1樓：vitu
一些經驗供參考：
1.改進資料載入的方式，往往資料載入是回測中比較費時的一部分，可以將回測資料儲存改為記憶體
2.使用numpy而不是pandas
3.可以嘗試cython
2樓：量化投資布道者
哈哈，大家都聊的很完整了，
1）其實計算邏輯還是比較重要的，有時候分析你真正需要計算的東西，理清演算法比找工具靠譜
2）計算需要準備的東西是否已經提前在記憶體準備好（我已默許大家不需要load資料了啊），零星計算歸納為批量計算
如果覺得自己load資料太麻煩，花了90%時間處理資料，可以看看我這篇 "量化策略一般用什麼平台回測？分別有什麼優劣勢？ - 鐳礦Raquant 的回答 - 知乎"
3樓：越過刀鋒
我們目前正在開發的回測引擎使用的也是python，近期也在進行效能方面的優化，以下建議供參考：
1. 在動手優化之前，先profile看看，程式時間都花在哪些地方了:
python -m cProfile -o output.prof your_program
跑完之後，會生成乙個output.profile檔案。接下來需要對這個檔案進行分析，這方面的工具我推薦SnakeViz，神器。
安裝非常簡單，pip install snakeviz 即可。
snakeviz output.prof
4樓：富察
我的網絡卡一秒鐘能傳100MB的資料回測的速度大概就是這個級別吧
2018-04-25, 共有556w條tick，單執行緒0.9s跑完
5樓：馬大寶
比起計算，主要還是從資料庫裡調資料花費的時間最長，我大部分的優化都是集中在如何減少調資料的次數上。講真，CPU關係並不大，ssd硬碟才是王道。
6樓：李思
之前用過pandas處理過阿里巴巴大資料比賽的1000萬行資料，反正速度是比較快的每次操作都是只有十幾秒，可能做的方式不一樣比較簡單的操作吧，不過你那個的確稍微慢了點
7樓：
Python 算很快的了題主用過matlab 就知道什麼叫做慢了
實在不行換sas唄 40萬條簡單運算估計也就10-20min
8樓：知之
少用for，盡量用numpy/pandas的向量化方法。
少用自己寫的python方法，先看看numpy /pandas是不是已有現成的功能。
有幾個numpy 的加速包，比如numexpr.
安裝Intel MKL.
最後，可以講關鍵部分用c/c++實現。
如果無法避開python的for，建議使用Numba來提速，理想情況下可以達到和numpy向量化差不多的速度。
我只能幫你到這裡了||-_-
交易策略回測真的很重要嗎？
破滅法目 兩個作用 1 是檢測系統風險，2 根據1定義系統邊界 比方說系統回測最大回撤30 那你要考慮承擔的風險最多就是回撤30 接受這個系統就是接受這個風險。而實際操作中高於30 就是系統失效。 乙個人的隱山 回測當然很重要 首先對策略的理解很重要，出現極端情況如何處理，是否可以繼續信任策略，這些...
為什麼回測效果非常好的策略實盤卻不行？
投資思考筆記 白天鵝與黑天鵝的故事，看後視鏡開車翻車是早晚的事情，不要過度關注回測結果，要關注策略邏輯本身。回測很好 拋開回測常見錯誤 基本都是過度擬合。 林梟雄 一句話，股價的波動並不是乙個平穩過程 stationary process 也就是說，股價歷史和未來的關係不是穩定的，p X X 不等於...
想自學Python，請問用python做資料處理視覺化，和開發App小遊戲，是不同的學習路徑嘛？
可以交叉，我最近想做乙個解魔方的遊戲，可以當純遊戲玩，也可以用攝像頭掃瞄真魔方，在遊戲裡復現。可以是人工解，也可以是ai解，要有撤銷，反撤銷，轉動視角，轉動動畫，儲存讀取等功能。目前只完成了魔方建模，撤銷反撤銷，動態轉動的部分。還需要視覺化，解魔方ai，監控玩家操作，掃瞄還原真魔方，儲存讀取等功能。...