深圳融克迪特科技有限公司
RONG CREDIT TECHNOLOGY CO., LTD.
基础入门
本讲围绕一组连续收盘价，使用 for 循环批量计算相邻交易日的简单收益率，并把结果存入列表、格式化输出，帮助新手把手算公式推进成可重复执行的最小自动化流程。
在量化入门里，很多人第一次接触收益率时，都能很快看懂公式，也能手算出两天价格之间的变化幅度。问题在于，只要数据不止两天，手算或者一条条硬写就立刻失去可持续性。这也是为什么 for 循环这一讲特别关键。它标志着你开始从“知道公式是什么”进入“能让程序把同样动作稳定重复下去”的阶段。
这一步非常重要，因为程序真正擅长的事情，从来都不是帮你算一两次，而是把一类重复动作在整组数据上自动执行。收益率正好是最适合练这一点的题材。它公式直观、结果容易核对、而且天然依赖顺序，能帮助你同时练清楚列表遍历和相邻样本关系。只要这一讲走通，后面不管是筛选上涨日、算简单摘要，还是进一步封装函数，都会自然很多。
因此，第 3 讲真正要建立的，不只是会写 for 语法，而是开始具备“遇到一串数据，先想怎么批量处理”的程序化思维。这对后续所有量化小练习都非常关键。
不是所有金融计算都适合拿来练第一次循环。收益率之所以适合作为 Python 批量处理的第一站，有几个非常现实的原因。第一，它只依赖一组按顺序排列的价格，不需要更多复杂输入。第二，它的计算逻辑直观，当前价格和前一天价格一比较就能得到结果。第三，它天生会让你意识到：不是每一个输入点都能直接产生一个输出点，因为第一天没有前一天可比。
这些特点让收益率成为一个非常好的入门练习对象。它既足够简单，不会让你被业务细节压住；又足够真实，能够帮助你形成对顺序、长度和输出结果的基本敏感度。最重要的是，它会让你第一次真正感觉到循环的价值。原本需要反复手工做的动作，现在交给程序以后，输出会自然地连成一串。
入门阶段最怕的是题材过于抽象或者过于复杂。收益率恰好卡在一个很好的位置上：简单到能看懂，又真实到足以支撑后面的更多练习。
写收益率循环时，一个最常见也最关键的细节，就是循环起点为什么不是 0，而是 1。很多初学者会把这当成一条需要记住的写法，但其实它背后有非常清楚的逻辑。收益率依赖“当前价格相对前一天价格”的变化，因此每次计算都必须同时拿到当前值和前一个值。第一个价格本身没有更早的价格作为参照，所以它只能作为基准，不能直接生成收益率。
这层理解很重要，因为它不只是关系到这一讲的正确性，还关系到你以后怎么理解所有“依赖前值”的计算。只要你真的弄明白为什么循环要从第二个元素开始，你就会自然接受一件事：在时间序列里，输出长度有时本来就应该比输入短。收益率如此，很多别的滚动或差分类结果也会如此。
所以，这里不该只是机械记住 range(1, len(prices))，而应该真正看懂：循环起点之所以往后挪，是因为定义本身如此。只要这一层想透了，后面很多类似问题都会轻松很多。
初学者第一次批量算收益率时，很容易在输出条数上产生不适感。比如四个价格，最后只有三个收益率，直觉上会觉得像是“少了一条”。其实这完全正常。因为收益率描述的是相邻两天之间的变化，而不是每个价格点本身的一个独立属性。第一天没有参照日，自然也就没有对应的收益率结果。
这件事值得在这一讲就先讲透，因为它会帮助你建立一个非常重要的结果意识：数据处理里，并不是每个输出都必须和输入一一同长。有些结果本来就是围绕相邻关系、窗口关系或差分关系定义的，所以长度发生变化是合理的，而不是异常。只要你能接受这一点，后面很多看似“长度怎么对不上”的结果就不会再轻易把你绕进去。
因此，第 3 讲里“收益率条数比价格少一条”并不是一个边缘现象，而是本讲最值得先理解的结果特征之一。弄清这个特征，比机械打印出几组结果更重要。
很多人第一次写循环时，习惯在循环体里直接 print() 当前结果，看到能打印出来就觉得任务完成了。这个阶段当然有助于调试，但如果一直停留在边算边打印，后面就很难继续做筛选、统计或复用。真正更像程序处理的方式，是把结果存进一个新的列表里，让后面的步骤能继续使用它。
这也是为什么第 3 讲里要专门强调 returns.append(ret) 这件事。它的意义不只是“保存一下输出”，而是在让你第一次真正形成输入序列经过循环后，产出一个新序列的工作流感。原来的价格列表是输入，新的收益率列表是输出，二者之间通过循环连接起来。这个结构感非常重要，因为后面函数封装、条件筛选、异常处理都会围绕这种“输入一组，输出一组”的关系展开。
只要你开始习惯把循环结果保存在容器里，你写出来的代码就会明显更像一个可继续加工的流程，而不只是一次性输出几行数字。
收益率本身通常是小数，直接打印时看起来往往不够直观。比如 0.0373 这种值，对刚入门的人来说不一定能马上感受到它到底大概意味着什么。把它格式化成百分比输出，例如 3.73%，并不是为了好看，而是在帮助你更快建立对结果量级的直觉。
