第 8 课　第一次逐行读懂一条完整策略¶

前六课先学习代码的零件，本课才把数据、指标、信号、持仓和收益连接起来。我们只使用十天虚构价格，并且把每个关键日期手算一遍。

适合谁完成 Python 第 2 至第 7 课的读者

前置知识变量、条件、函数、pandas、相邻收益和报错阅读

建议用时150 分钟，可以分两次完成

本课成果逐行标注均线策略，并指出信号在哪一天开始影响持仓

先把研究任务写成自然语言¶

我们拥有一只虚构资产的十天收盘价，准备检查一条教学规则。每天收盘以后，计算最近三天和最近五天的平均收盘价。三日平均高于五日平均时，记录“希望持有”；条件不成立时，记录“希望空仓”。今天收盘以后才知道的判断，从下一天开始影响持仓。

这条规则来自一个简单想法。三日平均对近期价格变化反应较快，五日平均反应较慢，短平均高于长平均时，近期价格相对更强。这个解释只说明规则试图捕捉什么，没有证明未来会继续上涨。我们先学习代码时间关系，收益有效性要留给后面的回测与验证课程。

还要说明本课的“下一天持仓”只是一种向量化教学假设。真实市场中，收盘后生成信号，最早可能在下一个开盘成交；开盘成交以后经历的收益区间与收盘到收盘并不完全相同。第 14 课会把信号、订单和成交拆开，本课先让读者看清信息后移。

任何策略代码都先拆成五个阶段¶

一段策略代码即使写得很长，也可以先寻找五类对象。数据描述程序读到了什么，指标把原始数据转换成可比较数值，信号表达某个时点的判断，持仓说明接下来承担多少市场变化，结果记录这段持仓经历了什么。

flowchart LR
    accTitle: 从价格到策略收益的五个阶段
    accDescr: 收盘价先计算三日和五日均线，同日比较产生信号，信号后移一天成为持仓，持仓与对应收益相乘得到策略收益

    a[数据<br/>十天收盘价] --> b[指标<br/>三日与五日均线]
    b --> c[信号<br/>短均线是否更高]
    c --> d[持仓<br/>信号向后移动一天]
    d --> e[结果<br/>持仓乘对应市场收益]

读别人代码时，先按这五种作用标记变量，暂时不用理解每个函数内部。若 signal 与 position 混成同一列，或者收益列无法说清对应哪段持有时间，应该先画出数据流和时间线，再继续看细节。

十天数据在纸面上长什么样¶

代码中的价格是教学数据，没有真实资产和日期。为了方便口头说明，我们把列表位置叫作第 1 天到第 10 天。

教学日	收盘价	这一天能够计算什么
第 1 天	10.0	只有一个价格，均线都不完整
第 2 天	10.2	仍不足三天
第 3 天	10.1	第一个三日均线出现
第 4 天	10.4	三日均线继续更新
第 5 天	10.7	第一个五日均线出现，可以首次比较
第 6 天	10.8	信号继续更新，持仓来自第 5 天
第 7 天	10.6	持仓来自第 6 天
第 8 天	10.9	继续沿同一规则处理
第 9 天	11.1	继续沿同一规则处理
第 10 天	11.0	得到本表最后一段结果

三日均线要等三个价格，五日均线要等五个价格，所以第 5 天以前无法同时比较两条均线。缺失出现在这里有明确原因，历史长度不足。把早期缺失随手填成某个价格，会制造原本不存在的信号。

完整代码出现以前先认识输入和输出¶

下面代码的输入只有十个收盘价，输出是一张增加了六列的 pandas 表。ma3 和 ma5 是指标，signal 是当日收盘后的判断，position 是后移一天的持仓，market_return 是相邻收盘收益，strategy_return 是教学持仓经历的收益。

