1) 必备 Python 基础（够用即可）
- 基本语法：函数、作用域、模块导入、列表/字典/集合、推导式
- 面向对象：
class的基本用法（用于策略/回测框架组织代码） - 文件与路径：
pathlib、读写csv/parquet - 虚拟环境与依赖：
conda/venv、pip、requirements.txt - 调试与日志：
print→logging，会用断点调试（VSCode/PyCharm）
2) 数据分析核心（量化最常用）
NumPy（数值计算）
ndarray、广播 broadcasting、布尔索引- 向量化计算（避免 Python for 循环）
- 线性代数基础：
dot、矩阵乘、协方差/相关
pandas（金融时间序列必备）
你需要熟练：
DataFrame/Series、索引（尤其是 DatetimeIndex）- 清洗：缺失值、异常值、去重、类型转换
groupby（按股票/行业分组算指标）merge/join（把价格、财务、行业、状态合并）shift/rolling/expanding（做动量、均值回归、波动率等）resample（日/周/月频转换）- MultiIndex（经常用于
date × code的面板数据） - 性能：避免逐行
apply；学会用向量化/groupby.transform
3) 统计与建模（量化“研究层”常用）
- scipy / statsmodels
- 回归（OLS）、t 检验、ADF（平稳性）、相关/协整（看策略方向）
- scikit-learn（可选但很有用）
- 标准化、线性模型、交叉验证
- 重点不是深度学习，而是：pipeline、train/test、避免数据泄漏
4) 回测实现你需要掌握的编程点（非常关键）
- 事件/时间驱动思维：每天一个 bar，更新持仓、现金、净值
- 撮合与成交假设：t 信号、t+1 成交（A股 T+1），滑点、手续费、涨跌停/停牌处理
- 组合与风控：
- 权重归一、仓位上限、单票上限
- 换手率计算与限制
- 绩效评估：
- 年化、最大回撤、夏普、信息比率、超额收益、回撤区间定位
（这些更多是“用 Python 写出来”的能力，不是某个库自动帮你解决。）
5) 数据获取与存储（A股很实用）
- HTTP/API：
requests（调用 TuShare 等） - 存储格式：
parquet（强烈推荐，速度/体积都好：pyarrow/fastparquet）hdf5（也常见）
- 数据库（资金量/数据大时再上）：
- SQLite/PostgreSQL 的基本增删查改（可后置）
6) 可视化与报告
matplotlib/seaborn- 会画：净值曲线、回撤曲线、收益分布、月度收益热力图、持仓行业暴露
7) 工程化（做久了必须补）
- 代码结构：把“数据层/因子层/策略层/回测层/评估层”拆开
- 单元测试：
pytest（至少测试：收益计算、撮合规则、费用模型） - 性能优化（按需）：
numba（加速循环）- 并行：
joblib/multiprocessing