miku@cachyos:~/Code/python-learning$ omp teach week13-time-series-basics --fish-first --step-by-step

source520 行教学文档

weekWeek 13

shellfish-first 命令版

backlink20 周计划

Week 13：时间序列基础、收益率与滚动统计

返回总计划：USTC 统计 + AI / 量化 20 周成长计划

本周目标不是马上预测股价，而是先学会把价格序列变成可以分析的时间序列数据：收益率、滚动均值、滚动波动率、自相关、平稳性直觉，以及最基础的画图检查。

本文命令默认使用 fish shell。如果你正在 CachyOS 的终端里跟做，虚拟环境激活命令必须使用 fish 版本：

ompfish

source .venv/bin/activate.fish

不要把 Bash / Zsh 的激活脚本直接拿到 fish 里执行。

0. 本周详细教学：语法、规范、验收

本节不是追加在尾部的复习，而是本周正文的入口。先读这里，再做后面的命令和项目。

0.1 本周真正要学会什么

维度	要求
知识点	return、rolling、autocorrelation、时间索引
代码语法	能从空文件写出本周核心脚本，而不是只复制运行
程序规范	函数拆分、路径清楚、输入输出明确、错误能解释
交付物	`notebooks/week13_time_series_intro.ipynb`
验收方式	从 fish 终端运行命令，得到可复查的文件或指标

0.2 代码语法精讲

下面的代码不是最终答案，而是本周必须理解的最小骨架：

omppython

df = df.sort_values("date")
df["ret"] = df["close"].pct_change()
df["log_ret"] = np.log(df["close"]).diff()
df["vol_20"] = df["ret"].rolling(20).std()
df["mom_20"] = df["close"].pct_change(20)
print(df.tail())

读代码时按四步检查：输入从哪里来；中间变量的类型和 shape 是什么；函数或脚本输出什么；哪些错误应该显式报出来。

0.3 本周程序规范

所有路径用相对路径或 `pathlib.Path`，不要写死 `/home/miku/...`。
核心逻辑进 `src/`，notebook 只做探索和解释。
每个脚本能从 fish 终端运行，并在 README 写出命令。
输出必须落盘到 `reports/`、`figures/` 或 `outputs/`，不能只在屏幕上看。

0.4 本周练习分层

层级	任务	不合格表现	合格验收
最小练习	手写上面的最小骨架	只在 notebook 里运行	终端运行成功
标准练习	把逻辑拆成函数/模块	一个大脚本从头写到尾	至少 2 个函数，职责清楚
项目练习	生成本周交付物 `notebooks/week13_time_series_intro.ipynb`	只有屏幕输出	文件落盘，可复查
复盘练习	写 3 个错误和修复	只写“已解决”	写清报错、原因、修复、预防

0.5 本周和主线的连接

回到总计划：USTC AI / Quant 练习手册
查详细练习索引：技术练习详解
查质量评分：最终质量门槛

1. 本周学习目标

完成本周后，你应该能回答这些问题：

为什么量化里通常分析收益率，而不是直接分析价格？
简单收益率和对数收益率有什么区别？
rolling mean / rolling volatility 在看什么？
什么叫“时间序列不平稳”，为什么金融价格经常不适合直接建模？
如何用图和几个简单统计量检查一条序列？

本周交付物建议为：

ompprompt

week13-time-series-basics/
├── data/
│   └── prices.csv
├── figures/
│   ├── price_and_returns.png
│   ├── rolling_stats.png
│   └── autocorrelation.png
├── notebooks/
│   └── week13_time_series_intro.ipynb
├── reports/
│   └── week13_time_series_notes.md
├── src/
│   └── week13_time_series_basics.py
├── pyproject.toml
└── README.md

如果你还不熟悉 notebook，可以先用 src/week13_time_series_basics.py 写脚本；等脚本跑通后，再把关键图和解释整理到 notebook 或报告里。

2. 前置条件

你需要已经具备：

CachyOS / Arch 系 Linux 的基本终端操作。
VS Code 能打开项目目录。
uv 已安装。
Python 虚拟环境能正常创建和激活。
已经学过 pandas、numpy、matplotlib 的基础用法。
能理解均值、方差、标准差、相关系数这些统计概念。

先进入统一学习目录：

ompfish

mkdir -p ~/Code/ustc-stat-ai-quant
cd ~/Code/ustc-stat-ai-quant

解释：

命令	含义
`mkdir -p`	创建目录；目录已存在时不报错
`~/Code/ustc-stat-ai-quant`	建议保存 20 周项目的总目录
`cd`	进入该目录，后续命令都在这里执行

3. 创建 Week 13 项目

ompfish

mkdir week13-time-series-basics
cd week13-time-series-basics
uv init
uv venv
source .venv/bin/activate.fish
uv add pandas numpy matplotlib statsmodels jupyter ipykernel
mkdir -p data src notebooks reports figures
code .

