1. 这节究竟解决什么实际问题？¶
1.3 金融市场基础 的具体任务是：读懂交易所、订单、OHLCV 和资产类别，避免把行情字段当成经济事实。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。
2. 前置知识¶
会使用百分比和基础代数；建议先完成环境配置。 对公式的理解应包括变量定义、单位、时间索引和适用条件。
3. 数据说明¶
示例优先使用仓库固定的日频复权收盘价；它不是实时行情，也不代表完整市场。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。
4. 学习目标与完成标准¶
完成本节后，你应能用自己的话解释 1.3 金融市场基础 的输入、计算步骤、输出和局限；尤其能说明：读懂交易所、订单、OHLCV 和资产类别，避免把行情字段当成经济事实。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。
5. 核心概念与公式¶
价格表示资产在特定时点的水平，收益率表示两个时点之间的相对变化。多数跨资产比较使用收益率。
所有公式都先说明分子、分母、单位与时间尺度；年化前必须确认数据频率。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？
6. 从零实现¶
原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。
7. 成熟库实现¶
NumPy/Pandas 帮你算数和对齐索引；统计库帮你估计参数，但不替你解释经济含义。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。
8. 两种实现的差异¶
从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。
9. 预期结果与检查范围¶
你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“读懂交易所、订单、OHLCV 和资产类别，避免把行情字段当成经济事实。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。
10. 常见错误与诊断¶
把百分比和小数混用、忘记 dropna、把日频波动率直接叫作年化波动率、把相关性当因果。
诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。
11. 研究偏差检查¶
概念演示也要避免事后选择样本或只展示支持结论的时间段。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。
12. 三层练习与答案¶
- 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
- 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
- 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。
题目在 ../exercises/01_financial_concepts/03_market_basics_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/01_financial_concepts/03_market_basics_solutions.ipynb。请先独立作答，再打开答案。
13. 延伸阅读¶
延伸材料：Investments（Bodie, Kane, Marcus）。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。
14. 下一节¶
下一节是 04_probability_and_simulation。本节的概念会成为理解它的输入，而不是孤立的名词。
In [10]:
Copied!
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
In [11]:
Copied!
import matplotlib.pyplot as plt
# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'STHeiti', 'sans-serif']
# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
import matplotlib.pyplot as plt
# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'STHeiti', 'sans-serif']
# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
1. 主要资产类别¶
金融市场里有各种「标的」可以交易。对初学者来说，最常接触的是股票和 ETF；更进阶的是期货和期权。
先知道有哪些选择，以及它们的核心差别：
| 资产 | 通俗理解 | 特点 | 示例 |
|---|---|---|---|
| 股票 (Stock) | 买了公司的一小块所有权 | 高风险高收益，日内可多次交易 | AAPL（苹果）, 贵州茅台 |
| ETF | 一篮子股票打包成一只基金 | 分散化、低费率，比买单只股票风险低 | SPY（标普500）, 510050 |
| 期货 (Futures) | 约定以某价格在未来某天买/卖东西 | 有杠杆（风险倍增）、有到期日、可做空 | ES（标普500期货）, IF |
| 期权 (Options) | 花少量钱买一个「选择权」，但不是义务 | 收益不对称（最多亏权利金），灵活对冲 | SPY Put（看跌期权） |
| 债券 (Bonds) | 借给政府/公司钱，收固定利息 | 风险低，收益稳定，与股票相关性低 | 国债, TLT |
| 外汇 (FX) | 两种货币之间互换 | 24小时交易、流动性极高 | EUR/USD（欧元兑美元） |
| 加密货币 | 去中心化数字资产 | 极高波动率、永不休市（7×24h） | BTC, ETH |
初学者建议： 先从股票和 ETF 开始，规则最清晰、监管最完善。期货和期权有杠杆，搞懂之前不要碰。
In [ ]:
Copied!
