今天分享一个Python量化策略加速的小技巧，不用修改原有代码，只需在原有代码里新增2行，策略执行速度便可能提高20+倍，正文开始~

现如今，无论是入门量化投资，还是做数据分析、机器学习和深度学习，Python成为了首选编程语言，直观的原因就是容易上手和资源丰富，但Python有个根深蒂固的标签，那就是“开发快，执行慢”，特别是执行for循环和大规模科学计算，速度很是“感人”。
小孩子才做选择，成年人全都要，那有没有可能既有开发效率，也有执行速度呢？
当然可以，现在安排！
那先来假设一个这样的场景，策略在不断接收实时Tick数据，或者是在回测当中模拟实际的数据接收，每进来一个新数据，就重新计算一次布林带（Bollinger Band）。
选择使用布林带作为例子是因为它在股票、期货、外汇和Coin量化中都被经常使用，它由三条线组成，一般这三条线从上至下被称为上轨、中轨、下轨，一般情况下，计算方式如下：
上轨 = MA20 + 2×STD
中轨 = MA20
下轨 = MA20 + 2×STD
其中，MA20是长度为20的均线，STD是与均线同长数据序列的标准差，“20”是默认的常用均线长度，人为可调。
假设有100万个数据点（random模块生成100万个随机数），取10次执行时间的平均值作为耗时结果，来看看不利用任何第三方库实现时的执行耗时。
测试环境如下：
处理器: Intel(R) Core(TM) i7-7700HQ @ 2.80GHz
内存：8G
操作系统：Windows10
importtimeimportrandom# 随机生成100万个数据点data = [random.randint(1, 100) for i in range(1000000)]# 循环次数iter_times = 10 # 计算布林带，返回上中下轨数据defboll(data, periods=20):up_line = [] # 上轨mid_line = [] # 中轨down_line = [] # 下轨clip = data[:periods] #缓存接收到的数据，控制与periods等长 # 模拟实盘不断接收到新数据fornew_tick in data[periods:]: # 剔除旧数据点，纳入新数据点，与periods等长clip.pop(0)clip.append(new_tick) # 计算均值v_sum = 0fortick in clip:v_sum+= tickv_mean = v_sum / periods # 计算标准差v_sum_std = 0fortick in clip:v_sum_std+= (tick - v_mean)**2v_std = (v_sum_std / periods)**0.5up_line.append(v_mean+2*v_std)mid_line.append(v_mean)down_line.append(v_mean-2*v_std)returnup_line,mid_line,down_line# 记录测试开始时点start_time = time.time()fori in range(iter_times):up_line,mid_line,down_line = boll(data, periods=20)# 记录测试结束时点end_time = time.time()comsued_time = (end_time - start_time) / iter_timesprint('布林带boll计算平均耗时：%s秒'%comsued_time)
输出结果：
布林带boll计算平均耗时：8.128175449371337秒
这个耗时结果看上去还行，因为这个策略本身任务量也不大，但执行执行速度可不可以更快，耗时可不可以被压缩到1秒内呢？
答案是肯定的，这就要引入量化萌新的Python加速神器——Numba，它是Anaconda公司推出的针对Python的即时（Just-in-time，JIT）编译器，当你调用函数的时候，可以将全部或部分代码转换为“即时”执行的机器码，以本地机器码的速度运行。
简单来说，你不用理会复杂的实现技术，只需要导入这个库，在你的舒适区范围内，就能对函数代码进行优化，将执行速度明显提高。
Numba库只需要“pip install numba”就可以直接安装上了，实现加速只需要在原始代码上加入2行代码，第一句就是导入Numba库：from numba import jit，第二句就是在函数前使用Numba的装饰器：@jit(nopython=True)。
Numba编译有两种模式——object模式和nopython模式。
object模式表示JIT解析器无法理解/加速/优化该代码内容，编译后代码执行速度跟原生Python一样慢，还可能更慢。
nopython模式表示强制不进入object模型，生成更快的机器码，若无法编译成功则会抛出异常。
from numba import jit@jit(nopython=True)defboll_fast(data, periods=20): up_line = [] # 上轨 mid_line = [] # 中轨 down_line = [] # 下轨 clip = data[:periods] #缓存接收到的数据，控制与periods等长# 模拟实盘不断接收到新数据for new_tick in data[periods:]:# 剔除旧数据点，纳入新数据点，与periods等长 clip.pop(0) clip.append(new_tick)# 计算均值 v_sum = 0for tick in clip: v_sum += tick v_mean = v_sum / periods# 计算标准差 v_sum_std = 0for tick in clip: v_sum_std += (tick - v_mean)**2 v_std = (v_sum_std / periods)**0.5 up_line.append(v_mean+2*v_std) mid_line.append(v_mean) down_line.append(v_mean-2*v_std)return up_line,mid_line,down_line
输出结果：
布林带boll_fast计算平均耗时：0.3585397005081177秒
8.128175449371337/0.3585397005081177≈22.7，增加2行代码一下子速度提高了20多倍，Numba的“加速神器”的头衔可不是浪得虚名的，以前需要跑一整天的程序，现在可能都不用看完一部国产电影就可以跑完了。
