你打开一张 K 线图。红红绿绿的柱子，上面叠着几条均线，下面是成交量，再下面是 MACD。
你知道这些东西都有名字，也大概听说过「金叉买、死叉卖」「放量突破」「顶背离」。但如果有人追问：这根均线具体是怎么算出来的？它比价格慢了几根 K 线？「放量」放到多少才算？「突破」之后你买多少、止损放在哪、什么时候卖？这条规则过去五年到底赚没赚钱？
大多数人答不上来。不是因为这些问题太难，而是很少有人把它们按顺序讲清楚。
这门课就做这件事。
每个工具，都走三步#
课里会讲到几十个工具：K 线、趋势线、支撑阻力、均线、MACD、RSI、ATR、布林带、各种形态、订单类型、仓位公式、回测方法。它们每一个都按同样的三步来学：
先会用：从业者拿它做什么，常用参数是什么，在什么市场环境下用。
再会算：用 Python 亲手实现一遍，和成熟的库对账，直到结果一模一样。算过一遍，你就知道它的滞后从哪来、参数改了会怎样。
最后会验：在真实的历史数据上统计。一个漂亮的例子不算数，几百次出现之后的结果才算数。
三步缺一步都不行。只会用不会算，工具就是黑箱，出了问题不知道为什么；会算不会验，就分不清一个规律是真的，还是碰巧在你看的那几张图上成立。
课程结构#
| 部分 |
篇 |
回答的问题 |
| 一、地基 |
1–5 |
价格图记录了什么？钱从谁的口袋里来？数据可靠吗？需要哪些统计基础？ |
| 二、读懂价格行为 |
6–11 |
不借助任何指标，怎么从 K 线和成交量里读出趋势、关键位置和市场状态？ |
| 三、技术指标 |
12–15 |
均线、MACD、RSI、ATR 这些指标到底在算什么？各自适合什么场景？ |
| 四、形态 |
16–18 |
K 线形态、图表形态、道氏理论和斐波那契，怎么从「看起来像」变成可以写成代码的规则？ |
| 五、从信号到交易 |
19–26 |
有了信号之后，交易什么、什么时候交易、怎么下单、止损怎么执行、仓位多大？ |
| 六、检验 |
27–30 |
怎么写一个没有偏差的回测？怎么判断一条策略是真的有效？ |
| 七、策略原型 |
31–32 |
趋势跟随和均值回归这两类基本策略，收益结构有什么不同？ |
| 八、实盘 |
33–35 |
从回测走到实盘要经过哪几步？连亏的时候怎么判断？ |
前五部分是工具，第六部分是检验工具的方法，后两部分是把工具组装起来用。第六部分是全课的分水岭：前面学过的每个工具，最后都要拿到那里接受检验。
贯穿全课的三条线#
三个固定标的#
| 标的 |
为什么选它 |
| SPY |
追踪标普 500 的 ETF，美股流动性最好的品种，作为美股大盘的代表 |
| AAPL |
苹果公司股票。它拆过两次股（2014 年 1 拆 7、2020 年 1 拆 4），每季度分红，每季度发财报，是讲美股个股数据问题的好例子 |
| BTC |
比特币。24 小时不停交易，没有「收盘」；有永续合约，持仓量和资金费率这些数据公开可查 |
同一个工具放到这三个标的上，结果常常不一样。为什么不一样，本身就是很多篇的重点。
一个你亲手搭起来的工具库#
第 3 篇会建一个叫 talab 的 Python 项目，一开始是空的。之后几乎每一篇都往里加一个模块：数据下载和检查、K 线绘图、摆动点识别、指标、形态扫描、止损和仓位计算、回测引擎、报告生成。
学完全课，你手里就有一套完整的分析和回测工具，每一行代码都是你自己写的，每一个结果你都知道是怎么来的。
一条慢慢长大的策略#
第 12 篇会从最简单的规则开始：均线金叉买入，死叉卖出。
之后每学一部分，就给它补上一样东西：止损、时段过滤、完整的入场和出场规则、仓位管理。到了第六部分，它要经历完整的检验：回测、偏差排查、加入交易成本、样本外测试。检验结果是什么样，正文就写什么样。
最后一篇回头看，一句「金叉买入」是怎么一步步变成一套可以被检验、可以执行的交易系统的。
每一篇怎么读#
每一篇的结构基本相同：
- 先做一个决定。开头给你一段真实的历史行情，图只画到某一根 K 线为止，问你：现在怎么办？先把你的判断记下来，再往下读。后面的走势会在正文里揭晓。
- 弄清它是什么。先用一个生活里的例子建立直觉，再讲机制，最后才给出准确的定义。
- 算一个具体的例子。每一步都算出具体的数字：具体的价格、具体的股数。
