一、开篇

文科生学习量化投资，确实存在诸多门槛。在前文提及的数理、代码、金融、交易这四个维度里，我觉得数理当属最为关键且难度最高的部分。毕竟里面有线性代数、统计、概率论、计量经济这些硬核内容，咱可以先Pass这部分。先把代码关攻克了，后面学数理的时候会轻松点。代码就像量化的“地基”，先把Python拿下，能更快从理论过渡到实操。因此，《文科生の量化闯关记》的第二关是代码关。

代码不是门槛，而是量化投资的‘翻译器’—— 把金融逻辑翻译成计算机能执行的指令。

对文科生来说，Python 的用处不只是它本身的技术，更在于它能很快打破 “搞量化就得懂特别高深的数学” 这种想法。先把代码工具学会，文科生在实际操作里就能慢慢熟悉量化相关的概念（像 “最大回撤” 这些词意思），给之后学那些数理知识打个实践基础 —— 毕竟，能写出算 “夏普比率” 的代码，可比死记硬背公式，更容易明白它在金融里什么意思 。

接下来我将按以下顺序展开详细解析：

1. 选择Python的原因
2. 环境规划思路
3. 基础环境安装实操：从0到1的分步指南
4. GPU配置要点
   
   

二、Python 开发体系搭建（分步骤实操）

（一）为什么选择python ?

咱外行人学编程，首选肯定是Python，这没啥好说的。你看TIOBE排行榜上，Python到现在还是第一。

为什么选择Python？首先在于它的简洁性，语法接近自然语言，即使是英语基础有限的人也能快速上手。其次是它强大的生态系统，不仅自带丰富的标准库，还有大量第三方库可供调用。众多开发者开源的各类功能函数覆盖了多个行业场景，使用者无需重复开发，直接调用即可。

作为应用广泛的高级编程语言，Python在各类编程场景中都不可或缺。其语法设计注重可读性，代码清晰易读，这也是它成为Web开发、游戏脚本、计算机视觉、物联网管理及机器人开发等领域主流语言的重要原因。随着物联网技术的发展和智能家电的普及，Python的应用前景将更加广阔。

以深度学习为例，谷歌开发的TensorFlow和Facebook的PyTorch等主流框架，都可通过Python便捷调用，大幅降低开发门槛。

（二） 环境规划

在安装Python开发环境时，需优先完成操作系统与版本的规划。

操作系统选择建议

• Windows系统：推荐入门者作为首选，其图形化操作界面友好，安装流程直观，对编程新手更易上手；
• Linux系统：适用于后期进阶场景，多为量化服务器的主流选择，但操作门槛较高，建议具备一定基础后尝试；
• Mac系统避坑提示：使用Homebrew包管理工具时，需注意权限配置问题，避免因权限不足导致安装流程受阻。

Python版本与安装方案决策

• 版本选择：建议选用3.8-3.10版本，规避TA-Lib等量化核心库与最新版本的兼容性问题；
• 安装方案对比：
  • Anaconda：更推荐的方案，自带conda包管理工具，可一键完成numpy、pandas等科学计算库的安装，大幅提升环境搭建效率；
  • 原生Python：个人习惯使用原生版本亦无不可，可根据偏好选择。

两种安装方式的官方下载链接均可在官网获取，安装流程与常规软件类似，参考公开教程即可完成部署。下面以 Anaconda 为例，为初学者详细说明。
两种方式区别请参考下面链接：
https://zhuanlan.zhihu.com/p/1885636216730395625

（三）基础环境安装 ：从 0 到 1 的实操步骤

关于 Python 的安装与环境管理，网上已有大量教程（B 站、抖音及技术文章中均有详细指南）。这里专为入门小白梳理核心要点，帮助快速掌握环境搭建逻辑，避免踩坑。

下面我将演示安装顺序：

• 安装 Miniconda
• 创建 Python 3.10 环境（激活环境）
• 安装 PyCharm
• 创建项目（选择已有 Python 3.10 环境）
• 安装相关第三方库

1、安装 Miniconda（Anaconda）

Anaconda下载链接
https://www.anaconda.com/download/success

页面里“Distribution Installers”（Anaconda 安装包）和“Miniconda Installers”（Miniconda 安装包）是 Anaconda 生态里两种不同的 Python 环境管理工具，核心区别体现在 功能、体积、适用场景 。

• Distribution Installers（Anaconda）：下载的是「完整生态包」，装完直接能用大量科学计算库，适合新手快速启动数据分析、AI 实验。
• Miniconda Installers（Miniconda）：下载的是「极简基础包」，装完只有 Python 和 Conda ，需要自己用 conda install 装库（比如 conda install numpy ），适合想“轻量开局”或对环境有精细需求的人。

