第 2 课：实战热身——拉数据画图
上一课程回顾（含自测参考答案）
课程 1 的四个自测题，参考答案如下：
1. 一句话说清"量化投资"和"凭感觉炒股"的区别
量化投资 = 用可写下来的规则 + 历史数据 + 程序化执行代替"凭感觉、听传闻"做决策；凭感觉炒股靠临场判断，量化靠事先定好的规则并严格执行。
2. 举一个身边"半量化"的投资做法，并说明用到三要素中的哪几样
示例一：定投——"每月 15 日买 1000 元"是模型（规则），净值是数据，自动扣款是纪律，三样全占。
示例二：支付宝的"目标投"——涨到目标收益率就自动止盈，规则 + 纪律，数据较弱。
示例三：看估值百分位买指数基金——"百分位低于 30% 才买入"是模型，历史估值是数据，是否严格执行看纪律。
只要规则明确、依据可查、执行不靠心情，都算"半量化"。
3. 基金涨 25%、指数涨 23%，2% 差距是 beta 还是 alpha？
更接近 alpha。beta 是"随市场赚到的部分"（≈23%），基金比指数多出来的 2% 是市场之外的部分，来自基金经理的选股/择时（或运气、费用差异），所以按定义算 alpha 部分。注意这只是"账面上的 alpha"，是否真本事要看能否长期稳定（课程 8 会讲如何识别）。
4. 可选加餐：环境准备
完成了最好——本课就要用 Python 拉数据；没完成也没关系，本课会带你从"向 AI 提需求"开始，跑不通的地方可以随时问 AI 排查。
学习目标
- 能把"拉数据、画图"的完整需求用一句话描述给 AI，并让它跑出结果
- 看懂价格曲线图：横轴/纵轴是什么、K 线之外的"收盘价线"代表什么
- 会对照行情 App 验证 AI 的结果是否可信（并知道为什么可能有细微差异）
- 写下自己的第一份观察笔记：一句话直觉印象 + 一个疑问
前置要求
- 已掌握：课程 1 的核心概念（量化 = 数据 + 模型 + 纪律；alpha/beta）
- 本课是实战课：不需要自己写代码，代码由 AI 代写，你负责提需求 + 看懂输出
正文
2.1 项目目标：一句话需求
本课只有一个任务：让 AI 帮你拉沪深300 近 5 年的历史价格，画一张价格曲线图，然后你对照行情 App 验证并写下观察笔记。
这是整个学习计划里最小的完整闭环：需求 → 数据 → 图表 → 你的判断。以后每一课（算收益、做回测）都是在这个闭环上叠加。
你可以把下面这句话直接发给 AI（或任何能写代码的助手）：
"用 Python（yfinance）拉取沪深300 ETF（510300.SS）近 5 年的日线数据，画收盘价曲线图，标注标题和坐标轴。"
如果 AI 跑完只给你代码让你自己跑，而你不想装环境，可以追加一句：
"请直接帮我运行，把画出的图贴给我，并解释图上每个部分是什么意思。"
💡 提需求的要点：说清 ① 用什么工具（yfinance）② 哪只标的（510300.SS）③ 多长历史（近 5 年）④ 要什么图（收盘价曲线）。这四个要素就是"数据需求四要素"，以后让 AI 拉任何数据都用这个句式。
2.2 看懂输出：一张图上的四个要素
AI 跑完后你大概率会看到类似这样的图（以及它背后的代码）。先别管代码，只看图：
价格（元）↑
4.5 ┤ ╭─╮
4.0 ┤ ╭──╯ ╰─╮
3.5 ┤╭──╯ ╰──╮
3.0 ┤╯ ╰──╮
└─────────────────────→ 日期（2021 → 2026）
一张完整的价格曲线图有四个要素，逐个确认你看懂了：
| 要素 | 是什么 | 怎么看 |
|---|---|---|
| 横轴（日期） | 时间从早到晚 | 注意起止年份是否真的是"近 5 年" |
| 纵轴（价格） | ETF 每份的价格（元） | 图中 3.0~4.5 元是 510300 的真实价位区间 |
| 收盘价线 | 每天收盘价的连线，忽略盘中波动 | 最常用的价格；比 K 线"干净"，适合看趋势 |
| 标题/图例 | 告诉你看的是什么 | 确认标题写的是"沪深300 ETF"而不是别的标的 |
常见困惑："为什么图上是一条线而不是红红绿绿的 K 线？"——因为 K 线展示每天的开高低收四个价，信息多但杂；收盘价线只保留每天的"结局"，趋势更清楚。第 2.4 节观察走势用收盘价线足够，想看 K 线可以再让 AI 画（需求里加一句"用 K 线图"即可）。
2.3 对照验证：与行情 App 比对
