全部文章

第 18 篇里，我们用 Pandas 手写了一个向量化回测；第 20 篇更是亲手搭了一个最小的事件驱动框架，一根 K 线一根 K 线地喂给策略。自己造轮子能帮你真正理解回测的运转原理，但你也一定发现了：撮合怎么写、手续费怎么扣、订单没成交怎么办……这些工程细节又琐碎又容易出错，每写一个新策略都要重新操心一遍。

能说出向量化回测的三个局限，以及什么样的策略需求必须换事件驱动；能说出事件驱动引擎的四个核心状态：逐 bar 推进、订单、持仓、现金，并在代码里指出它们各自的载体

能用 (1 + 总收益)^(252/n) − 1 把任意区间的总收益折算成年化收益，并说出 252 与 n 各是什么；能用「日收益标准差 × √252」计算年化波动率，并按系列统一的年化 2% 无风险利率计算夏普比率

能用 rolling 与比较运算写出 MA5/MA20 金叉死叉信号，并说出两个信号的准确含义；能按「信号 shift(1) 变持仓」的纪律，写出不含未来函数的策略日收益公式

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」。