Python量化编程

这是「Python量化编程」专题的学习路径：从"为什么学 Python"到"能独立写策略工程"，按顺序列出站内全部材料。跟着序号走，不要跳。

一句话结论

阶段	做什么	站内入口
起步（1-2 周）	装环境、学 Numpy/Pandas 核心语法	01 为什么学 Python → Numpy/Pandas
进阶（1-2 月）	高效编码、数据处理、可视化	chap06 高效编码 → 可视化系列
实战（持续）	工程规范：单测、版本管理、文档	chap08/10 → 真实项目

一、起步：环境 + Numpy/Pandas

01 为什么要学 Python讲清了"量化为什么选 Python"（生态，不是语言本身）。然后：

1. 02 编程开发环境——把虚拟环境、编辑器一次配好，别在环境上反复横跳
2. Numpy/Pandas 20 篇系列——核心语法 + 应用案例，这是本站最完整的免费教程，没有之一
3. 高效 Numpy 编程——Mask Array、find_runs 这类"提速 10 倍"的小技巧，学完立刻能用

这个阶段的目标：看到任何数据处理需求，第一反应是"向量化怎么做"，而不是"for 循环怎么写"。

二、进阶：写得快，更要写得对

• 06 高效编码——10 倍速的习惯：profile 先行、向量化优先、缓存中间结果
• 可视化系列——matplotlib 布局、Dash 做网页、Q-Q 图怎么做统计推断（为什么 Q-Q 图可用）
• 量化策略的缩放与归一化——和数据标准化避坑一起看，预处理错了后面全错

这个阶段的目标：代码能复现——同样的脚本，换台机器、隔三个月，还能跑出同样的结果。

三、实战：工程规范（区分"会写"和"能用"）

• 08 代码版本管理——不用 git 的量化代码，等于没写
• 单测与持续集成——策略代码的单测写法（chap02 顺带覆盖）
• 10 撰写技术文档——写给三个月后的自己

四、延伸阅读

• Numpy/Pandas 20 篇全系列——本专题核心
• Dash：用 Python 也能做网页——给策略做个看板
• 复权问题——数据工程绕不开的一课

学 Python 最大的坑是"一直在入门"。按上面的序号走完，你就毕业了——剩下的在实战里学。