import yfinance as yf
import mplfinance as mpf
import pandas as pd
ticker = 'AAPL'
# 下载数据时直接禁用多级索引
df = yf.download(ticker, period='60d', progress=False, multi_level_index=False)
if isinstance(df.columns, pd.MultiIndex):
# 找到包含 'Open', 'High' 等关键词的那一层级
df.columns = df.columns.get_level_values(0 if 'Open' in df.columns.get_level_values(0) else 1)
print("当前列名:", df.columns.tolist())
# 确保索引是日期格式（mplfinance 的硬性要求）
df.index = pd.to_datetime(df.index)
df_plot = df.tail(30)
# （红涨绿跌）
mc = mpf.make_marketcolors(up='red', down='green', edge='inherit', wick='inherit', volume='inherit')
my_style = mpf.make_mpf_style(base_mpf_style='binance', marketcolors=mc)
mpf.plot(df_plot,
type='candle',
style=my_style,
title=f'\n{ticker} Analysis',
ylabel='Price (USD)',
volume=True,
mav=(5, 10),
figsize=(12, 8))
import yfinance as yf
import mplfinance as mpf
import pandas as pd
ticker = 'AAPL'
# 下载数据时直接禁用多级索引
df = yf.download(ticker, period='60d', progress=False, multi_level_index=False)
if isinstance(df.columns, pd.MultiIndex):
# 找到包含 'Open', 'High' 等关键词的那一层级
df.columns = df.columns.get_level_values(0 if 'Open' in df.columns.get_level_values(0) else 1)
print("当前列名:", df.columns.tolist())
# 确保索引是日期格式（mplfinance 的硬性要求）
df.index = pd.to_datetime(df.index)
df_plot = df.tail(30)
# （红涨绿跌）
mc = mpf.make_marketcolors(up='red', down='green', edge='inherit', wick='inherit', volume='inherit')
my_style = mpf.make_mpf_style(base_mpf_style='binance', marketcolors=mc)
mpf.plot(df_plot,
type='candle',
style=my_style,
title=f'\n{ticker} Analysis',
ylabel='Price (USD)',
volume=True,
mav=(5, 10),
figsize=(12, 8))
当前列名: ['Close', 'High', 'Low', 'Open', 'Volume']
In [ ]:
Copied!
# 默认使用固定样本，保证课程与 CI 不依赖实时接口。
USE_OFFLINE_DATA = True
if USE_OFFLINE_DATA:
from pathlib import Path
import sys
docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents]
if (parent / 'utils' / 'offline_data.py').exists())
sys.path.insert(0, str(docs_root))
from utils.offline_data import configure_yfinance_offline
configure_yfinance_offline(yf)
else:
print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')
# 默认使用固定样本，保证课程与 CI 不依赖实时接口。
USE_OFFLINE_DATA = True
if USE_OFFLINE_DATA:
from pathlib import Path
import sys
docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents]
if (parent / 'utils' / 'offline_data.py').exists())
sys.path.insert(0, str(docs_root))
from utils.offline_data import configure_yfinance_offline
configure_yfinance_offline(yf)
else:
print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')
3. 订单类型¶
为什么下单方式很重要？¶
想象你在农贸市场买苹果：
- 市价单（Market Order）：优先立即成交，不指定成交价格；在流动性不足或价格快速变化时可能产生较大滑点
- 限价单（Limit Order）：「老板，苹果 3.5 元/斤我就买，贵了我不买」——价格有保障，但可能买不到（价格没跌到那里）
- 止损单（Stop Order）：价格达到触发条件后转换为市价单或限价单；触发价不等于最终成交价
| 订单类型 | 通俗理解 | 优点 | 缺点 |
|---|---|---|---|
| 市价单 (Market Order) | 按当前可得对手方报价成交 | 提高立即成交概率 | 不保证成交价格或完整成交，高波动时滑点较大 |
| 限价单 (Limit Order) | 「这个价格成交，否则不买」 | 控制价格，不会多付 | 可能等不到，错过交易机会 |
| 止损单 (Stop Order) | 「跌破某价格就触发，马上卖」 | 自动保护，控制最大损失 | 触发后变市价单，极端行情滑点大 |
| 止损限价单 | 止损触发后变限价单 | 结合两者 | 极端行情可能根本无法成交 |
量化交易的实践： 回测时通常用收盘价成交（理想化），实盘时要考虑滑点（Slippage），实际成交价会比预想的差一点。
In [13]:
Copied!
