当前位置：首页>python>量化投资第十课:用 Python 算股票收益率,新手也能学会!

量化投资第十课:用 Python 算股票收益率,新手也能学会!

2026-10-15 00:10:58

Python 的核心知识点

在前几期课程中，我们建立了量化投资的基本思维框架，并系统梳理了 Python 的核心语法与数据结构。

很多人对“代码”有天然的恐惧，认为那是计算机专业人士的专属领域。

今天，我们要打破这个误区。

本课将带您进入实战阶段。

我们将使用 Python，仅用十几行代码。

帮助我们学习从数据获取、清洗处理、指标计算到可视化绘图的全过程。

这一课不仅仅是教你算一个收益率。

而是要通过这个案例，带你窥探专业量化机构内部运作的完整工作流（Pipeline）。

学会了这个，你就正式跨过了量化投资的门槛。

🏗️ 理解专业的“全流程”思维

在敲下第一行代码之前，我们需要先建立全局观。

我们今天的实战，实际上是在一个微缩模型中跑通了以下六大核心环节：

1. 数据获取（Data Acquisition）：

寻找并接入合法、合规且高质量的金融数据源。

2. 数据清洗（Data Preparation）：

剔除坏数据（如停牌、除权除息影响），统一数据格式。

3. 特征工程（Feature Engineering）：

将原始数据转化为具有预测意义的指标（如收益率、波动率、RSI 等）。

4. 策略构建（Strategy Design）：

制定基于数学逻辑的买卖规则。

5. 回测验证（Backtesting）：

用历史数据检验策略的有效性。

6. 实盘执行（Execution）：将策略部署到交易环境。

本节课，我们将重点攻克前三个环节，并且了解一下这些到底是怎么运行的。

🛠️ 第一步：安装必要工具库

工欲善其事，必先利其器。

量化分析需要依赖强大的工具库。

Python 之所以成为金融界的主流语言，是因为它拥有丰富的第三方“库”（Library）。

本次实战，我们仅需三个核心工具：

Pandas：

用于高效处理表格型金融数据（如日线行情）。其核心对象 DataFrame 支持向量化计算、时间序列操作等。

Tushare：

提供中国 A 股市场的标准化金融数据接口。免费、合规，支持日线、财务、指数等多种数据。

Matplotlib：

生成专业级数据可视化图表。可用于绘制收益率曲线、分布图等。

安装命令（在终端或命令提示符中执行）：

pip install pandas tushare matplotlib

若使用 Anaconda，上述库通常已预装。

💻 第二步：代码实战

接下来，我们将通过一段完整的代码。

实现对贵州茅台（600519.SH）2024 年收益率的计算与分析。

1. 引入工具与 API 配置（数据获取）

import pandas as pdimport tushare as tsimport matplotlib.pyplot as pltts.set_token('你的 Tushare Token')pro = ts.pro_api()

说明：ts.pro_api() 是 Tushare Pro 接口的入口。

Token 是用户身份凭证，需在Tushare 官网注册后获取。

API（Application Programming Interface）是量化交易的标配。

通过 API，我们能直接从云端获取标准化的金融数据，无需手动下载和处理。

这是量化相对于散户的核心优势。

2. 获取与清洗数据

df = pro.daily(ts_code='600519.SH', start_date='20240101', end_date='20241201')df = df.sort_values('trade_date')df['trade_date'] = pd.to_datetime(df['trade_date'])

关键点一：Tushare 返回的数据默认按日期降序排列，必须显式排序为升序，否则收益率计算将出错。

关键点二：日期字段原为字符串（如 '20240101'），需转换为 datetime 类型，以便后续绘图和时间序列操作。

在量化分析中，数据清洗占据了 60% 以上的工作时间。

脏数据是策略失效的元凶。

3. 核心计算：日收益率（特征工程）

df['daily_return'] = df['close'].pct_change()

计算原理：这是量化中最基础的特征工程。

我们需要计算的是简单收益率（Simple Return），公式为：

其中是今天的收盘价，是昨天的收盘价。

技术优势：pct_change() 是 Pandas 提供的向量化函数，自动对序列相邻元素计算百分比变化。

避免手动循环，效率高且不易出错。

注意：首日收益率为 NaN（因无前一日数据），属正常现象。

4. 结果可视化：绘制收益率曲线

plt.rcParams['font.sans-serif'] = ['SimHei']plt.figure(figsize=(12, 6))plt.plot(df['trade_date'], df['daily_return'], label='日收益率')plt.axhline(y=0, color='r', linestyle='--', alpha=0.5)plt.title('贵州茅台2024年日收益率走势')plt.xlabel('交易日期')plt.ylabel('日收益率')plt.legend()plt.grid(True, alpha=0.3)plt.show()

设计原则：专业的图表必须具备可读性。

添加 0 轴参考线（y=0）是行业标准做法。

它清晰地标示了盈亏的分界线，让图表更直观。

5. 关键指标评估

annual_return = df['daily_return'].mean() * 250max_gain = df['daily_return'].max()max_loss = df['daily_return'].min()print(f"2024年贵州茅台年化收益率：{annual_return:.2%}")print(f"最大单日涨幅：{max_gain:.2%}")print(f"最大单日跌幅：{max_loss:.2%}")