我们选择下载Miniconda，个人单独用电脑时，选 “Just Me” 足够，然后将安装路径选择为 D 盘的 D:\miniconda3。

√ Create shortcuts (supported packages only)  —— 必选，生成开始菜单和桌面快捷方式，方便快速启动终端（如Anaconda Prompt）。  
□ Add Miniconda3 to my PATH environment variable  —— 新手不建议勾选，避免与系统Python冲突，直接使用Anaconda Prompt更稳妥。  
□ Register Miniconda3 as my default Python 3.13  —— 仅当完全使用Miniconda开发时勾选，否则建议手动在IDE（如PyCharm）中配置解释器，避免影响系统默认Python。  
√ Clear the package cache upon completion  —— 必选，安装后自动清理缓存包，节省磁盘空间（通常可释放数百MB）。  

安装minicoda时，上述勾选方案通过 “必选 + 慎选” 的分层设计，既能满足新手对便捷性的需求（快捷方式、清理缓存），又能规避环境变量冲突风险。其中 “不勾选 PATH 和默认 Python” 的核心逻辑是：Miniconda 的虚拟环境机制已能实现多版本 Python 隔离（如通过conda create创建 Python 3.10 环境），无需通过系统变量全局配置，直接用 Anaconda Prompt 或 IDE 内配置更安全可控。

2、创建 Python 3.10 环境（激活环境）

由于 Miniconda 的基础环境 Python 版本为 3.13，而量化开发通常选用 3.8-3.10 版本，因此需要配置 Python 3.10 环境。通过虚拟环境可实现多版本 Python 隔离，确保后续项目依赖仅作用于当前环境，不污染系统 Python。具体操作如下：

打开 Anaconda Prompt（或系统终端），输入以下命令：

conda create -n py310_env python=3.10  # 创建环境
conda activate py310_env  # 激活环境（Windows）

1. 首先通过 conda --version 命令确认 Miniconda 是否安装成功，若安装成功会显示版本号。
2. 接着激活虚拟环境，再执行 python --version 命令，查看是否已搭建 Python 3.10 环境。
3. 若配置成功，命令行将显示 Python 3.10.x 版本信息。

3、安装 PyCharm

我们推荐使用 PyCharm 和 Visual Studio Code（VS Code）这两款专业级 Python 集成开发环境（IDE）。二者均可在官网下载，且均提供 Professional（专业版）和 Community（社区版）两种版本。对于新手而言，免费的社区版（Community）功能已足够使用。以 PyCharm 为例，下载社区版后，可按常规软件安装流程将其安装在 D 盘（如D:\JetBrains\PyCharm Community Edition 2025.1.2）。

Pycharm下载地址：
https://www.jetbrains.com/zh-cn/pycharm/download/?section=windows#

4、创建项目（选择已有 Python 3.10 环境）

安装PyCharm后即可创建Python项目，具体操作如下：

1. 打开PyCharm，点击顶部菜单「文件」→「新建项目」；
2. 在「解析器类型」选择界面，指定为自定义虚拟环境中的Python 3.10（即此前激活的环境）；
3. 该虚拟环境的Python 3.10默认路径为：
   • Windows：Miniconda安装目录\envs\py310_env\python.exe
   • Mac/Linux：~/miniconda3/envs/py310_env/bin/python

5、安装量化相关第三方库

在 Python 环境中安装第三方库时，可通过 Conda 或 Pip 命令实现，但二者存在本质区别：

• Conda：Anaconda/Miniconda 自带的包管理器，支持跨语言依赖（如 R 包、C++ 库），优先安装预编译二进制文件，适合数据科学场景。
• Pip：Python 官方包管理器，仅管理 Python 包，依赖源码编译（部分库需本地编译器支持）。

推荐策略：

1. 优先使用 Conda 安装科学计算库（如 numpy、pandas），避免编译报错；
2. 仅 Conda 源中没有的包（如某些小众工具），再用 Pip 补充安装。

（1）注意点：添加环境变量（推荐方式）

为了日后在CMD中直接使用pip命令安装Python库更方便，可按以下步骤设置：

1. 右键点击“此电脑” → 选择“属性” → 进入“高级系统设置” → 点击“环境变量”。
2. 在 “系统变量” 区域找到 Path 变量，点击“编辑”。
3. 新建两条路径（按顺序添加以确保优先级）：

