前置知识：Python 基础与环境配置¶
本篇导览
| 项目 | 说明 |
|---|---|
| 适合 | 几乎没有 Python 经验、或尚未用过 pandas / numpy 的读者 |
| 预计 | 60～90 分钟（可查表跳读） |
| 若已熟练 | 请直接开始 Tutorial 00 |
本文面向几乎没有 Python 经验的读者。如果你已经能熟练使用 pandas、numpy，可直接跳过本文，从 Tutorial 00 开始。
目录¶
1. 为什么用 Python 做量化¶
Python 在量化交易领域是事实上的标准语言：
- 语法简洁：同样的逻辑，Python 代码比 Java/C++ 少 3–5 倍
- 金融生态完整：
pandas（数据）、numpy（数学）、matplotlib（图表）、scipy（统计） - 免费数据源：
akshare、tushare等提供 A 股全量历史数据 - AI 编程助手：常见大模型工具可辅助写代码与排错（需自行核对逻辑与数据）。
eqlib 策略文件就是普通的 .py 文件，你只需掌握本文中的核心用法即可上手。
2. 环境管理：Python 版本与虚拟环境¶
2.1 版本要求¶
eqlib 要求 Python ≥ 3.10（见 pyproject.toml 中 requires-python）。
推荐使用 3.11 或 3.12。
2.2 虚拟环境（强烈推荐）¶
虚拟环境让每个项目的依赖互不干扰，避免"安装了 A 包结果把 B 项目搞坏"的问题。
# 在仓库根目录创建虚拟环境
cd EasyQuant
python3 -m venv .venv
# 激活（macOS / Linux）
source .venv/bin/activate
# 激活（Windows CMD）
.venv\Scripts\activate.bat
# 激活（Windows PowerShell）
.venv\Scripts\Activate.ps1
# 验证：激活后命令提示符前会显示 (.venv)
# 安装 eqlib 及其所有依赖
pip install easyquant-eqlib # PyPI（推荐）
# 或在仓库根目录执行：pip install .
激活后所有 python 和 pip 命令都在虚拟环境中运行，不影响系统 Python。
2.3 退出虚拟环境¶
2.4 依赖清单¶
| 包 | 用途 | 是否必须 |
|---|---|---|
akshare |
A 股数据源 | 必须 |
pandas |
表格数据处理 | 必须 |
numpy |
数学计算 | 必须 |
matplotlib |
图表生成 | 必须 |
scipy |
统计分析 | 必须 |
pyarrow |
更快的磁盘缓存 | 可选 |
pytest |
运行单元测试 | 开发时 |
执行 pip install easyquant-eqlib（或 pip install .）会自动安装前 5 个。
3. Python 核心语法速查¶
以下是在 eqlib 策略中最常用的 Python 语法。
3.1 变量与数据类型¶
# 数字
price = 5.23 # float
count = 100 # int
ratio = 0.3 # float（30%）
# 字符串
code = '601390' # 股票代码用字符串
# 布尔值
has_position = True
is_bull_market = False
# None（空值）
signal = None
3.2 条件判断¶
price = 5.23
ma20 = 5.10
# 单条件
if price > ma20:
print('价格高于均线')
# 多条件
if price > ma20 * 1.02:
print('买入信号')
elif price < ma20 * 0.98:
print('卖出信号')
else:
print('观望')
# and / or
if price > ma20 and volume > avg_volume:
print('量价配合，强烈信号')
3.3 函数定义¶
def calculate_ma(prices, period):
"""计算简单移动均线"""
return prices.tail(period).mean()
# 调用
ma5 = calculate_ma(close_prices, 5)
ma20 = calculate_ma(close_prices, 20)
eqlib 中
initialize、market_open等都是你定义的函数，引擎在对应时机自动调用它们。
3.4 循环¶
securities = ['601390', '600519', '000858']
# for 循环
for code in securities:
print(code)
# 带索引的 for 循环
for i, code in enumerate(securities):
print(i, code)
# 条件中断
for code in securities:
if some_condition:
break # 终止循环
if another_condition:
continue # 跳过本次，继续下一个
3.5 列表（List）¶
# 创建
my_stocks = ['601390', '600519', '000858']
# 追加
my_stocks.append('000001')
# 删除
my_stocks.remove('600519')
# 检查是否包含
if '601390' in my_stocks:
print('在股票池中')
# 列表推导式（简洁写法）
strong_stocks = [s for s in all_stocks if returns[s] > 0.05]
3.6 字典（Dict）¶
# 持仓字典示例
positions = {
'601390': {'amount': 1000, 'cost': 4.85},
'600519': {'amount': 100, 'cost': 1680.0},
}
# 读取
amount = positions['601390']['amount']
# 安全读取（不存在时返回默认值）
pos = positions.get('000858', None)
# 检查是否存在
if '601390' in positions:
print('持有该股票')
# 遍历
for code, pos_info in positions.items():
print(code, pos_info['amount'])