- 动手实现。写代码，加进
talab。
- 看数据怎么说。在三个标的的全部历史上统计。
- 小检查和常见误用。
- 小结和练习。
⚠️ 第一步很容易被跳过，但它很重要。看完结果再回头看图，一切都显得很明显；而你在真实交易里面对的永远是「图只画到这里」。先做决定，才能知道自己在那一刻真正会怎么想。
代码与数据#
- 语言：Python 3，主要用 pandas 和 numpy。需要会一点 Python 基础语法，不需要交易经验。
- 加密数据：来自 Binance 公开的历史数据站，免费，不需要注册。
- 美股数据：日线数据，下载未经调整的原始价格，再根据拆股和分红记录自己计算调整后的价格，保证结果可以复现。
- 环境搭建：第 3、4 篇会一步步讲，包括怎么下载数据、怎么检查数据有没有问题。
正文里的每一段代码都在真实数据上运行过，贴出来的输出就是实际的运行结果。关键结果旁边会附上「复现指纹」，比如数据的行数、收盘价之和。你跑出来的数字和正文对得上，就说明数据完全一致。
从哪里开始#
从第 1 篇：一张价格图到底记录了什么开始，按顺序往下读。
如果你已经熟悉 K 线和常见指标，也建议至少读完第一部分（第 1–5 篇）再跳着读：交易对手、数据陷阱和统计基础这三块，后面每一篇都会用到。
一根放量大阳线，看起来像「有人在大量买入」。可每一笔成交都是一买一卖，买的量永远等于卖的量。这一篇从 2021 年 2 月 8 日 BTC 的一根 1 小时 K 线讲起：价格为什么会动（挂单的人和吃单的人）、为什么主动买入多也可能收阴线（BTC 全部历史里 42% 的上涨日主动买入不到一半）、为什么同一分钟里现货和合约的最低价差了 1312 美元、技术分析的三个前提分别在什么条件下成立、三种分析方法各回答什么问题，以及为什么同一个方法换一个时间尺度就是另一回事（2025 年 BTC 的 1 分钟 K 线有 92% 不够付一次往返手续费）。
你在支撑位挂的买单成交了。是谁卖给你的？他为什么愿意在你觉得便宜的价格卖？这一篇从 2025 年 10 月 10 日 BTC 的暴跌讲起：交易为什么是零和、成本为什么把它变成负和（零优势的交易者每年往返 500 次，光成本就亏掉 39%）；想交易的人和必须交易的人有什么区别；五类被迫交易者各自在什么时候、什么位置出现，以及它们在数据上留下的痕迹（两小时内持仓量减少 21%、特斯拉纳入标普 500 当天成交量是平时的 4.5 倍、跌破前一天低点的那一分钟成交量是平时的 9 倍）；为什么被迫交易集中的地方更可能出现可预期的价格行为；最后给出分析一笔交易对手盘结构的四个问题。
两个平台上，AAPL 2020 年 8 月的最高价一个是 515.14，一个是 131.00。哪个对？这一篇讲清楚你拿到的价格数据经历过什么：K 线的每个字段是怎么来的；拆股和分红调整分别在做什么、各自什么时候该用（错用拆股前的价格，回测会看到一天暴跌 74%）；为什么「调整后的价格」每次下载都不一样；盘后公告如何变成第二天的跳空；BTC 的日线按 UTC 切和按北京时间切，28.8% 的日子阴阳相反；同一分钟里 Binance 和 Coinbase 的最低价差 5,000 美元。最后用真实数据做体检：SPY 数据里一个 9,999,999 的假成交量，BTC 1 分钟数据里 21,602 根时间戳错位的 K 线、34 段缺口、交易所停机时留下的占位 K 线。附 talab.data 模块的完整代码。
在 BTC 的算术坐标图上，2025 年那次下跌看起来比 2018 年那次严重得多；实际上 2018 年跌了 84.1%，2025 年跌了 54.2%。这一篇先把 talab 搭成一个完整的项目：虚拟环境、依赖版本、一键下载全部课程数据并核对复现指纹、15 个测试。然后讲清楚一根 K 线是怎么变成屏幕上的像素的：先不用任何绘图库，手写一段代码生成 SVG 画出 K 线，再写出之后每一篇都要用的 talab.plot。最后讲对数坐标和算术坐标：为什么同一条趋势线，在算术坐标下 2026 年 4 月 13 日就被突破，在对数坐标下要到 4 月 22 日；为什么算术坐标下的下降趋势线，会在 2026 年 12 月 26 日跌到零。