这种直觉很有价值。因为量化练习里很多数字都需要先过一层“人类可读”的转换，才更容易判断结果是否合理。收益率尤其如此。你一旦开始习惯用百分比读收益，就更容易肉眼发现某个值是正常波动，还是异常大到需要回头检查数据或公式。也就是说，格式化输出其实是在搭一座桥，把程序里的原始数值转成更容易让人判断的表达方式。
对入门阶段来说，这种桥梁非常重要。你不能只让程序算对，还要逐步学会看懂程序算出来的东西。格式化输出正是在帮你完成这一步。
如果只从表面看，第 3 讲像是在教你如何批量算收益率。但更深一层，这一讲真正训练的是“重复动作自动化”。也就是说，你第一次把一类原本需要手工重复的动作，交给程序在整组数据上稳定执行。这种能力才是 Python 在量化练习里最重要的价值之一。
收益率只是一个切入口。你以后无论要批量筛选、批量格式化、批量检查条件，本质上都仍然是在做类似的事：对一串数据执行一套重复逻辑。只要这一讲先把循环的感觉练出来，后面遇到别的批量任务时，你就不再总是想“我该不会又要手算吧”，而会自然开始想“这个动作怎么用循环表达”。
因此，第 3 讲留下来的最重要能力，并不是一个具体 returns 列表，而是你的思维开始从单点计算转向批量处理。这一点对后面所有章节都非常关键。
只要你已经能在主流程里把收益率批量算出来，下一步最自然的动作就是把这段重复逻辑收进函数里。也就是说，第 4 讲的函数封装并不是凭空出现，而是在承接你这一讲已经跑通的循环。与此同时，收益率一旦变成一个列表，后面的条件筛选也就有了基础。你完全可以基于这串结果去判断哪些天是正收益、哪些天是负收益。
这说明第 3 讲其实是整个 Python 入门链里的一个关键支点。前一讲把数据装进容器，这一讲把容器里的数据交给循环，后一讲则把循环封装起来。整条链路是非常顺的。只要这一讲写稳了，后面不仅会更容易理解，也会更容易感觉到代码开始越来越像一个有结构的小程序，而不是一段段零散操作。
所以，不要低估这一讲的分量。它虽然还很基础，却是真正让“程序化处理”开始发生的地方。
第 3 讲最值得确认的一点，是你已经能把单次计算和批量处理这两件事分开。单次计算只关心两个价格之间的变化，而批量处理则要求你能让程序对整串数据重复执行同一个规则，并把所有结果有序收集起来。只要你已经意识到这两件事不是同一个难度层，说明这一讲真正推进了你的思维方式，而不只是多写了一个循环。
这种区分很重要，因为后面的函数封装、筛选和读写都会建立在批量处理已经站稳的前提上。如果这里还停留在“每次手算一个结果”的思路，后面很多代码都会显得别扭。
收益率列表一旦完整生成，它就不该只被看成屏幕上的一串输出，而应该被看成一个真实的中间成果。后面的函数封装会围绕它组织，后面的条件筛选会依赖它，后面的文件读写也可能把类似结果继续保存出去。第 3 讲其实是在帮你第一次建立这种中间成果意识。也就是程序运行之后，留下来的不只是一个瞬间输出，而是一份后面还能继续使用的数据结构。
这层意识对学习编程很重要。因为它会让你不再只是盯着“有没有打印出来”，而开始关心“有没有把结果稳稳留住”。
做到这里以后，最好已经避开一种很常见的误区：把循环理解成“只是为了少写几次同样的公式”。那样的理解太窄了。更准确地说，循环是在帮你把同一条处理规则稳定地施加到一整组样本上。只要这层认识已经立住，你就不会把第 3 讲看成一个纯语法练习，而会把它看成程序化处理真正开始出现的地方。
这层误区越早避开越好。因为后面所有批量处理，几乎都会复用你今天对循环的理解。
如果这一讲已经真正站稳，你通常会进入一种比较清楚的完成状态：你知道输入是一串价格，处理中发生的是逐项重复计算，输出是一串长度略短的新结果，而且这串结果以后还会继续被函数、筛选和文件读写复用。只要这条输入到输出的链路已经能在你脑中顺着讲出来，说明这一讲不再只是“我会写一个 for 循环”，而是“我已经开始理解批量处理到底在做什么”。
这种完成状态很重要，因为它让你后面遇到别的循环任务时，不需要再从零猜结构。你会自然去找输入序列、重复规则和结果容器，这正是编程思路开始稳定的信号。
这一讲的重点，不是单纯记住一个收益率公式，而是让你第一次真正把一串价格交给程序做批量处理。你需要理解为什么循环从第二个元素开始、为什么输出长度会比输入少一条、为什么结果要保存在新列表里，以及为什么格式化输出能帮助你建立对结果的直觉。只要这些层已经理顺，这一讲就真正完成了它的任务。
本讲是《Python量化入门短课》的第 3 讲，当前主题是《for循环：批量计算日收益率》。上一讲已经把价格和日期装进了合适的数据容器，这一讲则第一次真正对这组数据做批量运算。下一讲会顺着这段循环逻辑进入函数封装，让这套收益率计算变成一个可复用的小工具。
风险揭示与免责声明
本页面内容仅用于量化研究与技术交流，旨在展示研究方法与流程，不构成对任何金融产品、证券或衍生品的要约、招揽、推荐或保证。
本文所涉历史数据、回测结果与示例参数不代表未来表现，也不应作为投资决策依据。
市场存在波动、流动性与执行偏差等不确定性，任何策略均可能出现收益波动或阶段性失效。
读者应结合自身风险承受能力进行独立判断，并在必要时咨询持牌专业机构意见。