逐句解释：

命令	作用
`mkdir week13-time-series-basics`	为本周单独建项目，不和其它周混在一起
`uv init`	生成 `pyproject.toml`、`README.md` 等项目文件
`uv venv`	创建当前项目专用的 `.venv`
`source .venv/bin/activate.fish`	在 fish shell 中激活虚拟环境
`uv add ...`	安装数据分析、画图、时间序列相关依赖
`mkdir -p ...`	创建数据、代码、报告、图片目录
`code .`	用 VS Code 打开当前项目

检查 Python 是否来自当前项目：

ompfish

which python
python --version
python -c "import pandas as pd; import numpy as np; import matplotlib; print('ok')"

如果 which python 的输出包含 .venv/bin/python，说明环境正确。

4. 准备一份练习价格数据

真实市场数据可以以后再接入。本周先生成一份模拟价格数据，重点练概念和代码流程。

在 VS Code 中创建 src/make_sample_prices.py，写入下面代码：

omppython

from pathlib import Path
import numpy as np
import pandas as pd
rng = np.random.default_rng(42)
dates = pd.bdate_range(“2023-01-02”, periods=260)
模拟日对数收益：小正漂移 + 随机波动 + 少数冲击日
log_returns = rng.normal(loc=0.0004, scale=0.012, size=len(dates))
shock_idx = rng.choice(len(dates), size=6, replace=False)
log_returns[shock_idx] += rng.normal(loc=-0.025, scale=0.02, size=len(shock_idx))
price = 100 * np.exp(np.cumsum(log_returns))
out = pd.DataFrame({“date”: dates, “close”: price})
Path(“data”).mkdir(exist_ok=True)
out.to_csv(“data/prices.csv”, index=False)
print(out.head())
print(“saved to data/prices.csv”)

运行：

ompfish

python src/make_sample_prices.py

检查文件：

ompfish

python -c "import pandas as pd; df = pd.read_csv('data/prices.csv'); print(df.head()); print(df.tail())"

这里使用的是模拟数据，所以不能拿结论解释真实市场。它的作用是让你安全地练习时间序列处理。

5. 读取价格并设置时间索引

创建 src/week13_time_series_basics.py，先写入读取部分：

omppython

from pathlib import Path
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from statsmodels.graphics.tsaplots import plot_acf
FIGURE_DIR = Path(“figures”)
FIGURE_DIR.mkdir(exist_ok=True)
prices = pd.read_csv(“data/prices.csv”, parse_dates=[“date”])
prices = prices.sort_values(“date”).set_index(“date”)
print(prices.head())
print(prices.info())

运行：

ompfish

python src/week13_time_series_basics.py

解释：

parse_dates=["date"]：把日期列解析成真正的时间类型。
sort_values("date")：时间序列必须按时间排序。
set_index("date")：把日期设为索引，后面 rolling 和画图更自然。

时间序列第一条规则：先确认时间顺序，再做任何统计。

6. 价格、简单收益率、对数收益率

在脚本中继续加入：

omppython

prices["simple_return"] = prices["close"].pct_change()
prices["log_return"] = np.log(prices["close"]).diff()
print(prices[[“close”, “simple_return”, “log_return”]].head(10))
print(prices[[“simple_return”, “log_return”]].describe())

运行：

ompfish

python src/week13_time_series_basics.py

概念解释：

名称	公式直觉	常见用途
简单收益率	今天价格相对昨天涨跌百分比	回测中计算资产组合收益很直观
对数收益率	价格取对数后做差	数学上可加，时间序列建模时常用

为什么不用价格直接建模？

价格经常有趋势，均值随时间变化。
价格尺度随时间变大，波动范围也可能变化。
很多模型默认数据围绕稳定均值波动，价格往往不满足。
收益率更接近“每天的相对变化”，通常比价格更适合做统计分析。