2022 年 6 月 12 日收盘，按 BTC 过去一年的波动率和正态分布计算，单日跌 15% 大约 208 年才会发生一次。第二天它就跌了 15.4%，而在这之前的五年里，这种事已经发生过四次。这一篇讲清楚交易里最基础的几个统计量：简单收益率和对数收益率各自什么时候用，为什么日均收益率 0.15% 复利下来不是 143 倍而是 18 倍，波动率为什么按时间的平方根放大，收益率分布的尾巴到底有多肥、从哪里来，自相关在统计上意味着什么（以及为什么三个标的的「显著」负自相关几乎全部来自 2020 年），为什么价格不平稳而收益率近似平稳。最后写出 talab.stats 模块和它的测试。
两根 BTC 日线，把开盘价记为 100 之后，最高、最低、收盘三个价格相差不到 0.1。一根之后 10 天涨了 6.3%，另一根之后 10 天跌了 16.3%。这一篇讲清楚一根 K 线是怎么由成千上万笔成交压缩出来的：合成规则，以及用 1 分钟线合成日线时为什么有 43 天和官方数据对不上；实体和影线，以及为什么 SPY 有 20.2% 的日子 K 线颜色和当天涨跌相反；K 线丢掉的路径信息，以及它让日线回测里的止损止盈结果在 −819% 到 +745% 之间摇摆；Heikin-Ashi 为什么能让一个策略在回测里从 32 倍变成 13 万倍；Renko 去掉时间轴之后得到了什么、失去了什么。最后写出 talab.bars 模块。
2025 年 10 月 30 日，BTC 周线收在 20 周均线上方，4 小时线却跌破了过去 7 天的最低价。你手里有多单，该听周线的还是听 4 小时线的？这一篇讲清楚不同周期之间的关系：一根周线怎么由日线和 4 小时线合成，pandas 默认的周线为什么标在周日；为什么周线在 20 周均线上方时，有 46% 的时间 4 小时线在均线下方；周线向上时 4 小时破位之后发生了什么；Elder 三重滤网是什么，一个简化版本在 BTC 和 SPY 上能不能检验出效果。最后是多周期回测里最常见的前视偏差：把周线对齐到日线时错用一行代码，同一个规则的回测会从 7 倍变成 374 倍。
2024 年 10 月 16 日，你说 BTC 是上升趋势，朋友说是震荡。这一篇把「趋势」写成能计算的定义：用高点和低点描述趋势，用分形和 ZigZag 两种算法找出摆动点；讲清楚最后一个摆动点为什么会重绘，按摆动点「发生」的时间回测为什么会得到 46 亿倍；把高低点结构变成上升、震荡、下降三种状态，看同一天在 5%、10%、20% 三个尺度下为什么分别是上升、震荡、下降；用打乱检验看这些状态之后的 20 天有没有不同；说明趋势线有多少种画法；最后讲效率比、回归斜率和 ADX 三种趋势强度，以及它们在随机数据里会给出什么结果。
2026 年 6 月 3 日，BTC 第四次回到 65,000 附近，前三次都守住了。这一次呢？这一篇讲清楚支撑和阻力从哪里来：前高前低、整数关口、成交密集区和止损单；用 BTC 的数据验证整数关口的订单痕迹（日线最高价、最低价正好落在千位整数上的比例，是普通价格的 13 到 14 倍）；把「一个价位被测试、守住、突破、角色互换」写成可以统计的规则，和打乱顺序的随机数据对比，看测试次数越多是变强还是变弱；看假跌破和跌破深度、成交量的关系；最后讲缺口的四种类型、美股隔夜跳空的回补，以及用 1 分钟数据按 CME 交易时间自己算出来的 439 个 BTC「CME 缺口」：96.6% 后来回补了，但开盘价另一侧同样距离的价位，被碰到的比例是 98.4%。
2025 年 12 月 17 日美股开盘后，BTC 一个小时急涨 2.3%，下一个小时全部跌回，放出当天最大的成交量，收在当日 VWAP 下方。这一篇讲清楚成交量到底记录了什么：为什么「放量」不等于「买的人多」；成交量数据的五个坑（单位、交易所的零手续费活动、现货和合约、刷量、美股场外成交）；量价的四种组合、放量突破、缩量回调和天量，在 BTC、SPY、AAPL 上的数据怎么说；VWAP 为什么是机构执行的基准，怎样用 1 分钟数据精确计算；锚定 VWAP 和 Volume Profile 是什么，前一天成交最密集的价格（POC）第二天被碰到的比例，比对照价格高出多少。