   D:\miniconda3\envs\py310_env\Scripts
   D:\miniconda3\envs\py310_env
   

4. 调整路径顺序：将上述路径移至 Path列表顶部，确保系统优先调用。
5. 点击“确定”保存所有更改。

验证是否生效：
在CMD中输入以下命令检查pip所属环境：

where pip

预期输出：D:\miniconda3\envs\py310_env\Scripts\pip.exe，确认pip来自Python 3.10环境。

（2）镜像源加速配置（小白必看）

国内直接从默认源（https://pypi.org/simple）下载可能很慢，需配置国内镜像源。以 清华镜像 为例：

方法 1：临时使用（单次加速）

pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple

方法 2：永久配置（推荐）

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

验证配置是否生效：

pip config list  # 应显示 index-url = https://pypi.tuna.tsinghua.edu.cn/simple

其他可用镜像源：

• 阿里云：https://mirrors.aliyun.com/pypi/simple/
• 腾讯云：https://mirrors.cloud.tencent.com/pypi/simple
• 华为云：https://mirrors.huaweicloud.com/repository/pypi/simple

避坑指南

1. 混合使用 Conda 与 Pip：

   • 避免在同一环境中频繁混用二者，可能导致依赖冲突；
   • 若必须混用，先 Conda 后 Pip（Conda 更擅长处理底层依赖）。

2. 镜像源失效处理：

   • 若安装报错（如“404 Not Found”），可能是镜像同步延迟，临时切回官方源：

     pip install 包名 --index-url https://pypi.org/simple
     

3. 验证包安装路径：

   pip show 包名  # 查看包的安装位置，确认是否在当前虚拟环境中
   

（3）量化投资分析常用Python库如下：

一、数据处理与分析（基础必备）

pip install pandas numpy scipy

• 核心作用：
  • pandas：表格数据处理（清洗、转换、聚合），量化分析的“瑞士军刀”；
  • numpy：高性能数值计算（矩阵运算、向量操作），底层数据结构支撑；
  • scipy：科学计算库（优化算法、积分、信号处理）。

二、数据可视化（结果呈现）

pip install matplotlib seaborn plotly

• 场景差异：
  • matplotlib：基础绘图（折线图、散点图），自定义程度高；
  • seaborn：基于matplotlib的统计可视化（热力图、分面图），风格更美观；
  • plotly：交互式图表（3D图、动态趋势），支持Web端嵌入。

三、金融数据接口（国内市场）

pip install akshare tushare

• 使用提示：
  • akshare：免费开源，覆盖A股、基金、期货等数据（如ak.stock_zh_a_hist获取日线）；
  • tushare：需申请token（新手可领免费积分），接口更规范，示例：

    import tushare as ts
    ts.set_token('你的token')
    pro = ts.pro_api()
    df = pro.daily(ts_code='000001.SZ', start_date='20230101')
    

四、多因子与回测分析

# 统计与机器学习基础  
pip install statsmodels scikit-learn
# 多因子专用工具  
pip install alphalens empyrical

• 工具解析：
  • alphalens：因子有效性分析（IC值计算、分层回测），量化多因子模型核心；
  • empyrical：绩效评估（夏普比率、最大回撤、卡玛比率），一键生成专业指标。

五、回测框架（按需选择）

pip install backtrader  # 经典轻量级框架，适合个人开发  
# 或  
pip install qlib       # 腾讯开源框架，支持多因子与分布式回测

• 框架对比：
  • backtrader：纯Python实现，文档完善，适合快速验证策略（如简单均线策略）；
  • qlib：依赖C++组件，需先安装libstdc++6等系统库，适合机构级多因子研究。

六、数据存储（非结构化数据）

pip install pymongo

• 适用场景：
  • 存储高频交易数据、非结构化研报文本；
  • 配合MongoDB数据库，实现数据的快速查询与更新（如db.stocks.insert_one({"code": "000001", "date": "2023-01-01"})）。

后续需要其他库时，用pip或conda安装即可。建议优先手动安装——既能精准控制安装内容、节省磁盘空间，又能避免自动安装的冗余依赖，更符合“按需取用”的高效原则。

三、进阶环节：GPU 配置手册

装完Python和各种库，接下来就该配置GPU了。

（一）、GPU 为何重要？

在 AI 学习与量化场景里，GPU 应用广泛：高频交易策略计算、借 LSTM 做股价预测的机器学习任务、深度学习、借强化学习挖掘 Alpha gen 因子，以及加速期权定价的蒙特卡洛模拟 。

简单类比：CPU 像单人流水线，一次处理少量任务；GPU 像千人同时干活，处理大规模数据时，速度能比 CPU 快 10 - 100 倍 。因此，配置 GPU 需安装 CUDA（GPU 计算基础工具）和 PyTorch（AI 开发框架） 。

（二）、CUDA 简介与安装简化指南

CUDA（Compute Unified Device Architecture）是英伟达开发的并行计算架构，能让显卡高效处理复杂计算任务，广泛用于科学计算、AI和游戏开发。