阅读时不必一次记住全部标点。先确认等号左侧新增了哪一列，再看等号右侧使用哪些旧列。代码按照数据、指标、信号、持仓和结果排列，每一行都将在后面单独拆解。

import pandas as pd

prices = pd.DataFrame(
    {
        "close": [10.0, 10.2, 10.1, 10.4, 10.7,
                  10.8, 10.6, 10.9, 11.1, 11.0]
    }
)

prices["ma3"] = prices["close"].rolling(3).mean()
prices["ma5"] = prices["close"].rolling(5).mean()
prices["signal"] = prices["ma3"] > prices["ma5"]
prices["position"] = prices["signal"].shift(1).fillna(False)
prices["market_return"] = prices["close"].pct_change()
prices["strategy_return"] = (
    prices["position"].astype(int) * prices["market_return"]
)

print(prices)

打开策略代码逐行阅读器

第一段怎样把列表变成数据表¶

import pandas as pd 取得 pandas 工具包并使用常见简称 pd。pd.DataFrame 随后把一个字典转换成表格，字典键 close 成为列名，右侧列表中的十个价格成为十行。真实研究至少还要有日期与资产代码，本课省略它们是为了把注意力放在策略流水线。

prices = pd.DataFrame(
    {"close": [10.0, 10.2, 10.1, 10.4, 10.7,
               10.8, 10.6, 10.9, 11.1, 11.0]}
)

数据建立以后应先打印 prices.shape 和 prices.head()。预期形状为十行一列，前五个价格要与纸面表相同。若输入顺序已经错误，后面每个函数仍能运行，策略含义却不会自动修复。

rolling 和 mean 怎样得到移动平均¶

移动平均会在每一天回看最近若干项，再计算平均值。prices["close"] 先取出收盘价列，rolling(3) 为每一行准备最近三项窗口，mean() 求窗口平均，最后把结果保存为 ma3。

prices["ma3"] = prices["close"].rolling(3).mean()
prices["ma5"] = prices["close"].rolling(5).mean()

先手算第 3 天。窗口包含第 1 至第 3 天，价格为 10.0、10.2 和 10.1，相加得到 30.3，再除以 3，三日均线为 10.1。第 1 和第 2 天凑不满三项，所以 ma3 显示缺失。

第 5 天第一次同时拥有两条均线。三日窗口使用第 3 至第 5 天，平均值为 (10.1 + 10.4 + 10.7) ÷ 3 = 10.4。五日窗口使用第 1 至第 5 天，平均值为 (10.0 + 10.2 + 10.1 + 10.4 + 10.7) ÷ 5 = 10.28。短均线高于长均线，所以第 5 天收盘后第一次得到真信号。

公式在这里没有引入新概念，它只把刚才的加总与平均写得更紧凑。若窗口长度为 n，时点 T 的简单移动平均等于最近 n 个价格之和除以 n。

\[ MA_{n,T}=\frac{P_T+P_{T-1}+\cdots+P_{T-n+1}}{n} \]

P_T 表示当前日收盘价，P_{T-1} 表示前一日，最远一项为 P_{T-n+1}。默认 rolling(n) 只使用当前行与以前数据。若加入 center=True，窗口会向两边展开，历史行可能读到未来价格，量化特征通常不应这样设置。

两列比较怎样产生信号¶

三日和五日均线已经是同一张表中的两列。pandas 会逐行执行大于比较，短均线更高时得到 True，其他情况得到 False。早期五日均线缺失时，比较也不会产生可用真信号。

prices["signal"] = prices["ma3"] > prices["ma5"]

signal 只表达“这一行数据完整以后，条件是否成立”。第 5 天的真信号要等第 5 天收盘价出现、两条均线计算完成以后才知道。它没有自动下单，也没有改动账户持仓。把信号、订单、成交和持仓区分开，是后面阅读回测的基础。

shift 为什么把信号移动一天¶

本课用相邻收盘收益演示时间关系。market_return 第 6 行代表第 5 天收盘到第 6 天收盘的变化。若第 5 天收盘后才知道信号，希望它影响下一段收益，就要把第 5 行信号移动到第 6 行持仓。

prices["position"] = prices["signal"].shift(1).fillna(False)

shift(1) 把整列向下移动一行。移动以后，第 6 天 position 读取第 5 天 signal。第一行没有更早信号，得到缺失；fillna(False) 在这里把初始状态明确设为空仓。这个填充由业务约定支持，不能把同一种处理复制到价格列或任何未知字段。

flowchart LR
    accTitle: 第 5 天信号怎样影响第 6 天持仓
    accDescr: 第 5 天收盘价先完成均线和信号，信号向后移动一行，第 6 天持仓才读取这项判断并经历下一段收益

    a[第 5 天收盘<br/>价格已经完整] --> b[计算两条均线<br/>短均线更高]
    b --> c[第 5 天信号<br/>True]
    c --> d[shift 1<br/>向后移动一行]
    d --> e[第 6 天持仓<br/>True]
    e --> f[对应第 5 至第 6 天<br/>收盘价格变化]

