第 1 篇：为什么学 Python 量化与环境搭建

你大概有过这样的经历：打开行情软件，盯着五只自选股，手动把价格抄进表格，再用计算器一个个算涨跌幅。一天下来眼睛发酸不说，还总在某个小数点上抄错行。而隔壁那位会用 Python 的朋友，早上九点半跑一个脚本，五只股票的价格、涨跌幅、均价全部自动生成，他只是端着咖啡扫了一眼输出。差别不在谁更聪明，而在于他把重复劳动交给了程序。

这门手艺有个名字：量化交易（Quantitative Trading），用数据和程序代替「感觉」来做交易决策。它不是神秘黑盒，拆开看就三件事——把想法写成明确的规则，用历史数据检验规则靠不靠谱，再让程序按规则自动执行。Python 能成为量化世界的主流语言，靠的是一套成熟到「要什么有什么」的生态：NumPy 管数值计算、Pandas 管表格数据、matplotlib 管画图、akshare 管拉取公开行情、Backtrader 管回测，而且全部开源免费。

先泼一盆冷水：量化不等于稳赚，程序只是把你的想法执行得更快、更守纪律，想法本身对不对，要靠数据检验。所以这套教程的前几篇不急着写策略，先把地基打牢。本篇就是第一块砖：讲清什么是量化交易、认识 Python 量化生态、把环境装好，最后写出你的第一个量化程序——打印各库版本号，再画一张折线图。跑通它的那一刻，你的量化工具链就算正式通电了。

本篇目标

• 能用自己的话说清量化交易和手工交易的差别，以及它适合解决什么问题。
• 能独立安装 uv，并用它为本合集创建一个独立的虚拟环境。
• 能说清 Jupyter Notebook 与 VS Code 各自适合什么场景，并完成基础配置。
• 能运行环境自检脚本，打印 Python、NumPy、Pandas、matplotlib 的版本号。
• 能用 matplotlib 画出一张带标题、坐标轴标签和图例的收盘价折线图，并保存成图片。

核心概念

什么是量化交易

给一个可以带走的定义：量化交易（Quantitative Trading）是把交易想法规则化、数据化、程序化的过程。它对应三个环节：

1. 规则化：把「跌多了会反弹」这类模糊感觉，改写成可执行的明确条件，例如「当 5 日均线上穿 20 日均线时买入，下穿时卖出」。
2. 历史检验：把规则放到历史行情上模拟执行，看看收益和回撤（Drawdown，从最高点回落的最大幅度）大概什么水平。这一步叫回测（Backtesting），是本合集第三阶段的主角。
3. 自动执行：规则验证可行后，让程序盯盘、下单，人只负责监督。这是第六阶段的内容。

和手工盯盘相比，程序有三个压倒性优势：不知疲倦，可以同时盯几千只股票；不带情绪，规则说买就买，不会手抖；可复制，这套规则换个时间段再跑一遍，就知道还行不行。但它也有边界：历史规律可能失效，数据可能有错，代码可能有 bug，所以量化不是印钞机，而是一套让你「犯更少的错、犯错了能发现」的纪律工具。

顺便统一系列口径：本合集所有涉及成本的示例，手续费一律按双边 0.1%（万 10）；无风险利率一律按年化 2%；回测区间示例统一用 2020-01-01 至 2024-12-31。先记个脸熟，后面每篇都沿用。

划重点：量化的第一步不是找一个「稳赚」的策略，而是把模糊的想法变成可检验的规则。想法可检验了，后面的一切才有意义。

Python 量化生态：你要的工具都有人开源好了

列几个本合集会用到的核心库，混个脸熟，后面各篇会逐一细讲：

• NumPy（Numerical Python）：数值计算的地基，提供高效的数组（ndarray）和数学运算，第 3 篇主角。
• Pandas（Panel Data）：表格数据处理神器，行情数据基本都以它的 DataFrame 形态存在，第 4、5 篇主角。
• matplotlib：绘图库，折线、K 线、收益曲线都靠它，第 6 篇主角。
• akshare：开源财经数据接口库，一行代码拉取 A 股公开行情，免费、无需注册，第 7 篇主角。
• Backtrader：开源回测框架，把下单、撮合、手续费都模拟好，第 21、22 篇主角。

