3、Python基础速通：数据类型、控制流、函数、面向对象编程基础
说实话，很多做量化交易的朋友，一上来就急着写策略、跑回测。结果呢？连个DataFrame都操作不明白，报错信息也看不懂。我见过太多这样的案例了。
Python基础不牢，后面写策略代码就是给自己挖坑。今天这一章，咱们就把地基打扎实。别急，我带你快速过一遍最核心的内容。
3.1 数据类型：量化交易的基本单元
Python的数据类型，说白了就是用来装数据的容器。你想想看，股票代码、价格、成交量，这些不都是数据吗？
3.1.1 数字类型
整型(int)和浮点型(float)是最常用的。我个人习惯用float来存价格，因为涉及到小数。
# 股票价格
price = 12.58 # float
volume = 10000 # int
print(type(price)) # <class 'float'>3.1.2 字符串
股票代码、日期这些，用字符串存最合适。我在项目中遇到过一个问题：从API拿到的股票代码是"000001"，结果存成int变成了1。嗯，这里要注意，股票代码一定要用字符串。
stock_code = "000001" # 字符串
stock_name = '平安银行'
print(f"股票代码: {stock_code}, 名称: {stock_name}")3.1.3 列表与元组
列表(list)是可变的，元组(tuple)不可变。我一般用列表存动态数据，比如当日所有成交记录。元组用来存固定配置，比如交易参数。
# 列表 - 可增删改
trade_records = [12.5, 12.6, 12.55]
trade_records.append(12.7)
# 元组 - 不可变
config = ("AAPL", 100, 150.0) # 股票代码，数量，止损价3.1.4 字典
字典是量化交易中最常用的数据结构。为什么？因为天然适合存键值对，比如股票代码对应价格。
# 实时行情快照
market_snapshot = {
"000001": 12.58,
"000002": 15.20,
"600519": 1850.00
}
print(market_snapshot["000001"]) # 12.583.2 控制流：让代码有逻辑
控制流就是告诉代码什么时候该做什么。没有控制流，代码就是一潭死水。
3.2.1 条件判断
if-elif-else，这个太基础了。但我想说的是，写量化策略时，条件判断一定要清晰，别嵌套太多层。
current_price = 12.58
buy_threshold = 12.50
sell_threshold = 13.00
if current_price <= buy_threshold:
print("触发买入信号")
elif current_price >= sell_threshold:
print("触发卖出信号")
else:
print("持仓观望")3.2.2 循环
for循环用来遍历数据，while循环用来做条件等待。我个人习惯用for更多，因为量化交易里大部分场景是遍历历史数据。
# 遍历历史价格
prices = [12.5, 12.6, 12.55, 12.7, 12.65]
for i, price in enumerate(prices):
print(f"第{i+1}个价格: {price}")
# 计算移动平均
total = 0
for price in prices:
total += price
ma = total / len(prices)
print(f"移动平均: {ma:.2f}")3.3 函数：把逻辑封装起来
函数是代码复用的基础。你想想看，计算移动平均这个操作，你会在策略里用很多次吧？写成函数，一劳永逸。
3.3.1 定义函数
def calculate_ma(prices, period=5):
"""计算移动平均线"""
if len(prices) < period:
return None
return sum(prices[-period:]) / period
# 使用
prices = [12.5, 12.6, 12.55, 12.7, 12.65]
ma_5 = calculate_ma(prices)
print(f"5日均线: {ma_5}")3.3.2 参数传递
Python的参数传递，说白了就是传引用。但不可变对象（如int、str）在函数内修改不会影响外部，可变对象（如list）会。
def add_price(prices, new_price):
prices.append(new_price) # 会修改原列表
return prices
my_prices = [12.5, 12.6]
add_price(my_prices, 12.7)
print(my_prices) # [12.5, 12.6, 12.7]3.4 面向对象编程基础：构建你的交易系统
面向对象编程（OOP），说白了就是把数据和操作数据的方法打包在一起。对于量化交易来说，一个策略就是一个对象。
3.4.1 类与对象
class TradingStrategy:
"""交易策略基类"""
def __init__(self, name, initial_capital):
self.name = name
self.capital = initial_capital
self.positions = {}
def buy(self, stock_code, price, volume):
cost = price * volume
if self.capital >= cost:
self.capital -= cost
self.positions[stock_code] = volume
print(f"买入 {stock_code}: {volume}股, 花费 {cost:.2f}")
else:
print("资金不足")
def show_status(self):
print(f"策略: {self.name}, 剩余资金: {self.capital:.2f}")
print(f"持仓: {self.positions}")
# 使用
my_strategy = TradingStrategy("均线策略", 100000)
my_strategy.buy("000001", 12.58, 1000)
my_strategy.show_status()3.4.2 封装与继承
封装就是把内部实现藏起来，只暴露接口。继承就是复用父类的代码。我一般会先写一个基类，然后不同的策略继承它。
class MovingAverageStrategy(TradingStrategy):
"""均线策略 - 继承自TradingStrategy"""
def __init__(self, name, initial_capital, short_period=5, long_period=20):
super().__init__(name, initial_capital)
self.short_period = short_period
self.long_period = long_period
def generate_signal(self, prices):
"""生成交易信号"""
if len(prices) < self.long_period:
return "hold"
short_ma = sum(prices[-self.short_period:]) / self.short_period
long_ma = sum(prices[-self.long_period:]) / self.long_period
if short_ma > long_ma:
return "buy"
elif short_ma < long_ma:
return "sell"
else:
return "hold"
# 使用
ma_strategy = MovingAverageStrategy("双均线策略", 100000, 5, 20)
signal = ma_strategy.generate_signal([12.5, 12.6, 12.55, 12.7, 12.65, 12.8, 12.75])
print(f"信号: {signal}")3.5 本章小结
好了，这一章的内容就这些。数据类型是基础，控制流是逻辑，函数是复用，面向对象是架构。这四个东西串起来，你就能写出结构清晰的量化交易代码了。
我个人建议，学完这一章后，马上动手写一个小程序：用字典存股票数据，用函数计算指标，用类封装策略。别光看不练，代码这东西，敲多了自然就熟了。