创建python开发环境
python 安装包
建议直接从官网下载对应的版本（目前咱们使用的版本是python3.11）： 下面是windows的下载地址，至少需要win7以上操作系统（应该大部分同学都是）
https://www.python.org/downloads/windows/
安装过程就不细表了。 值得一提的是，有些做过数据分析同学，可能会建议使用Anaconda。
Anaconda是一个流行的Python数据科学平台，它包括了Python解释器、一套科学计算、数据分析和机器学习库以及管理这些库的工具。Anaconda由Anaconda, Inc.（原Continuum Analytics）开发，旨在简化包管理和部署。
大家建议使用Anaconda的可能的理由是它内置了很多依赖包，并且解决了依赖关系，开箱即用。
我不推荐的Anaconda的几个理由：
1、python的开发规范里，向来建议使用虚拟环境venv来隔离不同的应用。 使用anaconda的内置包的原因，默认假设就是把这些包安装在本地环境里。带来的问题就是，你安装新包时，要解决的兼容问题，比使用venv要更多，更复杂。而如果你使用venv的话，那Anaconda最大的便利就没有了。
2、Anaconda安装包很大，动辄好几个G。
3、有些包的更新也是滞后的。
有了SDK之后，我们还需要一个开发环境。所有的语言都需要一个好的开发环境（IDE）。 如果你不知道怎么选，我强烈推荐pycharm，社区版本就够多了，免费的。
下载地址是：https://www.jetbrains.com.cn/pycharm/download/?section=windows
默认看到是专业版本，是需要收费的，往下拉有社区版本。
社区版本功能是完整且够用的。
有同学想使用vscode的python开发插件。
我的建议是，如果你会折腾能驾驭，你用什么都可以。如果你不了解，建议就是pycharm社区版，会省掉很多不必要的麻烦。
python依赖包安装
pip是python 内置的包安装和管理工具。
在python里使用时，建议在如下位置打开“终端”：
若你当前工程有虚拟环境，它会默认激活虚拟环境，这样你新安装的包都会在虚拟环境里：
解决pip安装速度慢的问题：
加上国内的pip源，可以在搜索引擎上找相应的源：
pip install 包名 -i 源。
下面是使用清华的pip源安装numpy最新版本的包的例子：
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
如果是使用requirements.txt也是类似：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
如果不想每次都如此麻烦，我们通常把这个源加到pip的全局配置里。
C:\Users\用户名\pip\pip.ini里输入（如果没有，自行创建一个文件）：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
配置完成之后，重新打开terminal，默认就是会配置的源中搜索相应的包，速度很快。
jupyter notebook
量化开发的另一个辅助的开发环境是notebook，有了pycharm，为何还需要notebook？
Notebook简介
Jupyter Notebook 是一个交互式的计算环境，它允许用户在网页浏览器中编写和运行代码，并将代码、计算结果、可视化和描述文本组合在一个文档中。以下是使用 Jupyter Notebook 的一些好处：
交互式编程：可以在编写代码的同时立即看到结果，这对于调试和探索数据非常有用。
文档和代码的整合：可以轻松地将文本、方程、图像和代码结合在一起，形成自包含的文档。
易于分享和协作：Jupyter Notebook 文件（.ipynb）可以很容易地在互联网上分享，使得协作和交流更加方便。
可重复性：Jupyter Notebook 允许用户记录和重现整个分析过程，这对于科学研究和数据分析非常重要。
教育和学习：它是一个强大的教育工具，可以用于教学和学习编程、数据分析和机器学习。
数据可视化：Jupyter Notebook 支持多种数据可视化库，如 Matplotlib、Seaborn 和 Plotly，使得数据探索变得直观。
实验和原型开发：它非常适合快速实验和原型开发，因为可以快速迭代和测试想法。
使用 Jupyter Notebook 可以极大地提高编程、数据分析和机器学习的效率，特别是对于那些喜欢交互式学习和工作方式的用户。
当然notebook也有一些缺点：
1、 代码提示功能偏弱。它的代码提示功能肯定与pycharm不可同日而与。
因此不适合在这里封装复杂的函数，而更适合的场景是函数已经封装好，我们尝试各种输入看结果，以及需要把这个结果分享给第三方的场合。
2、 不支持单步debug。它的每一个cell相当于就是单步，我们可以把中间变量打印出来也算是一种调试。因此同样不适合调试一个在开发中的逻辑复杂的函数。
notebook安装
使用pip在虚拟环境里直接安装即可：
pip install jupyter notebook
然后在终端直接运行jupyter notebook
点击链接打开浏览器：
点击任意一个.ipynb笔记本，可以直接看到我的实验过程和结果展示：
notebook直接保留了代码和运行的过程。
小结：
投资最令人着迷也令人“绝望 ”之处在于，它没有圣杯。
但我们还是大有可为。
无论是从战略资产配置，还是战术资产轮动，或者择时，总有人可以找到相应的Alpha。
量化是投资的工具，AI是量化的工具。
用前沿的机器学习来辅助提升交易的胜率和赚钱的概率。
工欲善其事，必先利其器。
我们推荐python开发语言，使用pycharm作为开发工具，同时使用jupyter notebook作为策略开发和展示的辅助工具。
有了这些认知和准备，下一节咱们就可以进入量化投资的世界了。