现在打开你的行情 App（东财/同花顺/雪球任一即可），找到沪深300 ETF（510300）：
- 看数字：把 App 上最新的收盘价和图上最后一天的价格对比，应该基本一致（差一两分钱以内都正常，是盘中更新的时间差）。
- 看形状：把 App 切到"月线"或"周线"看 5 年走势，和代码画的曲线对比——大的涨跌节奏应该一致：比如 2021 年高点、2022~2023 年回落、2024 年见底回升（具体以你看到的真实走势为准）。
- 看差异（重点）：如果曲线形状和 App 略有不同（比如 App 显示 2021 年高点更高），先别慌，大概率是"复权"设置不同：
- 不复权：按真实成交价画，ETF 分红除息时价格会"跳空下跌"，长期看曲线会被分红拉低。
- 前复权：把历史价格统一调整成"现在的价格口径"，分红不再造成跳空，是 App 默认显示。
- 你让 AI 用 yfinance 拉的默认是不复权价格（真实成交价），所以和 App 默认的前复权图会有细微差别——这本身就是本课最重要的发现之一：同一只标的，数据口径不同，图就不一样。看懂这个，你就知道"数据是怎么被加工过的"，这正是量化的起点：先搞清楚数据口径，再谈分析。
2.4 观察笔记：写下你的第一句"投资判断"
盯着图看 1 分钟，然后写下三句话（这就是你的第一份观察笔记，也是后续所有课程反复用的"直觉锚点"）：
- 一句话直觉：这 5 年沪深300 整体是涨是跌？中间最让你意外的一段走势是什么？
- 一个数字：图上最低点和最高点大概在什么价位、什么年份？
- 一个疑问：随便什么都行——"为什么 2022 年跌那么多？""现在这个位置算高还是低？"
这三句话没有标准答案。它们的作用是让你带着具体问题进入第 3 课（算年化收益、波动率、夏普比率）——到时候你会回来验证：你的直觉和数字算出来的结论一致吗？
💡 把笔记存到备忘录或本课教案下方，第 3 课开头的"上节课回顾"会请你对照。
2.5 常见问题排查（跑不动时用）
如果你或 AI 在跑数据时遇到问题，按下面顺序排查（也可以直接把这些报错发给 AI 让它解决）：
| 现象 | 原因 | 处理 |
|---|---|---|
No module named 'yfinance' |
Python 库没装 | 终端跑 pip3 install yfinance pandas matplotlib |
拉出来是空表/报 no data found |
网络问题或代码写错 | 换代码 510300.SS → 510300.SS 检查拼写；或用 period="5y" 参数；多试一次 |
| 数据到"昨天"就断了 | 美股/港股接口对 A 股有时差 | 正常，最新一天收盘价还没更新 |
| 图是中文乱码 | matplotlib 默认字体不含中文 | 让 AI 加 plt.rcParams["font.sans-serif"] = ["Arial Unicode MS"]（Mac）或 ["SimHei"]（Windows） |
上面任何一条解决不了，把报错原文复制给 AI，它能 90% 概率直接修好——这本身就是本课训练的技能：描述问题，而不是自己瞎折腾。
自测练习
- 把 2.1 节的需求模板发给 AI，让它跑出沪深300 ETF 近 5 年收盘价曲线图。完成后：说出图上横轴、纵轴分别是什么，收盘价线代表什么。
- 对照行情 App：App 上的最新收盘价和代码结果差多少？两者 5 年走势的"大形状"是否一致？
- 观察笔记：写下 2.4 节的三句话（直觉 + 数字 + 疑问）。
- 加餐（可选）：让 AI 把同一只 ETF 画成"前复权"曲线，和你看到的"不复权"曲线对比，说说差异出现在哪里、为什么。
答案不需要现在核对；第 3 课开头会回顾，随时也可以答疑问我。
学习要点小结
- 数据需求四要素：工具（yfinance）+ 标的（510300.SS）+ 时长（5年）+ 图表类型（收盘价线）——这是向 AI 提需求的万能句式。
- 一张价格图的四要素：横轴日期、纵轴价格、收盘价线、标题图例；先确认"画的是不是我想要的东西"。
- 数据有口径：不复权 vs 前复权，同一标的会画出不同形状的图——分析前先问数据口径。
- 对照验证是量化的起点：代码结果要和 App 等独立来源互相印证，不轻信任何单一来源。
- 观察笔记 = 直觉 + 数字 + 疑问，带着问题进入下一课。
答疑记录
暂无答疑记录