目录

• 逐个计算（慢）
• 批量计算（快）
• 传统写法
• 推导式写法
• 当日短期 > 长期 且 前一日短期 < 长期

一、核心内容总览

1. akshare基础使用

   • 获取股票列表：
     "ak.stock_info_a_code_name()"
   • 获取历史数据：
     "ak.stock_zh_a_hist()"
   • 资金流向数据：
     "ak.stock_individual_fund_flow()"

2. 关键技术点

   • 均线计算：
     "df['close'].rolling(5).mean()"
   • 金叉检测：短期均线上穿长期均线
   • 向量化计算：批量处理替代循环

3. Python特性

   • 字典推导式：
     "{k:v for x in iterable}"
   • 时间处理：
     "datetime"和
     "timedelta"

二、重点问题详解

1. 向量化计算 vs 循环

问题："为什么向量化比循环快？"

解释：

• 传统循环：像收银员逐个扫描商品

  逐个计算（慢）

  for price in prices:
  ma.append(sum(price)/5)

• 向量化：像超市扫码机批量处理

  批量计算（快）

  ma = prices.rolling(5).mean()

本质区别：

• 向量化利用CPU的SIMD指令并行计算
• Pandas底层用C语言优化，避免Python解释器开销

2. 字典推导式

问题："
"{x:x**2 for x in numbers}"怎么理解？"

拆解：

传统写法

result = {}
for x in [1,2,3]:

result[x] = x*x

推导式写法

result = {x: x*x for x in [1,2,3]}

核心逻辑：

• "for x in 列表"：取出每个元素
• "x: x*x"：左边是键，右边是值
• 自动组装成字典

3. 金叉检测逻辑

问题："如何判断均线金叉？"

关键代码：

当日短期 > 长期 且 前一日短期 < 长期

current_cross = (short_ma[-1] > long_ma[-1])

            and (short_ma[-2] < long_ma[-2])

形象比喻：

• 两条均线像两个人赛跑
• 金叉 = 短跑选手从后方超越长跑选手

4. 时间处理

问题："
"timedelta(days=365*3)"什么意思？"

解析：

from datetime import datetime, timedelta

now = datetime.now()
three_years_ago = now - timedelta(days=365*3) # 减去1095天

注意事项：

• 简单计算忽略闰年（实际误差<1%）
• 精确计算可用
  "relativedelta(years=3)"

三、完整知识体系

1. 数据获取层

   • 股票列表 → 个股数据 → 资金流向

2. 技术指标层

   • 均线计算 → 金叉/死叉 → 量价分析

3. 性能优化层

   • 向量化计算 → 批量处理 → 并行计算

4. 可视化层

   • K线绘制 → 指标叠加 → 交互图表

四、待深入方向

1. 高级指标：MACD/KDJ/RSI
2. 量化回测：backtrader框架
3. 实时监控：websocket推送
4. 多因子模型：财务数据结合

需要继续探讨哪个部分？我可以提供更具体的代码示例和理论说明。