# 模拟交易成本对策略的影响
np.random.seed(42)
n_trades = 200
# 假设每笔交易有 55% 的胜率，盈亏比 1:1
win_rate = 0.55
win_amount = 0.01 # 每次盈利 1%
loss_amount = -0.01 # 每次亏损 1%
outcomes = np.random.choice([win_amount, loss_amount],
size=n_trades, p=[win_rate, 1 - win_rate])
# 不同手续费率
commission_rates = [0, 0.001, 0.002, 0.005]
labels = ['无成本（理想回测）', '0.1%（低佣金）', '0.2%（常见水平）', '0.5%（偏高，会亏钱）']
fig, ax = plt.subplots(figsize=(12, 5))
for rate, label in zip(commission_rates, labels):
net = outcomes - rate # 每笔扣除手续费
cum = (1 + net).cumprod() * 10000
ax.plot(cum, label=label, linewidth=1.5)
ax.axhline(10000, color='gray', linestyle='--', alpha=0.5)
ax.set_title(f'200笔交易 × 胜率{win_rate:.0%} × 盈亏比1:1：交易成本的侵蚀', fontsize=13)
ax.set_xlabel('交易次数')
ax.set_ylabel('资产价值')
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()
print(' 结论：在单笔毛收益不变时，交易次数增加会提高累计手续费。')
print(' 回测应使用与市场、资产和交易规模一致的手续费假设，并报告成本敏感性。')
# 模拟交易成本对策略的影响
np.random.seed(42)
n_trades = 200
# 假设每笔交易有 55% 的胜率，盈亏比 1:1
win_rate = 0.55
win_amount = 0.01 # 每次盈利 1%
loss_amount = -0.01 # 每次亏损 1%
outcomes = np.random.choice([win_amount, loss_amount],
size=n_trades, p=[win_rate, 1 - win_rate])
# 不同手续费率
commission_rates = [0, 0.001, 0.002, 0.005]
labels = ['无成本（理想回测）', '0.1%（低佣金）', '0.2%（常见水平）', '0.5%（偏高，会亏钱）']
fig, ax = plt.subplots(figsize=(12, 5))
for rate, label in zip(commission_rates, labels):
net = outcomes - rate # 每笔扣除手续费
cum = (1 + net).cumprod() * 10000
ax.plot(cum, label=label, linewidth=1.5)
ax.axhline(10000, color='gray', linestyle='--', alpha=0.5)
ax.set_title(f'200笔交易 × 胜率{win_rate:.0%} × 盈亏比1:1：交易成本的侵蚀', fontsize=13)
ax.set_xlabel('交易次数')
ax.set_ylabel('资产价值')
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()
print(' 结论：在单笔毛收益不变时，交易次数增加会提高累计手续费。')
print(' 回测应使用与市场、资产和交易规模一致的手续费假设，并报告成本敏感性。')
结论：在单笔毛收益不变时，交易次数增加会提高累计手续费。 回测应使用与市场、资产和交易规模一致的手续费假设，并报告成本敏感性。
练习¶
- 观察 K 线图中的长上影线和长下影线分别意味着什么样的多空博弈？
- 将上方模拟中的
win_rate改为 0.50，观察不同手续费下的结果。在其他条件不变且期望毛收益为零时，正交易成本会使期望净收益为负。 - 思考：如果一个策略每天交易 10 次，手续费 0.1%，需要多高的日胜率才能覆盖成本？（提示：每天成本 = 10 × 0.2% = 2%，每笔需要净盈利 0.2% 才能回本）
下一模块 → ../02_data/01_data_sources.ipynb
In [ ]:
Copied!
In [ ]:
Copied!