Rcpp结合inline包改写R循环的实现、结果返回及提速方案

你当前编写的C++代码存在多处语法和逻辑问题，无法正常编译运行，核心问题如下：

• 索引逻辑不匹配：R采用1起始的索引规则，C向量采用0起始的索引规则，直接将R的索引值传入C会直接触发越界错误
• 判断符号错误：C++中等值判断需要使用==，单等号=是赋值操作，你代码中所有判断条件都错用了单等号
• 结果向量未初始化：代码中直接引用了rsi_u、rsi_d两个变量，但未在C++环境中预先定义、分配内存
• 传参设计冗余：k、en是循环过程中动态计算的临时变量，不需要作为函数入参传递
• STL函数使用不规范：accumulate、min_element、max_element需要传入迭代器范围，不能用R风格的向量.索引语法调用
• 逻辑赋值写反：原R循环中，满足最小值条件时给rsi_d赋值1，满足最大值条件时给rsi_u赋值1，你写的C++代码刚好把两个赋值目标搞反了

在Rcpp中可以直接构造双列矩阵或数据框返回给R端，不需要依赖旧的inline::cxxfunction接口，直接用内置的cppFunction即可完成编译，参考实现代码：

library(Rcpp)
cppFunction('
Rcpp::NumericMatrix calc_rsi_signal(Rcpp::NumericVector rsi, int L, int o, double T_min, double T_m) {
  int n = rsi.size();
  // 初始化和R端长度一致的两个结果向量，默认全0
  Rcpp::NumericVector rsi_u(n, 0.0);
  Rcpp::NumericVector rsi_d(n, 0.0);
  // 将R端1基索引转换为C++0基索引
  int st = L; // 对应R端 st = L+1
  int en = n - o - 3; // 对应R端 en = length(rsi) - o - 2
  for (int i = st; i <= en; i++) {
    // 计算循环内的临时索引，统一转0基
    int k = i - o + 1;
    int k1 = i - L + 1;
    // 计算前置条件：两个固定长度窗口的元素和
    double sum_u = accumulate(rsi_u.begin() + k, rsi_u.begin() + i + 1, 0.0);
    double sum_d = accumulate(rsi_d.begin() + k, rsi_d.begin() + i + 1, 0.0);
    if (sum_u == 0 && sum_d == 0) {
      // 计算两个窗口的极值，注意：若rsi存在NaN，需额外过滤对齐R端的min/max行为
      double* min_it = min_element(rsi.begin() + k1, rsi.begin() + i + 1);
      double* max_it = max_element(rsi.begin() + k1, rsi.begin() + i + 1);
      // 保持和原R循环一致的赋值逻辑
      if (*min_it == rsi[i] && rsi[i] < T_min) {
        rsi_d[i] = 1.0;
      }
      if (*max_it == rsi[i] && rsi[i] > T_m) {
        rsi_u[i] = 1.0;
      }
    }
  }
  // 拼接为两列矩阵返回
  Rcpp::NumericMatrix res(n, 2);
  res(_, 0) = rsi_u;
  res(_, 1) = rsi_d;
  colnames(res) = Rcpp::CharacterVector::create("rsi_u", "rsi_d");
  return res;
}
')

# 调用验证
rsi <- c(NaN, 0, 0, 9.2, 28, 11, 9, 8, 38, 27, 62, 57,59,67, 76, 68, 69, 49)
res <- calc_rsi_signal(rsi, L=2, o=2, T_min=100, T_m=0)

如果需要返回data.frame格式，只需将构造结果的部分替换为DataFrame对象即可：

Rcpp::DataFrame res = Rcpp::DataFrame::create(
  Rcpp::Named("rsi_u") = rsi_u,
  Rcpp::Named("rsi_d") = rsi_d
);

哪怕用Rcpp重写循环，只要每次迭代都重新遍历子区间计算窗口和、窗口极值，提速幅度是有限的。要实现量级提升的加速，可以采用以下方法：

• 用滑动窗口替代全区间遍历计算：
  • 对于窗口长度固定为o的sum(rsi_u[k:i])、sum(rsi_d[k:i])，每次迭代只需更新窗口滑出的最左侧元素、加入新的最右侧元素，不需要每次重新遍历整个窗口求和，可将时间复杂度从O(n*o)降到O(n)
  • 对于窗口长度固定为L的min(rsi[k1:i])、max(rsi[k1:i])，可以用单调队列实现O(n)复杂度的滑动极值计算，不需要每次遍历窗口查找极值
• 替换老旧接口：目前Rcpp自带的cppFunction、[[Rcpp::export]]导出方式，比inline包的cxxfunction编译速度更快、稳定性更高
• 避免使用apply家族函数：这类函数本质是隐式for循环，无法支持带状态的迭代逻辑，运行速度比显式for循环更慢是正常现象
• 针对百万级以上长度的rsi向量，可进一步利用并行计算或GPU加速，但对常规的金融时间序列长度来说，实现上述O(n)的滑动窗口算法，就可以比纯R循环快两个数量级以上

内容的提问来源于stack exchange，提问作者Maksim Tarasenko