4、Python量化工具栈：Pandas数据处理、NumPy数值计算、Matplotlib/Plotly可视化、Backtrader回测框架入门

做量化投资，说白了就是跟数据打交道。你想想看，没有趁手的工具，再好的策略也跑不起来。这一章，我带你过一遍Python量化必备的四个工具库。它们就像厨师的刀、砧板、锅和火候——缺一不可。

4.1 Pandas：数据处理的瑞士军刀

Pandas是我用得最多的库，没有之一。做量化的人，每天跟DataFrame打交道的时间比跟女朋友还长。我个人习惯用read_csv加载行情数据，然后用groupby做截面分析。

举个例子，筛选碳中和主题股票，第一步就是加载数据：

import pandas as pd

# 加载沪深300成分股日线数据
df = pd.read_csv('hs300_daily.csv', parse_dates=['date'])
df.set_index('date', inplace=True)

# 筛选碳中和相关行业（电力设备、环保、新能源）
carbon_neutral = df[df['industry'].isin(['电力设备', '环保', '新能源'])]
print(carbon_neutral.shape)

Pandas里还有几个高频操作，我列出来你记一下：

• 滚动计算：.rolling(window=20).mean() 算20日均线
• 缺失值处理：.fillna(method='ffill') 用前值填充
• 数据对齐：不同频率的数据自动按索引对齐
• 透视表：.pivot_table() 做因子分析时特别好用

4.2 NumPy：数值计算的发动机

NumPy是Pandas的底层引擎。你想想看，Pandas的DataFrame里每个单元格，本质上都是NumPy的数组。做量化时，NumPy最常用的场景是矩阵运算和随机数生成。

比如计算投资组合的协方差矩阵：

import numpy as np

# 假设有5只股票的收益率数据
returns = np.array([[0.02, -0.01, 0.03, 0.01, -0.02],
                    [0.01, 0.02, -0.01, 0.03, 0.01],
                    ...])

cov_matrix = np.cov(returns, rowvar=False)
print('协方差矩阵形状:', cov_matrix.shape)

NumPy的几个核心功能：

功能	函数	量化场景
数组创建	np.array(), np.zeros()	初始化持仓矩阵
统计计算	np.mean(), np.std()	计算收益率均值、波动率
线性代数	np.linalg.inv()	求解最优权重
随机数	np.random.randn()	蒙特卡洛模拟

4.3 Matplotlib/Plotly：让数据说话

做量化的人，最怕的就是「数据对了，但看不出规律」。可视化就是帮你发现规律的。我个人习惯用Matplotlib做静态图表，用Plotly做交互式图表。

先看Matplotlib画K线图：

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# 假设df是包含OHLC数据的DataFrame
fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(df.index, df['close'], label='收盘价', color='#2196F3')
ax.fill_between(df.index, df['close'], df['ma20'], 
                where=df['close'] > df['ma20'], 
                color='green', alpha=0.3, label='多头区域')
ax.legend()
plt.title('碳中和指数走势')
plt.show()

Plotly的优势在于交互。你可以缩放、悬停看数值、切换时间范围。我建议你学一下Plotly Express，几行代码就能画出漂亮的交互图：

import plotly.express as px

fig = px.line(df, x=df.index, y='close', title='碳中和板块走势')
fig.show()

4.4 Backtrader：回测框架的入门首选

Backtrader是我用过最顺手的回测框架。它设计得很巧妙——把策略、数据、交易逻辑完全解耦。你只需要写一个策略类，剩下的交给框架处理。

一个最简单的双均线策略：

import backtrader as bt

class SmaCross(bt.Strategy):
    params = (('pfast', 10), ('pslow', 30),)
    
    def __init__(self):
        sma_fast = bt.indicators.SMA(period=self.params.pfast)
        sma_slow = bt.indicators.SMA(period=self.params.pslow)
        self.crossover = bt.indicators.CrossOver(sma_fast, sma_slow)
    
    def next(self):
        if not self.position:
            if self.crossover > 0:
                self.buy()
        elif self.crossover < 0:
            self.sell()

# 运行回测
cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
cerebro.run()

Backtrader的几个核心概念：

• Data Feed：数据源，支持Pandas DataFrame直接传入
• Strategy：策略逻辑，核心是__init__和next方法
• Indicator：内置了上百种技术指标，也可以自定义
• Analyzer：分析器，用来计算夏普比率、最大回撤等
• Observer：观察者，实时监控交易状态

嗯，这四个工具学完，你就能搭建一套完整的量化分析流水线了。从数据清洗到策略回测，全部用Python搞定。下一章我们开始实战——用Pandas筛选碳中和主题股票池。