安装前准备：硬件检查

显卡要求：通常时英伟达部分型号（如GeForce、Quadro系列）支持CUDA，AMD显卡无法安装。注意别随便下载安装包，要根据电脑显卡驱动的版本选择匹配的CUDA版本安装，否则容易出现不兼容问题。

步骤1：查驱动版本

先查看电脑的显卡型号是否支持CUDA的安装
https://developer.nvidia.com/zh-cn/cuda-gpus

1、打开英伟达官网的CUDA GPU支持页面（链接如上），向下滚动至下方“CUDA支持的GPU产品”区域，点击进入；
2、若显卡较旧，页面也提供了旧版CUDA GPU的支持列表供确认；
3、确认显卡型号支持CUDA（GeForce RTX 5090）后，下一步需查看当前电脑的显卡驱动版本。

右键桌面→打开Nvidia控制面板→点击左下角“系统信息”，即可看到当前显卡驱动版本（如573.24）。

步骤2：选CUDA版本

根据驱动版本（如573.24），到Nvidia官网查询支持的CUDA最高版本（如对应12.8）。
查看可以安装的CUDA版本：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#general-cuda

步骤3：下载安装

到Nvidia官网下载对应CUDA版本（如12.8），安装时取消勾选冗余选项（如GeForce Experience），一路“下一步”完成安装。

CUDA安装地址:
https://developer.nvidia.com/cuda-toolkit-archive

步骤4：验证安装

打开命令行（CMD），输入nvcc --version，显示版本号即安装成功。

小贴士：量化入门优先选NVIDIA（CUDA生态更成熟，量化库支持更友好）。

对刚上手的新手来说，不一定非要GPU——CPU版本的PyTorch也能跑起来，完全能满足基础学习需求。

（三）、安装PyTorch

1、为什么选择PyTorch?

在深度学习框架领域，最流行的有谷歌的 TensorFlow、Meta（原 Facebook）的 PyTorch，以及国内百度的飞桨（PaddlePaddle ）等。它们凭借高度的可定制性与可扩展性，成为当前备受欢迎的框架。曾经最热门的框架要数 TensorFlow，不过近几 年 PyTorch 实现了全方位逆袭。在自然语言处理领域最火的开源库 Hugging Face 上，85% 的模型仅能在 PyTorch 环境中使用 。

下面通过 8 个顶级期刊论文在过去数年里对框架的采用情况数据，能清晰看到 PyTorch 的采用率增长迅猛，短短几年间就从原本的 7% 攀升至近 80% 。此外，在学术顶会上 PyTorch 也一骑绝尘，像 EMNLP、ACL、ICLR 这 3 大 AI 顶会，PyTorch 的占比已超 80% 。

基于这些情况，选择 PyTorch 框架，能无障碍上手绝大多数开源项目，所以我就不考虑其他框架啦 ^^

2、安装PyTorch

安装地址:
https://pytorch.org/get-started/locally/

PyTorch本质是个计算工具，能帮计算机高效完成复杂运算。其中“Py”是Python的缩写，“Torch”（火炬）寓意其强大的计算能力，核心是支持GPU加速的矩阵运算，速度比普通CPU快很多。

安装时需注意版本匹配：先根据显卡驱动版本下载对应的CUDA工具包（支持GPU加速），再根据CUDA版本选择兼容的PyTorch版本。如果电脑没有NVIDIA独立显卡，也可以安装CPU版本——学习阶段用CPU跑小实验完全没问题，但实际项目中训练模型还是得用GPU。选好选项后，页面会生成安装命令，复制“Run this Command”部分后在Anaconda Prompt中进入对应环境，粘贴命令回车即可，剩下的就是等待安装完成。

等PyTorch安装完成后，接下来检查GPU是否能正常使用：在代码中输入torch.cuda.is_available()并运行。

如果返回True，说明GPU可用；如果安装的是GPU版本但返回False，建议按前面讲解的顺序排查PyTorch、CUDA、NVIDIA驱动问题，一定能找到原因。

四、总结

量化学习的门槛，从来不是 “高不可攀”，而是 “万事开头难” 。从选对 Python 作为 “地基”，到装好 Anaconda、配齐科学计算库，再到搞定 GPU 加速 —— 每一步看似繁琐的操作，都是在为后续的策略开发筑牢根基。

记住：环境搭建没有 “标准答案”，但有 “最优路径”—— 新手优先用 Miniconda 轻量起步，GPU 并非必需但建议尽早配置（CPU 也能跑小型实验 ）；遇到版本冲突别慌，可按 “PyTorch→CUDA→驱动” 的顺序排查 。实在搞不定，直接找 GPT 或 DeepSeek 帮忙解决就好！

下一篇预告：深入浅出分享Python代码部分。