注意：第一天没有前一天价格，所以收益率是缺失值。这是正常现象，不要强行填 0。

7. 画价格和收益率

继续加入画图代码：

omppython

fig, axes = plt.subplots(2, 1, figsize=(10, 7), sharex=True)
prices[“close”].plot(ax=axes[0], title=“Simulated Close Price”)
axes[0].set_ylabel(“price”)
prices[“simple_return”].plot(ax=axes[1], title=“Daily Simple Return”)
axes[1].axhline(0, color=“black”, linewidth=1)
axes[1].set_ylabel(“return”)
fig.tight_layout()
fig.savefig(FIGURE_DIR / “price_and_returns.png”, dpi=150)
plt.close(fig)

运行并查看图片：

ompfish

python src/week13_time_series_basics.py
xdg-open figures/price_and_returns.png

看图时不要只问“涨了吗”，要问：

价格是否有明显趋势？
收益率是否围绕 0 上下波动？
是否有异常大的正收益或负收益？
波动是否集中在某些时间段？

金融数据经常不是“均匀随机噪声”，而是会出现波动聚集：一段时间很平静，另一段时间连续剧烈波动。

8. rolling mean 与 rolling volatility

继续加入：

omppython

window = 20
prices["rolling_mean_20"] = prices["simple_return"].rolling(window).mean()
prices["rolling_vol_20"] = prices["simple_return"].rolling(window).std()
fig, axes = plt.subplots(2, 1, figsize=(10, 7), sharex=True)
prices[“rolling_mean_20”].plot(ax=axes[0], title=“20-Day Rolling Mean of Returns”)
axes[0].axhline(0, color=“black”, linewidth=1)
axes[0].set_ylabel(“mean”)
prices[“rolling_vol_20”].plot(ax=axes[1], title=“20-Day Rolling Volatility of Returns”)
axes[1].set_ylabel(“volatility”)
fig.tight_layout()
fig.savefig(FIGURE_DIR / “rolling_stats.png”, dpi=150)
plt.close(fig)
print(prices[[“simple_return”, “rolling_mean_20”, “rolling_vol_20”]].tail())

运行：

ompfish

python src/week13_time_series_basics.py
xdg-open figures/rolling_stats.png

解释：

rolling(20).mean()：每一天都看过去 20 个交易日的平均收益。
rolling(20).std()：每一天都看过去 20 个交易日的波动率。
前 19 天没有足够窗口，所以结果是缺失值，这是合理的。

量化里 rolling 指标非常重要，因为策略在某一天做决策时，只能使用这一天之前已经发生的数据。以后做回测时，要特别检查 rolling 特征有没有偷看未来。

9. 平稳性直觉

你不需要本周就精通严谨的单位根检验，但必须先建立直觉。

粗略地说，一条平稳序列应该满足：

ompprompt

均值大致稳定
波动范围大致稳定
自相关结构大致稳定
没有明显长期趋势

价格通常不像平稳序列：

ompprompt

价格可能长期上升或下降
价格水平改变后，均值不再稳定
价格的绝对尺度会影响波动大小

收益率通常更接近平稳，但也不完美：

ompprompt

收益率均值更接近稳定
收益率仍可能有波动聚集
极端事件会破坏简单模型假设

在脚本里加入一个简单比较：

omppython

first_half = prices.iloc[: len(prices) // 2]
second_half = prices.iloc[len(prices) // 2 :]
summary = pd.DataFrame(
{
“price_first_half”: first_half[“close”].describe(),
“price_second_half”: second_half[“close”].describe(),
“return_first_half”: first_half[“simple_return”].describe(),
“return_second_half”: second_half[“simple_return”].describe(),
}
)
print(summary)

运行：

ompfish

python src/week13_time_series_basics.py

观察重点：价格两段的均值可能差很多；收益率两段的均值通常更接近，但标准差仍可能变化。

10. 自相关：今天和过去有关吗

自相关回答的是：今天的收益率是否和前几天的收益率有关系。

继续加入：

omppython

returns = prices["simple_return"].dropna()
print(“lag 1 autocorrelation:”, returns.autocorr(lag=1))
print(“lag 5 autocorrelation:”, returns.autocorr(lag=5))
print(“lag 20 autocorrelation:”, returns.autocorr(lag=20))
fig = plot_acf(returns, lags=30)
fig.set_size_inches(10, 5)
fig.tight_layout()
fig.savefig(FIGURE_DIR / “autocorrelation.png”, dpi=150)
plt.close(fig)