Python 常被叫作「胶水语言」：重活有 C 语言写的 NumPy，画图有 C++ 底座的 matplotlib，Python 负责把这些高性能零件粘成你的策略。这正是它又好写又够快的秘诀。

uv：环境与包管理从哪开始

先说为什么需要环境管理。不同项目可能依赖同一个库的不同版本：项目 A 要新版 pandas，项目 B 的代码只兼容旧版，全装进一个 Python 里必然打架。解决方案是虚拟环境（Virtual Environment）：每个项目一个独立隔离的 Python 环境，互不干扰。

数据科学圈传统的选择是 Python 自带的 venv + pip，或科学计算圈的 conda；本合集选用更现代的 uv——Astral 公司用 Rust 编写的 Python 环境与包管理器，一条命令行工具管到底，四个特点对新手特别友好：

• 快：装包速度比传统 pip 快一个数量级，akshare 这类依赖多的库几秒装完。
• 全：装 Python（uv python install）、建虚拟环境（uv venv）、装包（uv pip install / uv add）、锁版本（自动生成 uv.lock），不用再拼装 venv + pip + pyenv 三件套。
• 兼容：uv pip install 与 pip install 用法几乎一致，网上老教程的命令前面加个 uv 就能用。
• 可复现：项目模式自动维护 pyproject.toml（依赖清单）与 uv.lock（精确版本锁），换台机器一条 uv sync 还原全部依赖——第 41、44 篇工程化时会靠它救急。

安装 uv（认准官方文档 https://docs.astral.sh/uv ；国内网络慢时的兑底方案是从 PyPI 装，可走清华镜像）：

# Windows PowerShell(官方脚本)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
# macOS / Linux(官方脚本)
curl -LsSf https://astral.sh/uv/install.sh | sh
# 兑底: 本机已有 Python 时, 直接从 PyPI 安装
pip install uv

装好后为本合集创建专用环境并装上基础三件套：

uv venv --python 3.11                   # 当前目录创建虚拟环境 .venv, 用 Python 3.11
.venv\Scripts\Activate.ps1              # Windows PowerShell 激活(每次开新终端都要先激活)
source .venv/bin/activate               # macOS / Linux 激活
uv pip install numpy pandas matplotlib  # 安装基础三件套

执行激活命令后，命令行提示符前面出现 (.venv) 字样，说明已经切进环境。uv venv 发现本机没有 Python 3.11 时会自动下载对应解释器，不用自己装 Python——这是它比传统方案省心的地方。第 7 篇会再装 akshare（uv pip install akshare），现在不急。

划重点：不要把所有包都装进系统全局 Python。「一个项目一个虚拟环境」的习惯，将来能救你一命。

Jupyter Notebook 与 VS Code：怎么选、怎么配

Jupyter Notebook / JupyterLab 是交互式笔记本（Notebook，把代码拆成一个个单元格、可以单独运行、随手看结果的工具），特别适合学习阶段：写两行、跑一下、画个图马上看。启动方式：

uv pip install jupyterlab    # 仅需安装一次(先激活 .venv)
jupyter lab                  # 启动后浏览器会自动打开

VS Code（Visual Studio Code，微软出品的免费编辑器）是另一条路：文件式代码管理、强力的断点调试，适合后期把策略写成正经工程。装上官方 Python 插件和 Jupyter 插件后，VS Code 里也能直接运行 Notebook，两边可以打通。

本合集的建议：前半程（打基础、探索数据）用 JupyterLab，后半程（写策略、做工程）用 VS Code。配置上唯一要先知道的小坑：matplotlib 默认字体不含中文，图里的中文会显示成方块「□」，解决办法是运行前设置字体，本篇完整代码里已经写好，直接抄即可。

完整代码

依赖安装：激活 .venv 环境后执行 uv pip install numpy pandas matplotlib。第一个程序是环境自检脚本，整份保存为 environment_check.py，然后在终端执行 python environment_check.py 运行：

