图也方便。安装命令：

pip install jupyter notebook

启动就用：

jupyter notebook

它会自动弹出浏览器。如果是在远程服务器上跑，你可以加上 --no-browser --port=8888，然后本地 SSH 隧道连接，具体操作我后面会讲。

核心库安装：pandas / numpy / matplotlib

这三个库是量化调优的基石。pandas 处理表格数据，numpy 做数值计算，matplotlib 画图。安装一句话：

pip install pandas numpy matplotlib

或者用 conda（推荐）：

conda install pandas numpy matplotlib

为什么推荐 conda？因为 numpy 底层依赖 BLAS/LAPACK，conda 会自动匹配高性能的 MKL 或 OpenBLAS，而 pip 有时装的是从源码编译的版本，慢一倍。我在一个项目里试过，同样的矩阵运算，conda 版的 numpy 比 pip 快了将近 40%。这种差距在 K‑quant 的大规模量化计算中会被放大。

版本对照表——别装错了

为了方便你对照，我整理了一张常用库与 Python 版本的兼容表：

你直接用 pip install 一般会自动拉取匹配版本。如果遇到依赖冲突，可以试试先升级 pip：pip install --upgrade pip，再逐个装。

验证环境——跑个 quick test

一切安装完成后，写个最简单的脚本验证一下：

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

print("numpy version:", np.__version__)
print("pandas version:", pd.__version__)
print("matplotlib version:", plt.matplotlib.__version__)

# 做个简单测试
data = np.random.randn(1000)
df = pd.DataFrame(data, columns=['value'])
df['value'].hist(bins=30)
plt.title("K‑quant 环境测试")
plt.show()

如果代码不报错，弹出一个直方图窗口，说明环境通通就绪。如果 matplotlib 没显示窗口，可能是后端问题，加一行 plt.switch_backend('TkAgg') 试试。

本章知识脉络

下面这张图总结了我们刚才搭建的整个开发环境栈，从底层到顶层清清楚楚：