从伪代码到 Python：第一行真实代码

读完三编教程，很多读者会陷入一种微妙的「懂了但手生」的状态：

回测的时间机器逻辑懂了；
收益率、夏普、IC 的手算会算了；
趋势、均值回复、因子的伪代码也能读顺了；
转移矩阵、置换检验、门禁规则的思路也跟上了；
但是打开一个空白的 Python 文件，光标在屏幕上闪烁，第一行到底该写什么？

本篇附录是连接「纸上谈兵」与「上手实操」的脚手架。我们不推荐一上来就啃厚重的第三方专业量化框架，而是用仅 25 行原生 Python + pandas 代码，直接翻译第 4 章与第 7 章的双均线回测逻辑，并告诉你如何免费下载真实的 A 股行情开始动手。

双均线策略的 25 行原生 pandas 实现

假设你手里有一张表格 df，包含日期 date 和复权收盘价 close，按时间从早到晚排好序。

下面这段完整的 Python 代码，就可以跑出一个严谨、含扣费、防前视的真实回测：

import numpy as np
import pandas as pd

# 1. 计算均线（第 3、7 章学过的移动平均公式）
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()

# 2. 生成多空信号（金叉持仓 1，死叉空仓 0）
df['signal'] = np.where(df['ma5'] > df['ma20'], 1, 0)

# 3. 核心防前视阀门：T+1 信号滞后一天成交（绝不可省略！）
# 今日 15:00 收盘计算信号，次日才能以市场价成交买入
df['position'] = df['signal'].shift(1)

# 4. 计算每日基准收益与策略毛收益
df['market_ret'] = df['close'].pct_change()
df['strat_ret'] = df['position'] * df['market_ret']

# 5. 扣除交易成本（双边佣金+印花税+滑点，综合按单边 0.15% 计）
cost_rate = 0.0015
# 仓位发生变动时产生换手（0 变 1 或 1 变 0）
df['trade_volume'] = df['position'].diff().abs()
df['net_ret'] = df['strat_ret'] - df['trade_volume'] * cost_rate

# 6. 复利累乘计算策略累计净值与买入持有基准净值
df['equity_strategy'] = (1 + df['net_ret'].fillna(0)).cumprod()
df['equity_benchmark'] = (1 + df['market_ret'].fillna(0)).cumprod()

关键代码逐行对照

rolling(5).mean()：对应伪代码中的 $\text{MA}_5 = \frac{1}{5}\sum_{i=0}^4 P_{t-i}$ 。pandas 会自动用滑动窗口逐行求均值，前 4 天不足窗口会自动填为 NaN（空值）；
np.where(...)：对应第 3 章的信号条件函数 $s_t$ 。若快线大于慢线输出 1，否则输出 0；
shift(1) 是整段代码的灵魂：它把整列信号向下平移一行。第 $t$ 行的持仓 position，取的是第 $t-1$ 行生成的 signal。如果漏写了 .shift(1)，你就是在用今日收盘确认的信号去吃今日从开盘到收盘的涨幅——回测年化收益会立刻暴涨到几百甚至上千，但这全是一张废纸。
diff().abs()：检测状态切换。从 0 变 1（买入），差值为 $+1$ ，绝对值为 1；从 1 变 0（卖出），差值为 $-1$ ，绝对值为 1；维持持仓不变时差值为 0。乘以费率即可精准扣除每次开仓和平仓的摩擦成本；
cumprod()：连续乘积 $(1 + r_1)(1 + r_2)\dots(1 + r_t)$ ，直接得到账户净值序列，对应第 5 章绩效评估的输入数据。

你看，没有神秘的黑魔法，量化回测的底层不过就是这 20 多行清晰规整的数组运算。

去哪里搞真实的 A 股数据？免费开源数据源推荐

很多初学者卡在「没有数据」这一步。实际上，国内 Python 生态拥有非常成熟且免费的开源数据工具，无需花几万元买专业终端。

1. AkShare（最推荐起步，完全开源无门槛）

特点：纯 Python 开源库，无需注册、无需 token、不限请求次数，数据直接爬取自东方财富、同花顺、新浪财经等公开行情接口；
安装：
终端窗口
```
pip install akshare --upgrade
```

获取贵州茅台历史前复权日 K 线（只需 3 行代码）：

import akshare as ak

# 获取 600519 前复权日线
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20230101",
    end_date="20241231",
    adjust="qfq",  # 前复权，对应第 1 章的复权口径
)
print(df[['日期', '开盘', '收盘', '最高', '最低', '成交量']].head())

拿到这个 df 后，将列名 '收盘' 传给上面的 25 行回测代码，你就完成了人生中第一个用真实 A 股数据驱动的量化回测！

2. BaoStock（证券宝）

特点：专门面向金融量化的免费数据库，无需 token 积分，自带除权复权因子、分红配股数据，且提供了停牌、ST 等状态标记（非常适合做第 1 章讲的股票池过滤漏斗）；
官网：http://baostock.com；
安装：pip install baostock。

3. Tushare

特点：国内最早、最成熟的量化数据社区，接口极为丰富规范，涵盖财务报表、宏观经济、行业分类等（适合做第 10 章的多因子分析）；
注意：采用积分制，基础日线免费，高阶逐笔和深度财务数据需要通过社区签到、高校学生认证或赞助获取积分。

从极简脚本到专业量化的进阶地图

当你跑通了上面的 25 行代码，并在真实股票上画出了第一条净值曲线后，你已经正式跨过了量化的大门。接下来的进阶路径非常明确：

台阶 1：掌握向量化工具箱（pandas / numpy）
- 熟练使用 rolling、expanding、shift、pct_change、groupby；
- 练习用几行代码算出最大回撤、夏普比率和月度分组收益。
台阶 2：拥抱事件驱动回测框架
- 当你的策略需要同时管理 100 只股票、动态调仓、考虑每只股票的挂单成交量上限时，向量化脚本会变得捉襟见肘；
- 此时可以学习主流的开源事件驱动框架，如 Backtrader（经典、生态成熟）或国内开源的 rqalpha / vn.py；
- 了解框架内部是如何把我们第 4 章讲的「时间机器循环」工程化落地的。
台阶 3：走向专业机构级投研体系
- 学习真正严肃的量化工程：严格的 PIT（点截面）财务数据防未来函数、量化门禁系统、组合优化求解与风险模型。
- 这部分进阶知识，可以在本仓库的后续体系中继续深造：
  - learn1：从仓库五个真实量化工程项目中提炼的体系课（涵盖 A 股回测工程、特征工程、机器学习边界与风控）；
  - learn2：以 Conditional Alpha 研究仓为蓝本的真实实验编年史（从假设预登记到样本外验证的全流程实录）。

伪代码帮你打牢了思维的地基，Python 赋予了你探索数据的工具。不要害怕报错，去下载一段历史数据，敲下你的第一行策略代码吧！