分类：量化与数据

行情数据有一种别的数据没有的「方向感」：它沿着时间一去不回头。你问「这只股票最近 20 天平均多少钱」，其实是在时间轴上开一扇 20 天宽的窗；你问「从 4 月到 6 月涨了多少」，是在轴上切一段。上一篇我们用 DataFrame 装下了 OHLCV，但当时的日期还只是一列普通标签，没发挥出时间的威力。pandas 真正的看家本领恰恰在时间序列上：把日期变成真正的「时间索引」之后，按周按月聚合、滚动窗口计算、拿昨天比今天，全都变成一行代码。

你多半用过 Excel：数据一行行排、字段一列列摆，想看某天的收盘价就顺着列名找，想算一列的平均就框住那一列拉个函数。这套「行 + 列名」的组织方式之所以流行，是因为它和人类整理信息的直觉天然合拍。量化里的数据——每天的开盘价、最高价、最低价、收盘价、成交量——恰恰就是一张典型的表格。上一篇我们认识了 NumPy 的 ndarray 和「向量化」思维：一整列数字同时开方、同时求和，一行代码搞定。但 ndarray 有个不方便的地方：它只认位置、不认名字。第 0 列是什么字段？第 100 行是哪一天？全得靠你自己记在心里。真实行情是「带名字」的：这一列叫收盘价、那一行是 2024 年 6 …

能用 np.array、np.zeros、np.arange、np.linspace、np.full 五种方式创建 ndarray，并说出彼此的适用场合；能读写 ndarray 的 dtype（元素类型）与 shape（形状），并解释「二维数组 = 行是股票、列是交易日」的约定

能用 list、dict、tuple、set 分别保存行情数据，并说清四者各自适合什么场合；能用切片取出「前 N 只」「每隔一只」「倒序」等子序列，并解释「切片是视图」的含义

能用自己的话说清量化交易和手工交易的差别，以及它适合解决什么问题；能独立安装 uv，并用它为本合集创建一个独立的虚拟环境

quantstats 一键 tear sheet 与全市场批量回测。5 日动量跑遍 5258 份本地 A 股日线（每只最近 131 个交易日、滞后执行、无成本）的分布：对数收益均值 +0.057、中位数 +0.055、为正比例 57.7%、夏普均值 0.25——第 04 篇单票 +228% 的最优窗口放到全市场立刻现出原形。附批量任务的列名标准化、异常跳过、幸存者偏差与结果落盘要点。

事件驱动回测：现金与持股两个状态变量逐日循环，含 0.1% 单边成本、零股不买、每日盯市。用 Wilder 平滑的 RSI(6) 超卖买入、回归中性清仓，跑中兴通讯 2020-01 至 2025-07：32 笔交易、胜率 71.9%、总收益 +52.1%、最大回撤 -20.1%、夏普 0.53。高胜率低盈亏比、样本只有 32 笔，这两个折扣都得算进去。

时间序列动量 sign(rolling_mean(returns, N)) 在 A 股日线单票上的窗口扫描：1、3、5、9 天全亏，7 天却有 +228.2%、夏普 0.54。峰是尖的，相邻参数天差地别，说明这个最优窗口主要是噪声。原笔记本在 NVDA 上为正、换成阴跌的中兴通讯就翻车，动量的有效性以趋势行情为前提，不是普适规律。

布林通道式均值回归：SMA±1σ 构成上下轨，超涨开空、超跌开多、偏离度变号就平仓离场，np.where 链加 ffill 是向量化状态机的标准写法。中兴通讯日线 2020 年起，三态持仓占比 41.1% / 33.5% / 25.3%，策略 +8.6% 对买入持有 -3.5%，夏普只有 0.04；A 股融券券源有限，做空那一半实盘拿不到。

双均线的向量化实现：rolling 算均线、np.where 出信号、position.shift(1) 乘收益做时间对齐，10.5 万根 BTC 15 分钟 K 线十行代码跑完。short=96 / long=672 在这段区间只有 +21.9%、夏普 0.13、最大回撤 -52.5%，大幅跑输买入持有；同一套代码网格扫到 short=192 / long=336 却是 +293%、夏普 0.91——参数落差本身就是过拟合警告。

用 akshare 把全市场 A 股日线拉成 5000+ 份本地 CSV（2000-01 至 2025-07）：sleep(2) 限速、断点续跑、异常跳过，ST 股票名称自带星号会让 Windows 落盘报 [Errno 22]，文件名统一改成 代码_名称.csv。拿到数据先查时间范围、索引是否单调、涨跌幅有没有异常值，并注意 stock_zh_a_hist 默认返回不复权价格，长期回测要用 adjust='qfq'，否则每个除权日都是一根假暴跌。