Python 量化第一步:装环境、拉第一段数据——用 Python 做量化 ①

别急着写策略，量化的第一步，是先把一段数据，真真切切地拿到你手里。

你大概见过这样的画面：有人聊量化，张口就是夏普比率、机器学习、因子挖掘，听着特别高级。

然后你打开电脑，想自己动手试试——

第一个问题就卡住了：数据，从哪来？怎么进到我的程序里？

不是不会写策略，是连「策略要处理的那张表」都还没在手上。

这一篇，我们就只解决这一件事。不灌鸡汤，不画大饼，就带你把环境装好，把第一段真实行情读进程序、打印出来看一眼。

这是第七季《用 Python 做量化》的第 ① 篇，先把整季的框架立起来。

回头看走过的路：

• • 第一季讲道——认知、风控、为什么人脑做不好交易；
• • 第二季讲术——我们用 MQL5 一行行写了个 EA，挂到 MT5 上跑；
• • 第四季讲验——回测会怎么骗你、前视偏差、过拟合、样本内外、walk-forward，一整套回测方法论。

这一季，是器：用工具把前面那些「想清楚的道理」和「验过的方法」，亲手落成代码。

说白了，第七季是第二季的姊妹篇。

那一季我们用 MQL5，这一季换成 Python——一个更通用、门槛更低的工具。

第四季告诉你「回测该怎么做才不骗自己」，这一季，我们就用 Python 把那套方法，一行行写出来。

为什么换 Python？下一节说。先记住这一季要走的那条线。

整个量化研究，其实是一个很朴素的闭环：

数据 → 指标 → 信号 → 回测 → 评估。

• • 数据：拿到原始行情，这是一切的起点；
• • 指标：在数据上算出均线、波动率这类东西；
• • 信号：把指标变成「该不该动手」的规则；
• • 回测：让规则在历史数据上跑一遍，看表现；
• • 评估：算清资金曲线、回撤、夏普，判断它到底行不行。

这一季 10 篇，正好把这个圈走完一整圈。

而今天这第 ① 篇，只解决最左边那个节点：数据。

数据都没进到程序里，后面四步都是空中楼阁。

这很「0.01手」——从最小处起步，先把一段数据跑通，别一上来就追求大而全。

🐍 为什么是 Python，它的边界又在哪

上一季我们用 MQL5，这一季为什么要换？

不是 MQL5 不好，而是两件事用的工具不一样。

先说 Python 顺手在哪：

• • 生态成熟：pandas 处理表格、numpy 做数值计算、matplotlib 画图——做数据分析和回测研究，这套组合几乎是行业标配；
• • 上手快：语法干净，几行代码就能读数据、算指标，不用陷在繁琐的类型声明和编译里；
• • 研究效率高：你想验证一个想法，在 Python 里改几行、跑一下、看结果，循环极快。

一句话：做研究、做回测、做分析，Python 比 MQL5 顺手得多。

但这里必须把话说死，免得你产生误会：

Python 顺手的是「研究」，不是「实盘挂单」。

真正要把策略挂上去、7×24 盯着行情自动下单，多数人最后还是会回到 MT5、回到券商接口。因为实盘要的是稳定、低延迟、和交易终端深度集成——这恰恰是 MQL5 那种「长在 MT5 里」的工具擅长的。

所以这一季的定位很清楚：

• • Python 负责：研究、回测、分析——在历史数据上把想法验明白；
• • MT5 / 交易接口负责：把验明白的策略，真正挂到市场上去跑。

两者是互补，不是替代。

「研究里用 Python、实盘怎么落地」这中间隔着什么——是个大话题，我们留到本季第 ⑨、⑩ 篇专门讲。

今天，先回到最具体的事：把环境装上。

🔧 动手：装环境，把第一段数据拉到手里

不啰嗦，跟着做。这一步做完，你手里会有一张真实的、可操作的行情数据表。

第一步，装 Python。

两条路，挑一条：

• • Anaconda（推荐新手）：一个安装包，把 Python 和 pandas、numpy 这些常用库一次装齐，省去到处装库的麻烦；
• • 官方 Python：从 python.org 装好后，再用一行命令补装库：

