下午两点，私募研究台。你拉到一份 510300.SH（沪深300 ETF）近 10 个 SSE 交易日的分钟 bar，存储里的时间戳是 UTC，列只有 price（这一分钟末的成交价）与 volume（这一分钟的成交股数）。任务很短：把它降到日 bar，算每天的简单收益（simple return）与 5 日年化滚动波动（rolling annualized volatility），再切出 '2024-Q1' 那一段做 sanity check。L3 教完之后你能 group、能 merge、能 reshape，但 date 此刻还只是 groupby 的一个键——量化数据天生是时间序列，这一课把时间这条轴本身装进 Pandas 的语义里。
DatetimeIndex 与单调性
第一步是让 Pandas 知道索引是时间戳。CSV 入口在 L2 已经走过（parse_dates=['date'], index_col='date'）；DataFrame 已经在内存里时，规范化三步：
df['date'] = pd.to_datetime(df['date'])
df = df.set_index('date').sort_index()
assert df.index.is_monotonic_increasing
sort_index() 不是装饰，是 非可选 步骤——.loc 部分字符串切片、resample、rolling 在非单调（non-monotonic）索引上要么悄悄出错、要么直接抛 KeyError。is_monotonic_increasing 这一行 assert 是你在管道入口处的护栏；踩到一次乱序数据就在源头报错，比下游 PnL 出鬼影再倒查省半天。
部分字符串切片
DatetimeIndex 给 .loc 加了一份普通索引没有的能力——按字符串切出整段：
q1 = df.loc['2024-Q1']
jan = df.loc['2024-01']
'2024' 是整年；'2024-Q1' 是一季度（1、2、3 月）；'2024-01' 是 1 月；df.loc['2024-01-15':'2024-01-31'] 两端都含——和 L1 的 .loc 行为一致。落到 A 股语境里要补一脚：上面切出来的是日历日，但 SSE 的春节假期（典型为 1 月末或 2 月初连休 7 个交易日，具体随农历）天然是非交易日的空档。L5 跑前向填充（forward fill）时，千万别越过春节假期把节前最后一个 close 灌进节后第一天的格子里。
交易日历一瞥
pd.bdate_range(start, end) 给的是工作日（weekdays），BDay offset 是底层积木：
trading = pd.bdate_range('2024-01-01', '2024-03-31')
但 BDay 只识别周六周日，不识别交易所节假日。要对齐 SSE / SZSE 的真实日历（春节、清明、劳动节、端午、中秋、国庆），工程实践里用 pandas_market_calendars 这种第三方库，再喂给 pd.tseries.offsets.CustomBusinessDay(calendar=...)。
resample：改频率
df.resample('1D') 的心智模型是「按日历日做 groupby」。频率字符串记一把常用：'1min'、'5min'、'1H'、'1D'、'1W'、'1M'（calendar-month end）、'BME'（business-month end）、'1Q'、'1A'。
承重的决策不在频率字符串，而在每一列要喂什么聚合器（aggregator）。规则跟着列的语义走：价格列要当天 最后 一笔（'last'）；成交量要 求和（'sum'）；利率或收益率这种噪声列默认 均值（'mean'）；要 OHLC 摘要就 .ohlc()。把分钟 bar 降到日 bar 的标准写法：
daily = df.resample('1D').agg({'price': 'last', 'volume': 'sum'})
反向的 up-sample（resample('1min').asfreq() 把日序列展成每分钟）在量化里是个 警告信号——通常说明建模口径错了，而不是日常操作。两个小细节同样承重：第一，resample('1D') 的桶边界落在午夜（midnight），所以贴时区前后切出来的「这一天」可能完全不是同一段时刻；先 tz-convert 再 resample 是绕开这个坑的标准顺序。第二，closed='right' 与 label='right' 这两个参数决定每个桶包含左端还是右端、用哪一端做标签——对于带 09:30 开盘、15:00 收盘的 SSE 分钟 bar，默认行为通常够用；只有当你把 1 分钟 bar 升到 5 分钟、并要严格对齐分钟开盘价时才需要显式指定。
rolling：滑动统计
df.rolling(window=21) 返回一个 Rolling 对象，惰性持有窗口定义；聚合器落上去才真算。最常见的一组：
ma_21 = daily['close'].rolling(window=21, min_periods=21).mean()
vol_21d = daily['return'].rolling(window=21, min_periods=21).std() * np.sqrt(252)
min_periods 是承重参数。默认 min_periods=window，所以这里写 21 是显式但冗余；写出来是让契约（contract）声音够响——失败模式是 min_periods=1 在前 20 个交易日悄悄用 3 天窗口算出一个看起来像 21 日波动的数。np.sqrt(252) 是年化因子（annualization factor），把日波动放成年化波动；252 是按美式 252 个交易日的惯例，A 股稍微差几天，这一行写明假设。
