第 1 课：pandas 入门 + 跑通回测框架 + 作业 1~4 · A股量化交易

学习用时参考：2~3 小时（含作业）代码文件：01_pandas入门.py、run_backtest.py 学完本课 → 打开 lessons/02_多标的回测.md 开新会话学第 2 课

0. 新会话背景速览（给"接手的 AI"看的 30 秒）

项目位置：D:/code/量化交易
项目是"A股量化交易入门"：目标跑通 数据 → 信号 → 回测 → 评估 闭环
学生水平：Python 初学者（基础 1/10），中文交流
运行方式：项目根目录下 python 文件名.py
关键文件：
config.py：所有可调参数（股票池、日期、成本、策略参数）
data/fetcher.py：取真实行情（腾讯/东财/akshare 依次尝试 + CSV 缓存）
data/demo.py：离线演示数据（教学用）
strategies/dual_ma.py、strategies/bollinger.py：策略（信号 1=持有 0=空仓）
strategies/rsi.py：学生自己写的 RSI 策略
backtest/engine.py：向量化回测引擎（核心是 signal.shift(1)）
backtest/metrics.py：绩效指标（夏普、回撤、胜率……）
run_backtest.py：主入口，5 只股票跑三种策略 + 买入持有基准
已内置 A股特性：不能做空（仓位 0~1）、T+1（shift(1) 隔日生效）、佣金万2.5双向、印花税万5卖出、滑点、前复权数据

1. 本课目标

学会 pandas 操作 K 线的最核心 4 个技能（本项目 90% 的代码靠它们）
看懂回测框架每一层在干什么（config → strategy → engine → metrics → run_backtest）
完成作业 1~4，亲手改参数、改策略、写新策略、对比买入持有

2. 第一部分：pandas 入门（10 分钟）

运行 python 01_pandas入门.py，边跑边看输出。重点记住 4 个技能：

技能	写法	干什么
看数据	`df.head()` / `df.shape`	前几行长什么样、多少行多少列
取数	`df["close"]` / `df[["date","close"]]`	选一列 / 多列
统计	`df["close"].mean()` / `.describe()`	平均值、describe 全量统计
算指标	`df["close"].pct_change()`、`df["close"].rolling(20).mean()`	日收益率、均线（量化两大基础操作）

配套小抄：条件筛选 (df["close"] > df["close"].mean()).sum()（收盘价高于均价的天数）。

3. 第二部分：看懂回测框架（约 50 分钟）

按这个顺序读代码，每层都回答"这层解决什么问题"：

3.1 `config.py`（5 分钟）

所有"想改的东西"集中在这：股票池、日期、初始资金、交易成本、策略参数。改参数永远不翻代码，只改这个文件。

3.2 `strategies/dual_ma.py`（5 分钟）

双均线规则：快线（如 MA10）上穿慢线（如 MA30）→ 买入；下穿 → 卖出。返回和 K 线等长的信号序列：1=持有，0=空仓。

3.3 `backtest/engine.py`（20 分钟）⭐ 全项目最重要的一行

position = signal.shift(1)

含义：信号是"今天收盘"算出来的，只能"明天"执行。shift(1) 把"隔一天执行"写进代码，这是防止前视偏差（用未来数据骗自己）的第一道保险。A股 T+1 也靠它模拟。

成本模型：佣金（买卖双向）+ 印花税（卖出）+ 滑点（双向），按成交金额比例折算到收益率上。

3.4 `backtest/metrics.py`（10 分钟）

总收益率 / 年化收益率：赚了多少
夏普比率：每承担 1 份波动换几份超额收益（>1 不错）
最大回撤：最惨时从高点亏多少（新手最该盯的指标）
卡玛比率：年化/回撤
胜率、交易次数

3.5 `run_backtest.py`（10 分钟）

主流程：取数据 → 算信号 → 回测 → 指标 → 画净值对比图。注意它把"买入持有"也当成一个假策略放进对比表——你的策略连"躺着不动"都打不赢的话，就没意义。

4. 第三部分：作业 1~4（按顺序做）

作业 1：改双均线参数

改 config.py 里 MA_FAST / MA_SLOW（试 10/30、10/60），重跑 run_backtest.py，观察夏普和回撤变化。

要点（做完再想）：为什么没有一组参数永远最好？ - 参数好 = 恰好拟合了过去某段行情（过拟合的雏形） - 市场结构（牛/熊/震荡）会变，参数不可能通吃 - 换个时间段、换个股票池，最优参数就换了

作业 2：布林带卖出线改上轨

去 strategies/bollinger.py，把卖出条件从"回到中轨"改成"冲上上轨"：

signal[df["close"] > upper] = 0   # 卖出线 = 上轨

对比哪种更赚、哪种回撤更大。

已完成状态：当前 bollinger.py 已是上轨版，但文件头注释还写着"中轨"，记得顺手把注释改对（这是代码整洁的好习惯）。

作业 3：自己写 RSI 策略

新建 strategies/rsi.py： - RSI < 30 买入（超卖），RSI > 70 卖出（超买） - 提示：RSI 公式可百度，涨跌幅用 df["close"].diff() 算

参考实现要点（strategies/rsi.py 已有一份）： - 收益分正负：涨的部分、跌的部分（取绝对值） - 平滑用 Wilder 的指数平均：ewm(alpha=1/period, adjust=False) - 处理"只涨不跌"导致除零：avg_loss == 0 时 RSI 直接给 100

写完在 run_backtest.py 里 import 并调用（当前已集成，表格里多出"RSI"一列）。

作业 4（进阶）：对比买入持有

在 run_backtest.py 里给每只股票算"策略收益 − 买入持有收益"，看哪些股票上策略跑输了。

要点：很多新手发现自己的策略其实不如躺着不动——这是量化路上最重要的一课。当前代码已内置"买入持有"基准列，直接看表格对比即可。

5. 学完自检清单

[ ] 能说出 pct_change() 和 rolling() 的用途
[ ] 能解释 signal.shift(1) 防止什么问题
[ ] 能说出 A股 5 个特性分别对应框架里的什么处理
[ ] 作业 1：调过 MA 参数并观察过夏普/回撤变化
[ ] 作业 2：改过上轨版布林带并对比过两种卖出线
[ ] 作业 3：strategies/rsi.py 存在且被 run_backtest.py 调用
[ ] 作业 4：看明白"买入持有"基准列，知道策略在哪些股票上跑输

6. 下一课预告

第 2 课：多标的回测（lessons/02_多标的回测.md，代码 02_多标的回测.py）把同一套策略跑遍 50 只股票，学会看"平均绩效 + 赢面"，真正理解： "策略好不好，不看它在一只股票上赚了多少，要看它在整个股票池上稳定的赢面。"