如何通过向量化操作提升策略回测速度？

相信很多投资者在做量化投研时都会有一种共识：量化投资领域里，成本最大的毫无疑问就是研发策略所消耗的时间成本，其中90%的时间都被消耗在因子挖掘、策略回测与优化等大型运算上。

如何提高运算程序的效率，成为了众多量化投资者面临的难题。

而在Python编程中，有许多方法可以提高量化交易策略的回测速度，使用向量化操作就是一种行之有效的方法。

向量化操作是一种在整个数组或矩阵上执行操作的技术，可以大大提高代码的效率。在Python中，NumPy是一种非常流行的向量化操作库，可以加速数学计算和数据处理。当涉及到大量的计算时，我们可以尝试使用NumPy、Pandas或者其他库来进行向量化操作。

此处，我们以掘金量化终端中提供的示例策略【双均线策略（期货）】为例，尝试对其进行提速。

移动平均线是一种常用的技术分析指标，用于平滑价格数据。使用NumPy的向量化操作，可以进一步提升计算速度。

示例策略第59行以及60行中，原策略代码中用到了rolling来进行滚动计算。我们可以考虑使用numpy.convolve对向量进行卷积计算，并与原策略代码进行回测对比：

1、向量化：使用np.array对prices进行向量化操作，再使用flatten进行降维；

2、卷积：使用np.convolve进行卷积计算长短均线，边缘的点进行无效化处理；

3、回测：运行回测并进行耗时比对。

修改后的代码如下：

我们开始进行回测。

• 回测时间：2023-04-17至2023-07-26

• 回测品种：螺纹钢主力合约

• 初始资金：10万

• 手续费：0.0007（双边万二佣金+单边千一印花税，共千1.4，即双边万7）

• 滑点：万分之一（双边）

结果如下图：

通过对比发现，原均线策略回测耗时为44秒；但经过向量化操作以后，耗时降低至34秒，速度提升了22.7%，提速效果明显。但是，最大回撤以及夏普比率出现了微小的偏差。我们将均线结果print出来进行比对，结果如下：

上图为均线数据的部分片段。左边是原策略的均线数据，右边是向量化操作后的均线数据。不难发现，向量化后均线数据精度更高，因此在回测结果中虽微小差异，但不会对策略总体效果造成较大影响。

除了Python内置的库之外，还有许多第三方库可以帮助加速代码。例如，当需要执行高性能数学计算时，可以尝试使用SciPy或NumPy等库；需要处理大量数据时，可以尝试使用Dask或Apache Spark等分布式计算框架。大家可以根据具体需求进行取舍。

完整代码的文件已分享至掘金量化社区，可通过下方链接前往自取：https://bbs.myquant.cn/thread/3509