金融量化入门：Pandas 时间序列处理与技术指标实战（含金叉死叉 / 均线策略）

目录

一、基础准备：数据与环境

1.1 环境安装

1.2 数据获取示例（Tushare）

二、核心操作 1：时间序列数据预处理

2.1 列类型转换（字符串→时间格式）

2.2 数据移位：shift () 实现 “前后对比”

三、核心操作 2：时间序列重采样（resample）

3.1 常用频率编码表（量化必背）

3.2 重采样实战：筛选买卖点日期

四、核心操作 3：滑动窗口与均线计算（rolling）

4.1 均线计算实战

4.2 窗口计算扩展

五、实战案例：均线金叉死叉策略实现

5.1 信号逻辑定义

5.2 代码实现与结果验证

5.3 结果可视化（直观验证）

六、总结与扩展

扩展方向

在金融量化分析中，时间序列数据处理是核心基础 —— 无论是股票 K 线、期货合约还是加密货币行情，所有策略逻辑的实现都依赖于对数据的高效清洗、转换与指标计算。本文基于 Pandas 库，从数据预处理到技术指标落地，手把手讲解量化分析中的关键操作，最终通过 “均线金叉死叉” 案例展示策略逻辑的实现，适合量化入门者与数据分析师参考。

一、基础准备：数据与环境

在开始前，需确保环境已安装核心库。金融数据常用 Tushare（A 股）、Yahoo Finance（美股）或聚宽 API 获取，本文以股票日度数据为例（含date、open、close、high、low等字段）。

1.1 环境安装

# 安装核心库
pip install pandas numpy matplotlib tushare  # tushare用于获取A股数据

1.2 数据获取示例（Tushare）

import pandas as pd
import tushare as ts

# 设置Tushare token（需注册账号获取：https://tushare.pro/）
ts.set_token("你的Tushare Token")
pro = ts.pro_api()

# 获取贵州茅台（600519.SH）2020-2024年日度数据
df = pro.daily(ts_code="600519.SH", start_date="20200101", end_date="20240531")
print("原始数据结构：")
print(df.head())

原始数据中，date字段为字符串格式（如20200102），无法直接用于时间序列分析，需先进行类型转换与索引设置。

二、核心操作 1：时间序列数据预处理

时间序列的核心是 “时间有序性”，因此第一步必须确保数据按时间排序，并将时间字段设为索引 —— 这是后续重采样、滑动窗口计算的前提。

2.1 列类型转换（字符串→时间格式）

Pandas 的to_datetime()可将字符串格式的日期转换为datetime64类型，支持多种格式（如20200102、2020-01-02）。

# 1. 转换日期格式：字符串→datetime
df["date"] = pd.to_datetime(df["date"])  # 自动识别"20200102"为2020-01-02

# 2. 按日期升序排序（避免数据乱序）
df = df.sort_values("date").reset_index(drop=True)

# 3. 设置date为索引（方便后续按时间筛选、重采样）
df.set_index("date", inplace=True)  # inplace=True：直接修改原DataFrame

print("处理后的数据结构：")
print(df.head())
print("索引类型：", df.index.dtype)  # 输出：datetime64[ns]

2.2 数据移位：shift () 实现 “前后对比”

在量化分析中，经常需要对比 “当前值” 与 “前 N 期值”（如当日开盘价与昨日收盘价的差值），shift()方法可实现数据的上移 / 下移。

实战示例：筛选 “开盘价较昨日收盘价下跌≥2%” 的日期

# 计算：(当日开盘价 - 昨日收盘价) / 昨日收盘价 ≤ -2%
# shift(1)：获取昨日收盘价（close列下移1行）
price_drop_condition = (df["open"] - df["close"].shift(1)) / df["close"].shift(1) <= -0.02

# 筛选满足条件的日期索引
drop_dates = df[price_drop_condition].index
print("开盘价较昨日收盘价下跌≥2%的日期：")
print(drop_dates[:10])  # 输出前10个日期

三、核心操作 2：时间序列重采样（resample）

高频数据（如分钟级）往往噪声较多，需通过重采样转换为低频数据（如日度、周度），或按业务需求生成周期性报表（如月度第一个交易日、年度最后一个交易日）。

Pandas 的resample()方法支持灵活的频率设置，核心逻辑是：按指定频率分组，对组内数据聚合（如取首值、尾值、均值）。

3.1 常用频率编码表（量化必背）

3.2 重采样实战：筛选买卖点日期

在量化策略中，常需按 “月度第一个交易日买入”“年度最后一个交易日卖出” 的逻辑设置买卖点，resample()+ 聚合函数可高效实现。

# 假设用"收盘价"作为信号列，筛选买卖点日期
con = df["close"]  # 信号列（实际可替换为策略信号，如均线交叉）

# 1. 买入点：每月第一个工作日（BMS）的第一个数据（即当日收盘价）
buy_dates = con.resample("BMS").first()
print("月度买入日期及收盘价：")
print(buy_dates.head())

# 2. 卖出点：每年最后一个工作日（BA）的最后一个数据，排除最后一年（避免未结束周期）
sell_dates = con.resample("BA").last()[:-1]
print("\n年度卖出日期及收盘价：")
print(sell_dates.head())

