2-3 小时预计学习时间
COURSE MAP
本模块学习目录
先搭好稳定、可复现的工作台
开发环境可以理解成自动化策略研究的工作台：代码编辑器负责书写和管理脚本，Python 负责运行程序，依赖库负责数据读取、数值计算和图表展示。
- 代码编辑器：用于管理项目文件，例如 VS Code、PyCharm 或 Jupyter Notebook。
- Python 环境：用于执行策略研究脚本，建议使用稳定版本，便于安装数据处理与回测工具。
- 常用依赖库：Pandas 处理表格数据，NumPy 进行数值计算，Matplotlib 用于基础图表展示。
入门阶段不需要追求复杂配置，只要做到能打开代码文件、能执行 Python 脚本、能导入基础数据处理工具，就已经具备后续学习条件。
完成本部分后 → 进入环境验证流程 ↓
用最小程序确认环境真的可用
工具安装完成后，先不要急着写规则。很多新手遇到的报错并不是规则逻辑问题，而是路径、版本、依赖库或数据文件位置没有配置好。
- 检查 Python 是否安装成功。
- 确认编辑器能执行 Python 文件。
- 确认 Pandas、NumPy 等基础库能正常导入。
- 尝试读取一小段表格数据，并输出简单结果。
- 检查输出文件或日志是否能保存到指定位置。
如果测试失败，优先检查文件路径、库是否安装、Python 版本、文件名拼写以及数据文件位置。先排除环境问题，后续才更容易定位规则逻辑问题。
完成本部分后 → 进入项目文件结构 ↓
把数据、代码、配置和结果分开放
一个自动化策略研究项目通常不止一个脚本。随着内容变多，如果所有文件混在一起，数据、规则逻辑、历史验证结果和配置会很快失控。
- 数据文件：保存历史行情、指标数据或测试数据。
- 规则文件：保存规则、条件判断和信号生成逻辑。
- 历史验证文件：把策略规则放入历史数据中测试并记录结果。
- 配置文件：保存周期、参数、风险边界和数据路径。
- 结果文件：保存图表、日志、信号记录和输出报告。
结构清楚，排查问题就更快：数据异常先查数据文件，信号不对先查规则文件，结果异常先查历史验证和配置。
完成本部分后 → 进入最小化研究脚本检查 ↓
验证从输入到输出的完整流程
环境和文件结构就绪后，就可以检查一个最小规则示例。重点不是复杂代码，而是理解自动化策略研究如何按固定顺序处理数据。
- 读取数据：打开历史行情或示例表格。
- 计算指标：例如均线、结果指标或波动范围。
- 判断条件：例如指标是否处于预设范围。
- 记录信号：条件满足时写入结果表。
- 输出结果：保存表格、图表或日志。
自动化策略研究并不是“自动形成可靠结论”的工具，它本质上是按预设规则处理数据并输出可检查的研究结果。
恭喜完成模块一，可继续学习策略规则定义 ↑
METHOD
建议学习方式
逐步跟做
用截图和简短说明展示关键操作，适合完全没有经验的学习者照着完成配置。
先看整体流程
通过视频理解安装、测试和执行的完整顺序，卡住时再回看对应步骤。
完成本地验证
在自己的电脑上完成最小示例验证，记录报错和解决过程，为后续模块打基础。
仅用于教育与策略研究演示
本模块内容仅帮助理解开发环境和程序执行流程，不构成金融产品建议、个人化金融建议或任何操作建议。任何历史数据示例和程序输出都不代表未来表现，后续观察条件仍可能受到成本、延迟、数据异常和人为判断影响。
了解课程安排 →教育内容 · 不构成个性化操作建议