# environment_check.py —— 量化环境自检脚本: 保存为文件后直接运行
import sys  # 查询 Python 自身版本
import io  # 在内存里模拟文件, 用于测试 pandas 读数据
import importlib  # 按名字动态导入库, 用来逐个检查

import numpy as np
import pandas as pd
import matplotlib
matplotlib.use("Agg")  # 无界面后端: 只存文件不弹窗, 任何机器都能跑
import matplotlib.pyplot as plt


def check_python() -> bool:
    """检查 1: Python 版本必须达到 3.10+。"""
    ok = sys.version_info >= (3, 10)  # 版本号逐段比较
    print(f"[1] Python 版本: {sys.version.split()[0]}(要求 3.10+)")
    return ok


def check_libs() -> bool:
    """检查 2: 核心库是否齐全, 并打印各自版本号。"""
    ok = True
    for name in ("numpy", "pandas", "matplotlib"):
        try:
            lib = importlib.import_module(name)  # 导入成功说明已安装
            print(f"[2] {name:<11}已安装, 版本: {lib.__version__}")
        except ImportError:  # 没装上也不崩, 给出明确补救命令
            print(f"[2] {name:<11}缺失! 请执行: uv pip install {name}")
            ok = False
    return ok


def check_pandas() -> bool:
    """检查 3: pandas 能否正确读入一小段行情数据。"""
    csv_text = "date,close\n2024-09-02,10.2\n2024-09-03,10.5\n"  # 内存中的迷你 CSV
    df = pd.read_csv(io.StringIO(csv_text))  # 当成文件来读
    print(f"[3] pandas 读入 {len(df)} 行, 收盘价: {df['close'].tolist()}")
    return len(df) == 2


def check_plot() -> bool:
    """检查 4: matplotlib 能否正常出图并存盘。"""
    fig, ax = plt.subplots()
    ax.plot([1, 2, 3], [2, 4, 3])  # 随手画一条线
    fig.savefig("selftest.png", dpi=100)
    plt.close(fig)  # 释放画布资源
    print("[4] matplotlib 出图正常, 已保存 selftest.png")
    return True


if __name__ == "__main__":
    results = [check_python(), check_libs(), check_pandas(), check_plot()]
    verdict = "环境自检通过, 可以开始学习!" if all(results) else "有检查项未通过, 请按提示补装。"
    print(verdict)

自检通过后，跑你的第一张量化折线图。保存为 first_chart.py 用 python first_chart.py 运行，或直接粘进 Jupyter 单元格：

# first_chart.py —— 第一个量化程序: 画一张收盘价折线图
import numpy as np  # 数值计算库
import pandas as pd  # 表格与时间序列工具
import matplotlib.pyplot as plt  # 绘图库

# 让图里的中文正常显示(Windows/macOS 常见字体挨个试)
plt.rcParams["font.sans-serif"] = ["SimHei", "PingFang SC", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False  # 让负号正常显示

# 1. 造 20 个交易日的模拟收盘价(教学示意数据, 第 7 篇会换成 akshare 真实行情)
rng = np.random.default_rng(seed=42)  # 固定随机种子, 保证结果可复现
daily_returns = rng.normal(loc=0.0005, scale=0.015, size=19)  # 19 个日收益率
close_prices = np.concatenate([[10.0], 10.0 * np.cumprod(1 + daily_returns)])  # 期初固定 10 元
dates = pd.date_range(start="2024-09-02", periods=20, freq="B")  # 20 个工作日

# 2. 画图
fig, ax = plt.subplots(figsize=(8, 4))  # 新建一张 8×4 英寸的画布
ax.plot(dates, close_prices, marker="o", linewidth=1.5, label="收盘价")
ax.set_title("某虚拟股票近 20 个交易日收盘价(模拟数据)")
ax.set_xlabel("日期")
ax.set_ylabel("价格(元)")
ax.grid(alpha=0.3)  # 半透明网格线
ax.legend()  # 显示图例

# 3. 打印关键数字并把图保存到本地
print(f"期初价格: {close_prices[0]:.2f} 元")
print(f"期末价格: {close_prices[-1]:.2f} 元, 区间涨跌幅: {(close_prices[-1] / close_prices[0] - 1) * 100:.2f}%")
print(f"区间最高: {close_prices.max():.2f} 元, 区间最低: {close_prices.min():.2f} 元")
fig.savefig("first_chart.png", dpi=150, bbox_inches="tight")  # 保存图片
plt.show()  # 脚本方式弹窗显示, Jupyter 方式内嵌显示