四、核心操作 3：滑动窗口与均线计算（rolling）

技术分析中，移动平均线（MA） 是最基础的指标（如 MA5、MA30），其本质是 “固定窗口内数据的均值”。Pandas 的rolling()方法可快速实现滑动窗口计算，支持均值、求和、最大值等聚合操作。

4.1 均线计算实战

# 1. 计算5日均线（MA5）：窗口大小=5，聚合函数=均值
df["MA5"] = df["close"].rolling(window=5).mean()

# 2. 计算30日均线（MA30）：窗口大小=30，聚合函数=均值
df["MA30"] = df["close"].rolling(window=30).mean()

# 3. 查看结果（前35行，MA30需30个数据才会有值，前29行为NaN）
print("收盘价与均线数据：")
print(df[["close", "MA5", "MA30"]].head(35))

4.2 窗口计算扩展

除均值外，rolling()还支持多种聚合函数，满足不同分析需求：

# 1. 5日最高价（窗口内最大值）
df["MA5_high"] = df["high"].rolling(5).max()

# 2. 30日成交量总和（窗口内求和）
df["MA30_volume"] = df["vol"].rolling(30).sum()

# 3. 5日收盘价标准差（窗口内波动率）
df["MA5_std"] = df["close"].rolling(5).std()

五、实战案例：均线金叉死叉策略实现

“金叉” 与 “死叉” 是均线策略的核心信号：

• 金叉：短期均线上穿长期均线（如 MA5 从下向上穿过 MA30），视为买入信号；
• 死叉：短期均线下穿长期均线（如 MA5 从上向下穿过 MA30），视为卖出信号。

5.1 信号逻辑定义

基于 MA5 与 MA30 的位置关系，定义两个中间条件，再通过 “前后对比” 筛选出交叉点：

1. s1：MA5 < MA30（短期均线在长期均线下方）；
2. s2：MA5 > MA30（短期均线在长期均线上方）；
3. 死叉：当日s1为 True，且前一日s2为 True（MA5 从上方下穿 MA30）；
4. 金叉：当日s2为 True，且前一日s1为 True（MA5 从下方上穿 MA30）。

5.2 代码实现与结果验证

# 1. 确保MA5和MA30已计算（参考第四章）
# 2. 定义中间条件
df["s1"] = df["MA5"] < df["MA30"]  # MA5在MA30下方
df["s2"] = df["MA5"] > df["MA30"]  # MA5在MA30上方

# 3. 计算死叉信号（当日s1=True，前一日s2=True）
df["death_cross"] = df["s1"] & df["s2"].shift(1)

# 4. 计算金叉信号（当日s2=True，前一日s1=True）
df["gold_cross"] = df["s2"] & df["s1"].shift(1)

# 5. 筛选金叉和死叉日期
gold_dates = df[df["gold_cross"]].index
death_dates = df[df["death_cross"]].index

print("2023年以来的金叉日期：")
print(gold_dates[gold_dates >= "2023-01-01"])

print("\n2023年以来的死叉日期：")
print(death_dates[death_dates >= "2023-01-01"])

5.3 结果可视化（直观验证）

通过 Matplotlib 绘制收盘价、均线及交叉点，直观查看策略信号：

import matplotlib.pyplot as plt

# 设置中文字体（避免乱码）
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 选取2023年数据绘图
plot_data = df.loc["2023-01-01":"2023-12-31"]

# 创建画布
fig, ax = plt.subplots(figsize=(12, 6))

# 绘制收盘价、MA5、MA30
ax.plot(plot_data.index, plot_data["close"], label="收盘价", color="blue", alpha=0.6)
ax.plot(plot_data.index, plot_data["MA5"], label="MA5", color="red", linewidth=2)
ax.plot(plot_data.index, plot_data["MA30"], label="MA30", color="green", linewidth=2)

# 标记金叉（绿色上三角）和死叉（红色下三角）
gold_points = plot_data[plot_data["gold_cross"]]
death_points = plot_data[plot_data["death_cross"]]
ax.scatter(gold_points.index, gold_points["close"], marker="^", color="green", s=100, label="金叉")
ax.scatter(death_points.index, death_points["close"], marker="v", color="red", s=100, label="死叉")

# 设置图表属性
ax.set_title("2023年贵州茅台收盘价与均线金叉死叉", fontsize=14)
ax.set_xlabel("日期", fontsize=12)
ax.set_ylabel("价格（元）", fontsize=12)
ax.legend()
plt.xticks(rotation=45)
plt.tight_layout()

# 保存图片
plt.savefig("gold_death_cross_2023.png", dpi=300)
plt.show()

运行代码后，会生成包含 “收盘价、MA5、MA30、金叉、死叉” 的可视化图，可直观看到策略信号的触发时机。

六、总结与扩展

本文从 Pandas 基础操作出发，覆盖了金融量化的核心数据处理流程：

1. 数据预处理：日期类型转换、索引设置、数据移位；
2. 重采样：按业务需求生成周期性数据（如月度买入点）；
3. 滑动窗口：计算均线等技术指标；
4. 策略实现：基于均线的金叉死叉信号筛选。

扩展方向

• 策略优化：加入成交量、MACD 等其他指标，避免单一均线信号的误判；
• 回测框架：结合Backtrader或VectorBT，对金叉死叉策略进行回测（计算收益率、最大回撤等）；
• 高频策略：将日度数据替换为分钟级数据，利用resample("5min")实现高频策略逻辑。