3.7 类型转换与常用内置函数¶
# 类型转换
x = int('100') # 字符串 → 整数
y = float('3.14') # 字符串 → 浮点数
s = str(100) # 整数 → 字符串
# 数学
abs(-5) # 绝对值 → 5
max(3, 5, 2) # 最大值 → 5
min(3, 5, 2) # 最小值 → 2
round(3.1415, 2) # 四舍五入 → 3.14
# 长度
len([1, 2, 3]) # → 3
len('601390') # → 6
4. pandas 核心用法¶
pandas 是 eqlib 中最核心的数据处理库。attribute_history 返回的就是 DataFrame。
4.1 DataFrame 基础¶
import pandas as pd
# eqlib 中常见的 DataFrame 结构
# attribute_history('601390', 5, '1d', ['open', 'high', 'low', 'close', 'volume'])
# 返回类似：
# open high low close volume
# 2024-01-02 4.85 4.92 4.80 4.88 1234567890
# 2024-01-03 4.89 4.95 4.85 4.92 987654321
# ...
df = attribute_history('601390', 20, '1d', ['close', 'volume'])
# 取单列（返回 Series）
close = df['close'] # 收盘价 Series
volume = df['volume'] # 成交量 Series
# 取多列（返回 DataFrame）
price_vol = df[['close', 'volume']]
# 检查是否为空
if df.empty:
return
# 检查行数
if len(df) < 20:
return # 数据不足
4.2 Series 常用操作¶
close = df['close'] # pandas Series
# 最新价（最后一行）
latest_price = close.iloc[-1]
# 最早一行
oldest_price = close.iloc[0]
# 取最后 N 行
last_5 = close.tail(5)
last_5_mean = last_5.mean() # 5 日均价
# 取前 N 行
first_5 = close.head(5)
# 统计
close.mean() # 均值
close.std() # 标准差
close.max() # 最大值
close.min() # 最小值
close.sum() # 求和
# 判断序列中每个值是否满足条件
above_ma = close > close.mean() # 返回 True/False 的 Series
4.3 滚动计算（Rolling）¶
# 20 日滚动均线
ma20 = close.rolling(window=20).mean()
# 20 日滚动标准差
std20 = close.rolling(window=20).std()
# 取最新的滚动值
latest_ma20 = ma20.iloc[-1]
4.4 日期索引¶
# DataFrame 的索引通常是日期
# 按日期切片
recent = df.loc['2024-06-01':'2024-06-30']
# 获取最新日期
latest_date = df.index[-1]
4.5 常见的 NaN 处理¶
import pandas as pd
# 检查是否有 NaN
has_nan = df.isnull().any().any()
# 删除含 NaN 的行
df_clean = df.dropna()
# 用 0 填充 NaN
df_filled = df.fillna(0)
# 检查某个值是否是 NaN
import math
if math.isnan(some_value):
return
5. numpy 基础¶
numpy 主要提供高效的数值计算，在 eqlib 中常通过 pandas 间接使用。
import numpy as np
prices = [4.85, 4.92, 4.88, 4.95, 5.01] # Python 列表
arr = np.array(prices) # 转为 numpy 数组
# 数学运算（逐元素）
arr * 1.02 # 全部乘以 1.02
arr - arr.mean() # 减去均值（标准化第一步）
# 统计
np.mean(arr) # 均值
np.std(arr) # 标准差
np.max(arr) # 最大值
np.min(arr) # 最小值
# 条件筛选
high_prices = arr[arr > 4.9] # 筛选大于 4.9 的元素
# nan 安全版本（pandas NaN 与 numpy nan 兼容）
np.isnan(some_value) # 检查是否 NaN
np.nanmean(arr) # 忽略 NaN 的均值
6. 在 eqlib 策略中用到这些知识的位置¶
| 代码片段 | 用到的 Python/pandas 概念 |
|---|---|
g.security = '601390' |
变量赋值 |
hist = attribute_history(...) |
函数调用，返回 DataFrame |
hist['close'].mean() |
DataFrame 列选取 + Series 方法 |
hist['close'].tail(5).mean() |
Series 尾部切片 + 均值 |
hist['close'].iloc[-1] |
整数位置索引 |
if price > ma_fast > ma_slow: |
链式比较 |
context.portfolio.positions.get(sec) |
字典 .get() |
for sec in g.securities: |
列表 for 循环 |
if df.empty or len(df) < 20: return |
条件判断 + 函数提前返回 |
7. 下一步¶
- 继续前置知识：技术分析基础概念、A 股市场基础知识
- 进入正式教程：Tutorial 00：环境与第一次运行
推荐资源：如需系统学习 Python，菜鸟教程（runoob.com/python3）或《Python 编程：从入门到实践》均适合零基础入门。pandas 官方文档（pandas.pydata.org/docs）是最权威的参考手册。