删除 shift(1) 后，第 6 天收盘价参与生成第 6 天信号，信号又立即乘上第 5 天到第 6 天已经发生的收益。程序让刚刚知道的信息影响它形成以前的价格变化，产生时间穿越。策略表现常会因此虚高。

市场收益和策略收益怎样连接¶

pct_change() 计算当前收盘价相对前一收盘价的比例变化。第 6 天市场收益为 10.8 ÷ 10.7 - 1，约 0.93%。第一行没有前一价格，所以市场收益缺失。

prices["market_return"] = prices["close"].pct_change()

持仓列目前是布尔值。astype(int) 把 True 转成 1，把 False 转成 0。持仓为 1 时，乘法保留对应市场收益；持仓为 0 时，结果变成 0。下面代码因此表达“一份资产或空仓”的教学组合。

prices["strategy_return"] = (
    prices["position"].astype(int) * prices["market_return"]
)

第 5 天信号为真，所以第 6 天持仓为真，第 6 天策略收益保留约 0.93%。第 6 天信号也为真，因此第 7 天继续持有；第 7 天价格从 10.8 降到 10.6，策略会经历约负 1.85%。信号规则不会只保留上涨日，持仓一旦建立，就要承担下一段真实涨跌。

把第 6 天逐列走完¶

第 6 天三日均线使用第 4 至第 6 天，结果为 (10.4 + 10.7 + 10.8) ÷ 3，约 10.6333。五日均线使用第 2 至第 6 天，结果为 (10.2 + 10.1 + 10.4 + 10.7 + 10.8) ÷ 5，等于 10.44。短均线高于长均线，所以第 6 天收盘后的新信号仍为真。

第 6 天当前持仓来自第 5 天信号。第 5 天的三日均线为 10.4，五日均线为 10.28，信号已经为真，因此第 6 天持有一份资产。第 6 天市场收益约为 0.93%，持仓乘市场收益以后，教学策略收益也约为 0.93%。

第 6 天检查项	使用的信息	结果
三日均线	第 4、5、6 天收盘价	约 10.6333
五日均线	第 2 至第 6 天收盘价	10.44
当日信号	第 6 天两条均线	真，收盘后才知道
当日持仓	第 5 天信号	真
当日市场收益	第 5 天到第 6 天收盘变化	约 0.93%
当日策略收益	当日持仓乘市场收益	约 0.93%

这张表是代码审查的核心。每一列都能说出输入日期、形成时点和业务含义，程序结果才容易相信。变量名很漂亮却无法回答这些问题时，仍然需要回到小表和时间线。

一行 pandas 代码会同时决定什么¶

rolling(3).mean() 同时决定窗口长度、窗口方向、凑不满时的缺失和平均方式。pct_change() 默认按当前行顺序比较相邻值，日期未排序时会连接错误两天。fillna(False) 在本例表示初始空仓，换到其他列可能完全没有这种含义。

陌生函数要检查输入对象、参数、默认值、输出类型和缺失位置。最可靠的入门方法是构造五至十行小表，把全部中间列打印出来，再与手算并排。官方文档负责说明函数一般行为，小样例负责证明当前数据上的具体关系。

当前代码离真实成交还差什么¶

本课把持仓直接乘以收盘到收盘收益，属于向量化信号回测。它适合讲解信息后移，也适合快速筛查想法。真实交易还需要把目标持仓转换成订单，选择下一个可交易时点，判断成交数量，并从现金中扣除手续费、价差和滑点。