成对滚动协方差与相关性是横截面工具：df.rolling(window=63).cov() 与 .corr() 返回一个 (date, ticker) 双层索引的长格式表，列是 ticker——本质是按日期切片的成对协方差矩阵。expanding(min_periods=...) 是「从序列起点一路扩展到当前」的版本，适合累积口径。rolling(window).apply(my_func, raw=True) 只在没有现成向量化聚合器时才用，raw=True 比 raw=False 快很多（一个传 ndarray、一个传 Series）。
shift：滞后与未来
df['close'].shift(1) 把昨天的 close 对齐到今天的索引——做日收益、做滞后特征（lag feature）、把均线穿越信号 T-1 化都靠它：
daily['return'] = daily['price'] / daily['price'].shift(1) - 1
shift(-1) 则把明天的 close 对齐到今天的索引——也就是 未来 信息漏进了今天的特征行，在 back-test 里就是教科书定义的前视偏差（look-ahead bias）。一句你应当背下来的规则：df.shift(-1) aligns tomorrow with today; it is a research tool for realised forward returns, never a signal tool in a back-test because it uses future information.（研究里可以用 shift(-1) 算实现的未来收益给信号打分；信号生成路径里绝不能出现它。）
asfreq(freq) 是补充工具——只改频率不改值，原索引没有的时间槽填 NaN。daily.asfreq('B') 把索引 re-index 到工作日，把你以前看不见的缺日暴露出来。
时区：盘内对齐的承重课
字符串列建出的 DatetimeIndex 默认是 朴素的（naive，无时区）。纯日频数据 naive 没问题；盘内（intraday） 数据 naive 就是 bug——把美东 16:00 收盘和上海 15:00 收盘按「同一日历日」对齐，悄悄拉错 12 个小时。配方：内部一律存 UTC，需要给人看时再 convert 到展示时区。
df.index = df.index.tz_localize('UTC').tz_convert('Asia/Shanghai')
tz_localize 把朴素索引贴上时区标签（在 已知 是 UTC 时这么用是对的）；tz_convert 做小时换算。夏令时（DST）切换那两天每年会产出两个含糊的本地时刻，严格写法是 tz_localize('US/Eastern', ambiguous='raise') 在不确定时直接报错——A 股没有 DST 这点比纽约省心，但跨美中 join 时这个坑是你的。
端到端串一遍
把今天的零件按顺序串起来：
df['date'] = pd.to_datetime(df['date'])
df = df.set_index('date').sort_index()
df.index = df.index.tz_localize('UTC').tz_convert('Asia/Shanghai')
daily = df.resample('1D').agg({'price': 'last', 'volume': 'sum'})
daily['return'] = daily['price'] / daily['price'].shift(1) - 1
vol_5d = daily['return'].rolling(window=5, min_periods=5).std() * np.sqrt(252)
q1 = daily.loc['2024-Q1']
七行：拿到时间戳、单调化、贴时区、降日 bar、算简单收益、滚动年化波动、切季度。这就是 L4 的全部承重肌肉。
下一课接力
你现在能 group、能 merge、能 reshape，还能在时间轴上 resample、rolling、shift 与 tz-convert。下一课把这一套零件焊成一个完整的向量化金融数据管道：读 Parquet 篮子的日 close，清掉假日与孤立缺失，算简单与对数收益，算 21 日年化波动与 63 日滚动 Sharpe，算累积净值与最大回撤，接申万行业表算行业平均 Sharpe，最后把 tear-sheet 写回 Parquet——全程零 Python for 循环。
练习
Exercise
给定一个分钟 bar 的 pd.DataFrame df，索引是 UTC 时区下的 DatetimeIndex，列为 price（这一分钟末的成交价）与 volume（这一分钟的成交股数）。请写 Pandas 代码，返回一个日 pd.DataFrame：索引为 本地交易所日期；列为 close（每天最后一笔 price）、volume（当日 volume 之和）、ret_1d（日简单收益 close / close.shift(1) - 1）。要求用上 tz_convert、resample('1D')、agg、shift；约束：no Python for loop（不允许任何 Python for 循环）。
提示
tz_convert('Asia/Shanghai') 转到本地时区，再 resample('1D').agg({'price': 'last', 'volume': 'sum'}) 拿到日 bar。提示
price 列重命名为 close，再用 daily['close'] / daily['close'].shift(1) - 1 写到 daily['ret_1d']。