C++/Python/Matlab执行效率分析

以前一直觉得C++效率最高，速度最快，但是今天做的一个实验结果大大出乎我的意料—Python使用向量处理效率一点都不慢，甚至高于C++在O2优化后的效率。 Matlab效率更高。 这为以后选取语言提供了一个很好的参考。

问题起源与对场内期权MC定价时，一步到最后与按天到最后在计算精度上有无差别，镜像问题是FDM定价一步到最后，与按天到最后计算精度上有无差别。我的观点显然是前者无差，后者影响显著。无奈，领导观点竟然相反，为了说明问题，讲理论肯定是不行了，只能用数据说话。为了验证MC的结果，有了本实验。

实验初期，先采用Python写的，因为简单，就用了最简单低级的代码思路。写完后运行发现速度还可以（轨道数目较少，1k条）。于是萌生了与C++比较下效率的想法。于是速度照搬改成C++版本。为了能体现出差距，将轨道数目都改成10w条，结果发现，在简单代码结构下，python不是一般的慢！ 考虑到当初Matlab在矩阵处理时体现的优势，于是想python应该也有同样的特点，于是将python代码改成向量化的。这一改，就发现了有趣的东西，在向量化代码结构下，python执行效率极高，甚至高过C++在O2优化下的效率。

废话不多说，先列出结果数据。表中数据单位为秒。

图中列出了几个相关实验:
- C++原始代码及经过O2优化后的代码。
- C++通过OMP并行后的代码及经过O2优化过的代码
- Python 串行代码及向量化代码
- Matlab 串行及向量化代码

图中给出的结果是让人惊奇的：Python经过向量化后代码效率极大的提高，这跟Matlab一样，两者都要好于经过O2优化过的C++并行代码。Matlab与Python对for循环效率极低，使用时要慎重！

附件一 C++ omp并行与非并行代码（注释掉pragma那行即可）

#include <random>
#include <cmath>
#include <ctime>
#include <omp.h>
using namespace std;

default_random_engine eng(time(NULL));
normal_distribution<double> norm(0,1);

double payoff(double &s, double &k)
{
    return fmax(s-k,0.);
}

double pnode(double &s0, double& u, double& q, double& vol, double& t)
{
    return s0*exp((u-q-0.5*vol*vol)*t + sqrt(t)*vol*norm(eng));
}

double mc(int& npath, const int& msteps)
{