2

我正在使用 Python 开发一个算法交易程序,用于学习目的。使用 Numpy,我试图最大限度地提高核心模拟逻辑的速度:

    t=0
    size = Ticks.shape[0] #Ticks is a numpy array
    while t<size:

        if self.toLong(t): 
            self._Trader.Long(Ticks[t,3])
            t+=1
            while t<size:
                if self.toexitLong(t): 
                    self._Trader.exitLong(Ticks[t,3])
                    break
                t+=1

        elif self.toShort(t): 
            self._Trader.Short(Ticks[t,3])
            t+=1
            while t<size:
                if self.toexitShort(t): 
                    self._Trader.exitShort(Ticks[t,3])
                    break
                t+=1

        t+=1

基本上,我需要对二维数组中的每一行应用一个函数,但应用于该行的逻辑取决于前几行的逻辑设置的条件。此循环中的大部分时间都用于查找 Ticks[t,3] 的值。我考虑过使用迭代器或“np.applyalongaxis”并为条件设置数据成员,但我不确定是否是我需要的。还值得注意的是,此函数调用的其他方法使用它们传递的索引来对同一数组执行操作。

使用 Numpy 运行此循环的最有效(计算速度)方式是什么?

4

1 回答 1

1
  1. 重写代码,这样你就有一个清晰的 for 循环,带有一个简单的模式标志和模式的 if-else-switches。
  2. 使用numba对整个函数进行 jit 编译,这应该可以提高 1-3 个数量级的速度。
于 2014-02-27T12:05:50.170 回答