分类：量化与数据

能说清回测的四个步骤，并指出回测能证明什么、不能证明什么；能识别未来函数（Look-ahead Bias），用 shift(1) 修正「当天信号当天交易」的错误写法

能说出 TA-Lib 与 pandas-ta 的定位差异，并根据自己的系统选对安装方案（含 Windows 装不上时的三条退路）；能用指标库一次性算出 SMA、EMA、MACD、RSI、ATR 五个常用指标

能分别说出成交量与换手率各自回答的是什么问题，以及为什么跨公司比较必须用换手率；能用「成交量 ÷ 流通股本」计算换手率，并用「成交额 ÷ 流通市值」做等价校验，说出这个教学近似的两处简化

能写出真实波幅 TR 的三种情形定义，并用 Pandas 向量化计算 ATR；能手写 KDJ：RSV 的计算、K 与 D 的递推、J 的放大作用，并画出三线

能用 Pandas 一步算出布林带的中轨、上轨、下轨，并解释滚动标准差在其中的作用；能计算带宽（Bandwidth）与 %b（Percent B）两个衍生指标，并说清它们分别回答什么问题

能说清 RSI 的计算原理：平均涨幅、平均跌幅与相对强度 RS 的关系；能用 Python 手写 Wilder 平滑版 RSI，并知道它为什么和看盘软件数值一致

打开任何一个行情软件，切到日 K，副图里那个「两根线 + 一排红绿柱」的指标，十有八九就是 MACD。它被很多老股民叫作「指标之王」：不吹不黑，它未必最准，但一定最常见——你迟早会在新闻、研报和股评里遇到「MACD 金叉」「顶背离」这些词，与其到时一头雾水，不如今天就把它的底细看穿。

上一篇我们学会了收益率和波动率，把「每天涨跌」抽象成了可比的数字。但你很快会发现一个问题：收益率是一天一变的「毛刺信号」，天天都在上蹿下跳，盯着它做判断，人会被晃晕。实战里我们需要一种能滤掉日内噪声、看清方向的东西——这就是**均线**。打开任何一个行情软件，叠加的第一条指标几乎都是它，堪称量化世界的「第一条指标」。

上一篇我们把数据洗干净，分别存进了 CSV、SQLite 和 Parquet。但存起来只是「备战」，数据本身不会告诉你任何结论——「平安银行五年从 16 块涨到 17 块」这句话信息量几乎为零。量化研究真正的基本语言是两个词：**收益率**和**波动率**。收益率回答「赚了多少」，波动率回答「路上颠不颠」。这俩概念是后面所有策略、回测、风控的地基，所以本篇值得你学得慢一点。

上一篇我们用 akshare 拉到了行情数据，但你有没有想过一个问题：每次跑代码都重新去网上拉一遍，又慢又不稳，万一哪天接口抽风，你的策略研究就全停摆了。成熟的做法是：**数据拉一次，洗干净，存到本地，以后随取随用**。这一步听起来不像「量化」那么酷，却是所有靠谱量化工作的地基——数据错一步，后面全错。

上一篇画 K 线图时，我们代码里「偷偷」用过一次 akshare：拉了平安银行的日线数据。当时为了不喧宾夺主，只说了一句「失败就用本地模拟数据」。数据是量化的原料——没有数据，后面所有的指标计算、策略回测都是空中楼阁。所以本篇专门把 akshare 讲透：它是什么、怎么装、怎么拉数据、拉下来的字段都是什么意思，以及最重要的——怎么写才能让代码在接口变动或断网时也不至于直接崩溃。

前五篇我们一直在跟数字打交道：NumPy 算数组，Pandas 读表格。你可能已经发现了，`df.head()` 打出来一大屏数字，看半天也看不出这支股票到底是在涨还是在跌。人眼对数字不敏感，但对图形极其敏感——一条曲线往上翘还是往下弯，一眼就看出来了。这就是为什么所有量化平台的第一屏都是图，而不是表格。