量化开发的一天：策略的载体工程师
我的掌握程度：
先掌握这个答案
工作内容：①数据基础设施：行情/财务数据的接入、清洗、分发（q-072管道的生产级版本）；②回测平台：事件驱动引擎、成本模型、绩效分析；③实盘系统：订单管理、券商接口、执行算法；④监控运维：实时风控、告警、故障应急。技能栈：Python（研究侧）+ C++/Rust（低延迟侧）+ 系统设计 + Linux + 数据库；金融知识是「接口语言」不必是专长。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
不懂的术语：回测（Backtest）
背景 · 从一个困惑说起
研究员的因子再好，也要有系统承载：数据管道、回测平台、实盘引擎、监控系统——这些「量化基础设施」的建造者和守护者就是量化开发（Quant Dev）。
由此产生的问题
量化开发的工作内容和技能栈是什么？和研究岗相比的取舍是什么？
核心概念
工作内容：①数据基础设施：行情/财务数据的接入、清洗、分发（q-072管道的生产级版本）；②回测平台：事件驱动引擎、成本模型、绩效分析；③实盘系统：订单管理、券商接口、执行算法；④监控运维：实时风控、告警、故障应急。技能栈：Python（研究侧）+ C++/Rust（低延迟侧）+ 系统设计 + Linux + 数据库；金融知识是「接口语言」不必是专长。
为什么需要它
①需求刚性：每个机构都需要，且供给相对少（既懂工程又愿意来金融的程序员稀缺）——就业面宽；②价值确定性：研究员的Alpha有不确定性，开发的交付是确定的价值——薪酬稳定度高；③低延迟方向：微秒级优化的硬核工程（内核旁路、FPGA），技术天花板极高。
实际应用场景
转型友好：程序员转量化开发是最平滑的入行路径之一（补金融常识即可）；本课程的阶段4（数据工程）是开发岗的核心预演。
与之前知识的联系
q-077地图第二站。研究员提供「想什么」，开发提供「怎么跑起来」——q-010流水线的两个主要工种。
⚠ 常见误解
- 开发=配角没有Alpha感：低延迟做市、执行优化本身直接产生利润（执行差1个bp就是纯收益）
- 开发不需要懂金融：不懂业务需求的开发会造出「快但错」的系统——前视bug、复权错误常是系统级事故
- 开发转研究很难：常见且可行——工程能力强的人做研究时，实验效率碾压，属于降维支援
🛠 本题实践任务
实现三个小工具函数并自测：①滚动z-score（防前视版）②按代码分组的横截面rank ③简单订单类（Order: code/side/price/qty）。这就是开发岗面试的手写题原型。
💡 提示（先自己想5分钟再看）
①rolling(60)的mean/std先shift；②groupby('date')['x'].rank(pct=True)；③dataclass几行搞定。
✅ 验收标准
三个函数+测试输出。工程感是从写「能跑且正确」的小工具开始的。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（岗位地图、量化工作流），再用案例、公式和代码帮助理解。此功能需要先启用服务。