有的小伙伴可能就有疑问了，你在这个程序里面用了两个for循环计算均值和标准差，太麻烦了，为啥不使用Numpy模块中的mean()和std()函数分别计算均值和标准差，而且Numpy是经过科学计算优化的，速度会更快。
那就利用Numpy模块在相同的情况下重新计算一遍。
# 计算布林带，返回上中下轨数据defboll_numpy(data, periods=20): up_line = [] # 上轨 mid_line = [] # 中轨 down_line = [] # 下轨 clip = np.array(data[:periods]) #缓存接收到的数据，控制与periods等长# 模拟实盘不断接收到新数据for new_tick in data[periods:]:# 剔除旧数据点，纳入新数据点，与periods等长 clip[0:periods-1] = clip[1:periods] clip[-1] = new_tick v_mean = np.mean(clip) v_std = np.std(clip) up_line.append(v_mean+2*v_std) mid_line.append(v_mean) down_line.append(v_mean-2*v_std)return up_line,mid_line,down_line
输出结果：
布林带boll_numpy计算平均耗时：42.0557097196579秒
WTF！怎么计算速度还比原来的慢了5倍，这是因为Numpy在复杂对象的开销耗时要比计算优化节省的时间要多，说人话就是，单次处理的数据序列要长(也就是periods数值要大)，Numpy的计算优化效果才能展现出来，因为布林带的默认计算均线长度periods是20，算是比较短的，我们把它增加到200试一试。
start_time = time.time()for i in range(iter_times): up_line,mid_line,down_line = boll(data, periods=200) end_time = time.time()comsued_time = (end_time - start_time) / iter_timesprint('布林带boll计算平均耗时：%s秒' %comsued_time)start_time = time.time()for i in range(iter_times): up_line,mid_line,down_line = boll_numpy(data, periods=200) end_time = time.time()comsued_time = (end_time - start_time) / iter_timesprint('布林带boll_numpy计算平均耗时：%s秒' %comsued_time)
输出结果：
布林带boll计算平均耗时：68.52809438705444秒
布林带boll_numpy计算平均耗时：43.69762210845947秒
你看是不是这下子使用Numpy库的速度比原来使用for循环的速度快多了，而且随着单次处理数据序列的增加，Numpy的执行耗时提升不明显，所以说，在单次处理数据序列短的情况下，使用Numpy的效果未必有时用for循环的要好。
如果也对使用Numpy计算布林带的程序（periods=20）也进行加速，看看效果如何。
from numba import jit@jit(nopython=True)# 计算布林带，返回上中下轨数据defboll_numpy_fast(data, periods=20): up_line = [] # 上轨 mid_line = [] # 中轨 down_line = [] # 下轨 clip = np.array(data[:periods]) #缓存接收到的数据，控制与periods等长# 模拟实盘不断接收到新数据for new_tick in data[periods:]:# 剔除旧数据点，纳入新数据点，与periods等长 clip[0:periods-1] = clip[1:periods] clip[-1] = new_tick v_mean = np.mean(clip) v_std = np.std(clip) up_line.append(v_mean+2*v_std) mid_line.append(v_mean) down_line.append(v_mean-2*v_std)return up_line,mid_line,down_line
输出结果：
布林带boll_numpy_fast计算平均耗时：0.5330439805984497秒
42.0557097196579/0.5330439805984497≈78.8，当periods=20时，Numba为布林带的计算加速了70+倍。
当periods=200时也进行加速测试，输出结果：
布林带boll_numpy_fast计算平均耗时：1.3904209852218627秒
43.69762210845947/1.3904209852218627≈31.4，当periods=200时，Numba为布林带的计算加速了30+倍。这从侧面也说明了，单次处理序列长度越长，Numpy的计算优化效果就越好，剩余的优化“压榨空间”也就不多了。
小结一下，无论是对“原始Python”，还是对第三方库Numpy，Numba都有明显的加速作用，而且对Numpy的加速作用更明显。所以，大家可以在“使用for循环”和“使用Numpy模块做大量科学计算”时，使用Numba模块进行加速。
使用Numba进行加速的方式也非常舒适：
在源码文件头部加入：fromnumbaimportjit在需要加速的函数前加入：@jit(nopython=True)
最后补充说明：
Numba并不能对所有的程序优化和加速，常用的优化场景是for循环和Numpy、cmath模块的计算。不能优化和加速的情况，若带有nopython=True参数，会出现异常（Exception），此时可改为使用其他Python解析器（例如PyPy），或者优化算法。
参考资料：
http://numba.pydata.org/numba-doc/latest/user/index.html
https://github.com/ContinuumIO/gtc2018-numba
http://stephanhoyer.com/2015/04/09/numba-vs-cython-how-to-choose/
END
如果对本文有疑惑，或是想聊聊
亦或是围观朋友圈当点赞之交
(微信号:iquantman)
继续阅读
阅读原文