numba真是神器。

以前回测功能在dotnet平台实现，现在可以都放在python啦
--
FROM 223.72.44.*

而且， numba支持并行化，支持simd，基本自动实现


【 在 poggy 的大作中提到: 】
:
: numba的缺点就是调试程序方面，
: 能用numba， 底层直接用C写模块也是差不多的。
--
FROM 223.72.44.*

计算指标可用numpy，但是用numba写策略更灵活，很多策略不好向量化
【 在 yatobiaf 的大作中提到: 】
:  
: 厉害了楼主，正好最近打算写个python股票回测模块，看到楼主的帖子打算试试numba。  
: 请问numba为啥会比python快那么多？  
: 股票回测大部分底层是矩阵乘法，python的numpy模块做了很多的优化，我感觉速度和c也差不多，楼主之前的python股票回测引擎是用了
: ..................

发自「今日水木 on iPhone 12」
--
FROM 223.72.44.*

高兴的太早了， 发现在jit函数内部，调用原来的numpy数组运算，结果跟不用jit不一样！！！

在jit函数中，numpy有的计算会出错

这是一个计算移动平均的函数
@njit
def ma(a:float64[:], n:int32)->float64[:] :
    r=np.cumsum(a)
    r[n:] -= r[0:-n].copy() #这里如果不调用copy（），两边的内存重叠，计算就会出错。不用numba没问题
    r[n:] /= n
    r[0:n] /= np.arange(1,n+1)
    return r

但是本来就是numpy向量计算，jit加速不多，又多了一次copy，这种情况可能还不如不用jit
或者为下一步计算单独分配内存，这样也增加了开销，也不合算。

另一个办法是完全不用numpy计算，直接循环。 这样最能体现numba的优势。
【 在 finlab 的大作中提到: 】
: numba真是神器。
: 以前回测功能在dotnet平台实现，现在可以都放在python啦
--
FROM 223.72.44.*

都用numpy，自己不做循环，只能做一些粗略的统计。

要想比较精细的控制策略，只能用循环。这时候python性能就很低了，就需要numba加速。
我更习惯用下面这种写策略的方式。如果有交易接口，可以方便的直接拿去做程序化交易。


# 单均线策略
@njit
def sma(acc:Account, q:Quote, args):
    n=args[0]
    c=q.close
    o=q.open
    ma= fm.ma(c,n)
    for i in range(n,len(c)):
        if fm.cross_up(c,ma,i-1):  # 上日收盘价上穿均线，
            acc.buy(i,o[i])        # 则在当日以开盘价买入
        elif acc.total_count()>0 and fm.cross_down(c,ma,i-1):
            acc.sell(i,o[i])
            


【 在 yatobiaf 的大作中提到: 】
: 厉害了楼主，正好最近打算写个python股票回测模块，看到楼主的帖子打算试试numba。
: 请问numba为啥会比python快那么多？
: 股票回测大部分底层是矩阵乘法，python的numpy模块做了很多的优化，我感觉速度和c也差不多，楼主之前的python股票回测引擎是用了矩阵乘法吗？
: ...................
--
FROM 223.72.44.*