代码逐段解释

1. 导入与 matplotlib.use("Agg")：import 把库加载进内存。Agg 是「不出图窗、只写文件」的后端，让自检脚本在没有显示器的服务器上也能跑。注意：在 Jupyter 里运行画图代码时不要加这一行，否则图不会内嵌显示。
2. 三个检查函数：各自负责一件事，返回 True/False。check_libs 用 try/except ImportError 兜底——没装的库不让程序崩溃，而是打印补救命令，这才是自检脚本的正确姿势。
3. if __name__ == "__main__"：意思是「直接运行本文件时才执行下面的代码」，将来被别的文件导入时不会自动执行。现在照抄即可，第 41 篇工程化改造会展开讲。
4. 汇总判定：把四个检查的布尔结果放进列表，all(results) 全为真才宣布通过，任何一个失败都会给出明确提示。
5. 画图代码的模拟数据：np.random.default_rng(seed=42) 是新一代随机数生成器，固定种子保证每次运行结果一样；rng.normal(...) 生成 19 个日收益率；np.cumprod(1 + 收益率) 沿时间累乘还原价格曲线——这两行第 3 篇会细讲，先会用。np.concatenate([[10.0], ...]) 把期初价 10 元接在最前面，所以恰好 20 个价格、期初固定是 10.00。
6. 时间轴与画图：pd.date_range(..., freq="B") 生成 20 个工作日（Business day）作横轴；ax.plot 画线，set_title / set_xlabel / set_ylabel 加标题与轴标签，grid 加网格，legend 加图例；savefig 存图，plt.show 展示。开头那两行 rcParams 字体设置就是解决中文乱码的关键。

自检脚本的运行结果（示意输出，具体版本号以你的环境为准）：

[1] Python 版本: 3.11.9(要求 3.10+)
[2] numpy      已安装, 版本: 1.26.4
[2] pandas     已安装, 版本: 2.2.2
[2] matplotlib 已安装, 版本: 3.8.4
[3] pandas 读入 2 行, 收盘价: [10.2, 10.5]
[4] matplotlib 出图正常, 已保存 selftest.png
环境自检通过, 可以开始学习!

折线图脚本的运行结果（示意输出，随机数在固定种子下可复现，不同版本可能略有差异）：

期初价格: 10.00 元
期末价格: 10.31 元, 区间涨跌幅: 3.10%
区间最高: 10.47 元, 区间最低: 9.72 元

同时当前目录会多出 first_chart.png，打开就是一条从 10 元附近出发、小幅波动的价格折线。

常见坑与小练习

常见坑：

1. 系统里有多套 Python，包装错位置。现象：命令行里 python 的版本和装包的位置对不上，包装了却 import 不到。原因：多套解释器共存，环境变量指向混乱。避免：养成「先激活 .venv 再动手」的习惯；uv 装包永远只进当前激活的虚拟环境，天然隔离。
2. 包装进了全局 Python。现象：明明装了 pandas，Jupyter 里却报 ModuleNotFoundError。原因：装包前没激活 .venv，包落在了别的环境里。避免：每次开终端先激活环境，再启动 Jupyter 或执行 uv pip install。
3. 画图中文变方块。现象：标题和轴标签显示成「□□」。原因：matplotlib 默认字体不含中文。避免：运行前设置 font.sans-serif（本篇代码已包含），字体名按操作系统换。
4. Notebook 跑出「幽灵结果」。现象：改了代码重跑，输出却像新旧混合。原因：Jupyter 内核状态是累积的，旧变量还留在内存里。避免：改动大时用 Kernel → Restart & Run All，验证脚本从零可跑。

小练习：

1. 创建第二个虚拟环境（Python 3.10），只装旧版 pandas 1.5.3，分别在两个环境里打印 pandas 版本，亲眼看到环境隔离。

   思路提示：另建一个目录执行 uv venv --python 3.10，激活后 uv pip install pandas==1.5.3，再依次在两个环境里运行 python -c "import pandas; print(pandas.__version__)"。

2. 把自检脚本的库清单加上 akshare：先 uv pip install akshare，再修改脚本让它一并检查并打印版本号。

   思路提示：check_libs 循环里的元组加一项 "akshare" 即可，它的导入名就是 akshare。

3. 把折线图改成 60 个交易日、起点价 50 元，保存文件名改成 first_chart_60d.png，观察曲线形态变化。

   思路提示：改 size=59、np.concatenate 的起点值 50.0 和 periods=60，三处要一致。

本文内容仅用于教学，不构成投资建议，实盘前请充分测试。