为什么是Anaconda

痛点1：非Python依赖 → Conda跨语言支持

量化交易是对数据进行分析。在数据分析的过程中，我们需要用到各种科学计算库，而这些库不一定全是Python书写，如TA-Lib是基于C库编译。

在和各交易所对接时，对方提供的库也可能是基于C++等书写。即程序存在非Python依赖，这就需要包管理器支持安装跨语言的包。

解决方案

Anaconda基于conda扩展，而conda支持跨语言依赖包安装，完美解决了非Python依赖的问题。

痛点2：版本冲突 → Conda精确版本锁定

量化交易涉及的依赖比较多，即使在开发时使用最新版本的依赖，在别的同学接手开发或实盘部署时重新安装依赖，都可能出现版本不一致的情况，新版本的依赖可能会出现不向下兼容的情况，从而导致系统出错。

如：NumPy>=1.20时，对数据类型检查更严格 ，旧版本策略中隐式类型 转换可能在新版报错。datetime的处理，可能报：

ValueError: Timezone-aware datetime cannot be converted to datetime64...

解决方案

anaconda里的每个依赖包都是锁定版本的，任意时间安装都是使用相同的版本。版本的升级由Anaconda统一管理，一升级就全部升级。

痛点3：环境一致性 → 环境导出/导入

量化交易的研究环境和实盘环境需要保持一致，这不仅需要保证运行环境一致，还需要依赖及版本的一致性。

假如开发时有ta-lib库，而服务器没有，则系统就会崩溃。环境不一致是造成策略失效甚至资金损失的常见根源。

解决方案

Anaconda 支持环境配置的导入和导出，通过配置文件保证环境的一致性。

Anaconda的安装

下载安装

去官网下载 https://www.anaconda.com/download#Downloads

支持Windows、Mac及Linux。安装过程与普通的软件安装差不多。如果需要修改默认路径，选择你要安装的路径即可。

安装后会有个快捷图标，则表示安装成功。

环境变量设置

windows下，默认没有配置conda的环境变量，所以在命令行中，直接输入conda命令会报错。解决方式有两种：

通过环境打开命令行

在相应的环境中打开命令行。

打开后会有有相应的环境名称标记：

配置Path变量

win+i打开设置->系统->关于->高级系统–>环境变量–>系统变量–>打开path

添加以下四个路径：

C:ProgramDatanaconda3C:ProgramDatanaconda3ScriptsC:ProgramDatanaconda3LibraryinC:ProgramDatanaconda3Librarymingw-w64in（可选）

在命令行中验证配置，执行：

conda --version

如果出现相应的版本信息，则表示配置成功

镜像加速

可以修改到清华大学的镜像源，加快依赖包的安装速度

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/condaconfig --set channel_priority strict

其中channel_priority是用来设置优化级

可以使用conda info查看相应的信息：

Anaconda的使用

环境管理器

界面化环境管理

Create按钮：创建新的环境

Clone按钮：复制当前环境来创建新的环境

Import按钮：导入环境配置来创建新环境

Backup按钮：导出当前环境的配置文件，可以在Import时使用。

Remmove按钮：删除当前环境

命令行环境管理

创建环境

conda create -n py27 python=2.7.18 Numpy

-n 参数： 环境名称

其他参数：相应的python版本及依赖包

创建后，会在anacondas安装目录下的envs文件夹下创建相应的环境文件夹

查看当前环境信息

conda info -e

列出所有的环境及当前所用的环境：

作用同 conda env list

切换环境

conda activate py313

退出当前环境，并回到上一个环境

conda deactivate py313

删除环境

conda remove --name testenv --all

--name: 要删除的环境名称

导出环境配置

conda env export > enviroment.yml

导入环境配置创建：

conda env create -f enviroment.yml

包管理器

基于conda管理包，包括安装、卸载和更新。

在操作前，需要先确定环境是否为目标环境。

安装依赖：

conda install xx

安装指定版本的依赖：

conda install numpy=1.24

更新conda本身：

conda update conda

更新anaconda应用

conda update anaconda

更新python

conda update python

列出当前环境的所有包

conda list

删除当前环境的指定包：

conda remove 包名

删除指定环境中的包

conda remove --name 环境名 包名

强制删除（避免依赖检查）

conda remove 包名 --force

批量删除多个包

conda remove 包1 包2 包3

清理无用缓存（删除包后，可清理残留文件，释放空间）

conda clean --all

PyCharm关联Anaconda环境

创建Anaconda环境

一般我们使用Anaconda自带的base环境即可。如果需要，可以克隆或根据项目配置新建。

创建Python项目并配置解释器

打开PyCharm，创建新的项目或打开已有的项目，并配置项目的解释器：

选择相应的环境即可。

外部库依赖查看

配置成功后，可以在外部库中找到看到对应环境的依赖库配置：

依赖库使用

可以在项目文件中，直接使用环境里的库，如创建run.py，并使用numpy库

import numpy as np

array = np.random.rand(10)mean = np.mean(array)

print(mean)

python文件运行

在命令行里，执行:

python run.py

或者直接点击右上角的绿色三角按钮即可正常运行，在下面可以看到运行后的输出

其他

conda与pip的区别

pip是官方认证的安装包，只有安装纯python的依赖，它的源来自于：PyPI（Python Package Index）

而conda是

由 Anaconda 公司开发，是一个跨语言的包和环境管理器。

不仅管理 Python 包，还能处理非 Python 的依赖（如 C/C++ 库、R 包等）。

更擅长解决科学计算领域的复杂依赖问题（如 numpy 与 CUDA 的兼容性）

从 Anaconda 仓库 或第三方渠道（如 conda-forge）安装包。

pip本身不直接管理环境，需依赖 venv 或 virtualenv 创建隔离环境。

python -m venv myenv  # 创建虚拟环境source myenv/bin/activate  # 激活环境pip install package  # 在环境中安装包

conda内置环境管理功能，可创建隔离环境并管理不同版本的 Python 和包。

conda create -n myenv python=3.9  # 创建环境conda activate myenv  # 激活环境conda install numpy  # 安装包.

Anaconda是量化开发的基础设施，它很好地解决了量化交易开发中的基础依赖、版本冲突及开发环境等问题，使我们可以更专注在策略的研究和开发上，极大地节省时间，提高开发效率.