若第 6 天收盘后出现买入信号，策略通常无法使用已经结束的第 6 天收盘成交。较保守的教学假设可以安排第 7 天开盘提交订单，此时持有区间从第 7 天开盘以后开始，已经不同于本页的收盘到收盘收益。研究说明应把当前版本明确称为“信号时间演示”，避免把它包装成可执行回测。

成交量、涨跌停和停牌也可能让订单无法完成。后面的市场与订单课程会先解释这些机制，第 14 课再建立逐日账本。读者现在只需指出缺少哪些环节，无需在一段入门代码里同时解决全部问题。

数据、指标、信号、订单、持仓与收益进入逐日账本的顺序

这张图比本课代码多出订单、成交与现金。它提醒读者，信号列只是研究流水线的一站，完整回测还要继续记录实际事件。

怎样阅读别人项目中的策略文件¶

先找到数据入口，确认使用哪些字段、日期怎样排序、价格采用什么口径。随后沿表格列名追踪指标、信号、目标持仓和收益。看到 signal、position 或 weight 时，搜索它在哪里创建，又在哪里被使用；看到收益列时，说明它对应哪两个价格时点。

项目拆成多个文件以后，可以按职责寻找。data 常负责读取和清洗，indicators 计算均线与波动，strategies 把指标变成目标持仓，backtest 模拟成交与账本，metrics 计算收益和回撤，reporting 输出图表。名称可能不同，数据流和责任大致相似。

最后查找测试。可靠的策略项目应该有答案已知的小例子，证明均线何时首次出现、信号何时改变、订单何时生效和费用怎样扣除。没有测试不等于代码一定错误，它表示关键关系仍缺少可重复证据，读者需要自己补上。

容易弄错的地方¶

阅读时的误解	为什么会出错	需要找到的证据
`signal` 为真说明账户已经持有	信号只是判断	订单、成交和持仓更新在哪里发生
删除 `shift(1)` 让策略更及时	当日信息会影响已经发生的收益	信号形成时点与收益区间
均线规则很经典，所以应该有效	常见程度不能代替检验	基线、费用和样本外结果
最后一列收益正确便说明全部正确	错位可能在中间列抵消或隐藏	均线、信号、持仓逐列手算
`fillna` 能消除所有缺失	填充值会改变业务含义	每个缺失的原因与处理依据

一分钟自测¶

为什么第 6 天 position 要读取第 5 天 signal？第 6 天刚算出的新信号最早影响哪一行？

查看答案

第 6 天信号要等第 6 天收盘以后才完整，不能决定第 5 天到第 6 天已经发生的收盘收益。后移一行以后，第 6 天持仓读取第 5 天信号，第 6 天新信号最早影响第 7 天持仓。

本课术语¶

词语	现在应该怎样理解
滚动窗口	随日期前进并只保留最近若干项的数据范围
移动平均	每个滚动窗口内价格的平均值
指标	根据原始数据计算出的描述性数值
信号	规则在某个信息时点给出的判断
持仓	某段时间实际承担的市场暴露
`shift`	把一列按行移动，使信息落到正确生效时间
市场收益	资产价格在指定区间的比例变化
策略收益	按持仓规则实际经历的收益变化

第 8 课 第一次逐行读懂一条完整策略¶

先把研究任务写成自然语言¶

任何策略代码都先拆成五个阶段¶

十天数据在纸面上长什么样¶

完整代码出现以前先认识输入和输出¶

第一段怎样把列表变成数据表¶

rolling 和 mean 怎样得到移动平均¶

两列比较怎样产生信号¶

shift 为什么把信号移动一天¶

市场收益和策略收益怎样连接¶

把第 6 天逐列走完¶

一行 pandas 代码会同时决定什么¶

当前代码离真实成交还差什么¶

怎样阅读别人项目中的策略文件¶

容易弄错的地方¶

一分钟自测¶

本课术语¶

Python 阶段综合作业¶

1 标注五段¶

2 手算第 5 天¶

3 寻找未来信息¶

4 动手修改¶

5 开放思考¶

第 8 课　第一次逐行读懂一条完整策略¶

1　标注五段¶

2　手算第 5 天¶

3　寻找未来信息¶

4　动手修改¶

5　开放思考¶