第一部分：Python 与 pandas —— 写因子够用的最小集

原书用大量篇幅讲 Python 语法，本页只保留量化研究真正高频使用的那一小块——掌握这些，量化学堂第六课的因子你就能自己写。

心法：面向”表”编程，不写循环#

量化研究的数据天然是表：行 = 交易日，列 = 股票，格子 = 价格/成交量/因子值。pandas 的核心价值是向量化——对整张表做运算，一行代码同时作用于几千只股票：

1
ret = close / close.shift(1) - 1     # 全市场所有股票的日收益，一行搞定

新手最大的坏习惯是拿着 for 循环逐只股票算——慢几百倍，还容易错。看到循环先想想有没有表级操作能替代。

本平台 13 个内置因子，几乎全部由这三个操作拼成：

1
momentum = close / close.shift(20) - 1     # 20 日累计收益

shift(1) 是”昨天”。红线：shift(-n) 是”未来”——出现负数参数基本等于宣判未来函数。

1
vol = ret.rolling(20).std()       # 20 日波动率
2
ma  = close.rolling(20).mean()    # 20 日均线

窗口不足 n 天时结果是 NaN（新股上市初期）——这是正确行为，保留它。

1
ret = close.pct_change(fill_method=None)   # 等价于 close/close.shift(1)-1

fill_method=None 明确不填充缺失值——停牌期间的价格空洞不该被”补”出收益来。

对齐是自动的，但要心里有数：pandas 按行列标签对齐运算，两张表股票列表不同时会产生 NaN——知道 NaN 从哪来，才不会病急乱投医地 fillna；
NaN 是信息：“没有数据”本身是重要信息（停牌、未上市），用 fillna(0) 抹掉它是新手最常见的自伤操作（第六课军规三）；
链式思维：因子 = 几个基本操作的组合。夏普动量 = shift 版动量 ÷ rolling 版波动，先在纸上写公式，再逐段翻译；
检查中间结果：每写一步 .iloc[-5:, :3] 看几眼形状和数值——90% 的 bug 在中间结果里一眼可见。

原书还覆盖 read_csv/merge/groupby、matplotlib 画图等。本平台场景下这些被平台代劳了（数据从数据库来、图表前端画），但 groupby 值得会——“按行业分组算均值”这类需求早晚会遇到。

打开 src/alphaforge/research/factors.py 通读一遍——13 个因子全部是三板斧的排列组合，没有一个超纲。这是最好的”课后阅读材料”：真实、短小、你马上要模仿它写自己的因子。

动手：完成量化学堂第六课的 sharpe_momentum_20 练习。写完你会发现：难的不是语法，是想清楚”公式里的每一项分别是哪个表操作”。