pip install pandas

这行命令的意思很直白：让 Python 把 pandas 这个处理表格的工具下载装好，之后才能用它。

第二步，把第一段数据读进来。

数据从哪来？最朴素的方式——一个 CSV 文件。

CSV 就是个纯文本的表格，逗号分隔，长得跟 Excel 导出来的没两样。很多平台、数据源都能导出日线或小时线行情成 CSV。你先随便拿一段到手，比如一只标的的日线历史。

然后，把它读进 Python，就这么三行：

import pandas as pddf = pd.read_csv("data.csv")print(df.head())

逐行用大白话讲它在干嘛：

• • 第一行 import pandas as pd——把 pandas 这个工具请进来，给它起个简称叫 pd，后面少打几个字；
• • 第二行 pd.read_csv(...)——让 pandas 去读那个 CSV 文件，把里面的表格装进一个叫 df 的变量里（df 是 DataFrame 的简称，你就理解成「程序里的那张表」）；
• • 第三行 print(df.head())——把这张表的前几行打印出来看看，head() 默认给你看头 5 行。

按下回车，屏幕上就会蹦出一张整整齐齐的表：

• • 每一行是一个时间点（比如某一天）；
• • 每一列是一个字段（开盘价、最高、最低、收盘、成交量……）。

那一刻，事情就变了。

刚才那段行情，还只是硬盘上一个看不懂的文件；现在，它是程序能处理的一张结构化数据表了。

你能 print 出这张表，就等于跨过了量化最实在的第一道门槛。

很多人卡在「量化是不是很难、要不要先学一年编程」——但你看，把数据弄进程序，本质就这三行。

剩下的，无非是在这张表上一点点做文章：算指标、出信号、跑回测。但底层逻辑，和这第一段数据，是一脉相承的。

这也正是「0.01手」的内核——别一上来就追求大而全，先用最少的代码、把最小的一段数据跑通，闭环跑通了，再慢慢加东西。

第一段数据能进到程序里，量化对你来说，就从「听别人说」变成了「自己动手」。

说明：本系列为纯编程与数据科普，文中代码仅作演示，非交易建议。任何涉及策略、信号的示例都仅为技术学习，请务必只在历史数据和模拟环境里练习。

📌 小结

• • 这一季是「器」：用 Python 把第四季「验」的回测方法论亲手落成代码，是第二季 MQL5 的姊妹篇——换更通用、门槛更低的工具。
• • 量化的最小闭环：数据 → 指标 → 信号 → 回测 → 评估，本季 10 篇走完一圈；第 ① 篇只解决「数据怎么进程序」。
• • 为什么 Python：生态成熟（pandas/numpy/matplotlib）、上手快、研究效率高；但边界要清楚——Python 适合研究回测，实盘挂单多数人仍回到 MT5/接口。
• • 今天动手的成果：装好 Python，用三行代码把一段 CSV 行情读进程序、print 出一张结构化数据表。
• • 真正的收获：不是这三行代码，而是你确认了——量化的起点，是先有数据；而把数据拿到手，没那么难。

下一篇预告 ②数据是拿到了，但它往往是「脏」的——时间没对齐、有缺口、列名乱、类型不对。下一篇我们用 pandas 把这段 K 线数据捋顺：设好时间索引、对齐、清掉缺失值，让它真正能用。一张干净的数据表，才是后面所有计算的地基。

如果这一篇让你觉得「原来我也能上手量化」，点个赞和在看，关注「0.01手」，跟着这一季一行一行把量化研究的闭环搭起来。

本文仅为个人学习记录与编程笔记，所涉代码与方法均为技术科普，非交易建议，不构成任何操作建议。市场有风险，据此操作风险自负。