编程在量化里的真实地位：工具思维+工程习惯
我的掌握程度：
先掌握这个答案
编程三层需求：①研究者核心层（必须）：pandas/numpy熟练——向量化代替循环、groupby双索引、rolling窗口、merge对齐、防前视的shift纪律；②习惯层（必须）：函数化复用、实验可复现（固定随机种子/数据版本）、日志记录、代码能被人读懂；③扩展层（按需）：sklearn/LightGBM（阶段8）、SQL（机构取数）、C++/低延迟（开发岗）、工程化部署。原则：代码是研究的载体，「正确且可复现」永远优先于「优雅且高级」。
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：LightGBM 常用参数
背景 · 从一个困惑说起
「只会一点Python」能做量化吗？能——因为量化对编程的要求不是「会多少语法」，而是三件事：向量化思维、正确性习惯、把研究流程组装成系统的能力。
由此产生的问题
量化 researcher 的编程能力到底是什么？「够用的Python」边界在哪？什么时候需要更多？
核心概念
编程三层需求：①研究者核心层（必须）：pandas/numpy熟练——向量化代替循环、groupby双索引、rolling窗口、merge对齐、防前视的shift纪律；②习惯层（必须）：函数化复用、实验可复现（固定随机种子/数据版本）、日志记录、代码能被人读懂；③扩展层（按需）：sklearn/LightGBM（阶段8）、SQL（机构取数）、C++/低延迟（开发岗）、工程化部署。原则：代码是研究的载体，「正确且可复现」永远优先于「优雅且高级」。
为什么需要它
①错误放大器：研究代码的一个shift错误=错误结论=错误决策——量化代码的bug直接等于钱；②效率=产出：同样的假设，向量化实现比循环快百倍——一天能验证的假设数就是竞争力；③面试现实：手写移动平均/横截面rank/pandas操作是笔试标配，考的全是核心层的熟练度。
实际应用场景
本课程路径：阶段4把「只会一点」升级到「研究熟练」（pandas为主）；阶段8加sklearn/LightGBM；其余按岗位方向选修。写代码的座右铭：先跑通，再跑对，最后才跑快。
与之前知识的联系
q-010流水线的实现语言；q-063前视、q-065清洗的执行者。与q-088数学对照：数学提供判断力，编程提供执行力——量化双引擎，缺一只是拖拉机。
⚠ 常见误解
- 必须先学完Python再学量化：以量化问题驱动学Python效率最高（本课程就是这么设计的）；语法在项目中自然长出来
- 代码写得快就行，乱一点没关系：三个月后自己都读不懂的代码=重新研究一遍；研究代码的读者首先是未来的你
- 搞量化必须会C++：仅低延迟开发岗需要；研究员的Python+pandas覆盖95%场景
🛠 本题实践任务
把版本1和版本2都跑一遍记录耗时，然后回答：如果你的回测要重复1000次（参数寻优），两种写法的总时间差是多少？
💡 提示（先自己想5分钟再看）
循环版120秒×1000=33小时；向量化1.2秒×1000=20分钟——一个不可行，一个下班前出结果。
✅ 验收标准
两个耗时数字+总时间换算。「向量化 reflex」从此种下：看到双重循环先问能不能rolling/groupby。
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（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。