运行：

ompfish

python src/week13_time_series_basics.py
xdg-open figures/autocorrelation.png

解释：

如果 lag 1 自相关明显为正，可能表示短期动量。
如果 lag 1 自相关明显为负，可能表示短期反转。
如果大部分自相关接近 0，说明简单线性关系很弱。

不要看到一点点相关就兴奋。金融时间序列噪声很大，样本外稳定性比样本内漂亮图更重要。

11. 整理报告

创建 reports/week13_time_series_notes.md，建议包含：

ompprompt

# Week 13 Time Series Notes
Data

数据来源：模拟价格数据
时间范围：2023 年 260 个工作日

What I computed

close price
simple return
log return
20-day rolling mean
20-day rolling volatility
autocorrelation

Observations

价格是否有趋势？
收益率是否围绕 0 波动？
rolling volatility 是否有明显变化？
自相关是否明显？

Stationarity intuition

为什么价格更不平稳？
为什么收益率更适合建模？

Questions

如果换成真实股票或指数，结果会怎样？

用 VS Code 创建和编辑报告：

ompfish

code reports/week13_time_series_notes.md

12. 文件布局检查

运行：

ompfish

pwd
ls
ls data src reports figures

理想结果类似：

ompprompt

week13-time-series-basics/
data  figures  notebooks  pyproject.toml  README.md  reports  src

你最终至少应有：

ompprompt

data/prices.csv
src/make_sample_prices.py
src/week13_time_series_basics.py
figures/price_and_returns.png
figures/rolling_stats.png
figures/autocorrelation.png
reports/week13_time_series_notes.md

13. 练习

把 rolling window 从 20 改成 5、60，比较图像差异。
分别计算简单收益率和对数收益率的均值、标准差、最小值、最大值。
找出收益率绝对值最大的 5 天，检查这些天在价格图上是否明显。
把模拟数据的随机种子从 42 改成 7，再生成一次，观察结论是否稳定。
用 pandas.Series.skew() 和 pandas.Series.kurt() 查看收益率的偏度和峰度。
试着下载一个真实指数或 ETF 的日线数据，再重复同样分析，并在报告中说明数据来源。

14. 验收检查

在项目根目录执行：

ompfish

source .venv/bin/activate.fish
python src/make_sample_prices.py
python src/week13_time_series_basics.py
python -c "from pathlib import Path; required = ['data/prices.csv', 'figures/price_and_returns.png', 'figures/rolling_stats.png', 'figures/autocorrelation.png', 'reports/week13_time_series_notes.md']; missing = [p for p in required if not Path(p).exists()]; print('missing:', missing); raise SystemExit(1 if missing else 0)"

通过标准：

命令能顺利运行。
figures/ 下有三张图片。
报告能解释价格和收益率的差异。
你能口头说明为什么时间序列不能随便随机打乱。

15. 常见错误

错误 1：fish 中激活环境失败

错误原因通常是用了 Bash / Zsh 的激活脚本。

fish 应使用：

ompfish

source .venv/bin/activate.fish

错误 2：收益率第一行是空值

这是正常的，因为第一天没有前一天价格。不要为了“看起来整齐”把它随便改成 0。

错误 3：rolling 前几行是空值

rolling(20) 需要至少 20 个观测值。前 19 行没有完整窗口，所以是缺失值。

错误 4：图保存失败

先确认 figures/ 存在：

ompfish

mkdir -p figures

脚本里也建议写：

omppython

Path("figures").mkdir(exist_ok=True)

错误 5：把价格图看成策略收益

价格上涨不代表策略有效。策略必须明确什么时候买、什么时候卖、交易成本多少、样本外是否有效。这些将在 Week 15 和 Week 16 继续做。

16. 下一步

进入 Week 14：时间序列验证、rolling window 与数据泄露检查。下一周重点不是模型多高级，而是避免把未来信息泄露给过去。

plain