【书籍连载】AI量化交易从入门到精通 - 第2章：Python编程基础

# 第2章：Python编程基础 > 本章将系统回顾Python编程的核心知识，重点讲解量化交易中最常用的NumPy、Pandas和可视化工具。 ## 学习目标 - ✅ 巩固Python基础语法 - ✅ 熟练使用NumPy进行数值计算 - ✅ 掌握Pandas数据处理核心技能 - ✅ 学会使用Matplotlib和Seaborn进行数据可视化 - ✅ 理解面向对象编程在量化中的应用 ## 2.1 Python基础语法回顾 ### 数据结构 ```python # 列表 stocks = ["600000", "000001", "000002"] prices = [10.5, 11.0, 10.8, 11.2, 10.9] # 字典 stock_info = { "code": "600000", "name": "浦发银行", "price": 10.5 } # 列表推导式 positive_returns = [r for r in returns if r > 0] ``` ### 函数 ```python def calculate_return(buy_price, sell_price): """计算收益率""" return (sell_price - buy_price) / buy_price * 100 # 使用 ret = calculate_return(10.0, 11.0) print(f"收益率：{ret:.2f}%") ``` ## 2.2 NumPy数组操作 ```python import numpy as np # 创建数组 prices = np.array([10.5, 11.0, 10.8, 11.2, 10.9]) # 统计计算 print(f"平均值：{np.mean(prices)}") print(f"标准差：{np.std(prices)}") # 向量化计算 returns = (prices[1:] - prices[:-1]) / prices[:-1] ``` ## 2.3 Pandas数据处理 ```python import pandas as pd # 创建DataFrame df = pd.DataFrame({ 'code': ['600000', '000001', '000002'], 'price': [10.5, 15.2, 20.1], 'volume': [1000000, 800000, 600000] }) # 计算移动平均 df['ma5'] = df['price'].rolling(5).mean() # 分组统计 grouped = df.groupby('industry')['price'].mean() ``` ## 2.4 数据可视化 ```python import matplotlib.pyplot as plt # 价格走势图 plt.figure(figsize=(12, 6)) plt.plot(dates, prices, label='股价') plt.title('股票价格走势') plt.legend() plt.show() ``` ## 2.5 面向对象编程 ```python class Stock: def __init__(self, code, name, price): self.code = code self.name = name self.price = price self.position = 0 def buy(self, shares): self.position += shares cost = shares * self.price return cost # 使用 stock = Stock("600000", "浦发银行", 10.5) stock.buy(1000) ``` ## 实战案例 完整的策略回测框架实现，包含： - 策略基类设计 - 回测引擎实现 - 绩效指标计算 --- *本文节选自《AI量化交易从入门到精通》第2章* *完整内容请访问代码仓：book_writing/part1_basics/part2_python/README.md*