滚动平均线默认右对齐，金融场景需左对齐（用shift(1)）或居中（center=true）；rsi计算须设ewm(alpha=1/14, adjust=false)；复权价慎用ffill，优先limit=1或业务标识插值；groupby后应直接链式调用rolling等向量化方法而非apply。
用 rolling() 计算移动平均线时，窗口对齐方式容易出错
默认 rolling(window=5) 是右对齐（即当前行包含自身及前4个值），但金融场景常需左对齐或居中——比如计算“过去5日均价”应不含当日，否则会引入未来信息。解决方法是配合 shift() 或设置 center=True。
- 右对齐（默认）：
df['ma5'] = df['close'].rolling(5).mean()—— 第5行才开始有值 - 左对齐（不含当前）：
df['ma5_lag'] = df['close'].rolling(5).mean().shift(1) - 居中对齐（第3行为中心）：
df['ma5_center'] = df['close'].rolling(5, center=True).mean()—— 首尾两行是NaN
注意：shift(1) 后首5行全为 NaN，回测时若未过滤会导致信号误发。
计算RSI时，ewm() 和手动实现的衰减系数不一致
RSI依赖14日平均涨跌幅，标准做法是用指数加权（Wilders平滑），等价于 alpha=1/14 的 ewm()，但 Pandas 默认 adjust=True 会引入偏差。必须显式设 adjust=False 才与TradingView等平台一致。
- 正确写法：
gain.ewm(alpha=1/14, adjust=False).mean() - 错误写法：
gain.ewm(span=14)—— 默认adjust=True，初始权重分配不同 - 验证点：对纯上涨序列
[1,1,1,...]，第14期 Wilders 均值应为1；用adjust=True会略小于1
处理复权价格时，fillna(method='ffill') 可能掩盖除权缺口
从接口拉取的前复权价本身已连续，但若混用后复权+前复权数据，或自行拼接历史数据，ffill() 会把除权日的跳空直接抹平，导致收益率计算失真。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 先检查是否有真实缺失：
df['price'].isna().sum()，再决定是否填充 - 若确需填充且知悉是除权日，优先用
limit=1控制最多前向填充1行：df['price'].fillna(method='ffill', limit=1) - 更安全的做法：用业务标识列（如
ex_date）定位除权日，单独插值或保持NaN
一个典型坑：用 ffill() 处理月线数据时，若某月无交易，填充会跨月拉平，使月收益率恒为0。
groupby().apply() 在多股票指标计算中性能断崖下降
对千只股票逐个算MACD，用 df.groupby('symbol').apply(lambda x: calc_macd(x)) 看似简洁，但Python层循环+重复索引开销极大。Pandas原生向量化操作（如 rolling()、diff()）在分组后仍有效，应优先利用。
- 高效写法：先排序
df.sort_values(['symbol', 'date'], inplace=True)，再用groupby('symbol')['close'].rolling(12).ema()—— Pandas 1.4+ 支持分组后滚动 - 避免 apply + 自定义函数，除非逻辑无法向量化（如动态窗口长度）
- 内存敏感时，用
chunksize分批读取CSV，而非一次性 load 全量再 groupby
真正卡住的往往不是公式本身，而是没意识到 rolling() 在 groupby 下也能批量并行计算——这点文档里藏得深，但实测提速5倍以上。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
