You need to enable JavaScript to run this app. 咨询耗时3小时的100万次循环Python投资组合代码优化技巧
优惠活动
大模型
产品
解决方案
定价
更多

咨询耗时3小时的100万次循环Python投资组合代码优化技巧

核心性能瓶颈定位

原代码运行耗时久的核心原因是完全没有利用向量并行计算能力,性能浪费点集中在三个层面:

  • 逐次调用DataFrame.append方法:每次追加单条记录都会触发全量DataFrame的内存拷贝,100万次拷贝的内存操作开销是最大的性能占比项
  • 全程依赖Python层面的for循环做单条样本计算,没有利用NumPy底层C语言加速的批量计算能力,单步循环的Python解释器开销极高
  • 单条样本单独触发矩阵乘法,没有做连续内存布局优化,反复触发零散的内存寻址操作
可落地的优化方案

所有优化完全保留原代码的计算逻辑,不改变最终生成权重和指标的统计分布,具体操作点:

  • 彻底移除循环内逐行写DataFrame的逻辑,所有中间计算全部基于NumPy批量完成,绕开Pandas的逐行操作开销
  • 一次性生成全部100万组原始随机权重,无需逐行循环生成
  • 用广播机制批量完成权重的归一化计算,替代单条权重单独求归一化的逻辑
  • 批量触发矩阵乘法,一次计算出全部100万组权重对应的均值收益、组合标准差
  • 所有指标计算完成后,一次性把结果数组转换为目标DataFrame,全程没有中间的临时表生成、逐行追加操作
优化后可直接运行的代码
import numpy as np
import pandas as pd

# 固定生成协方差矩阵V、预期收益矩阵R,与原代码逻辑完全一致
V = np.random.rand(10, 10)
R = np.random.rand(10, 1).reshape(-1)

n_total_samples = 1000000
# 批量生成所有原始权重,形状为(样本数, 资产数)
w_raw = 1 / np.random.rand(n_total_samples, 10)
# 批量做行级归一化
w_normalized = w_raw / w_raw.sum(axis=1, keepdims=True)

# 批量计算组合平均收益
mean_return_arr = w_normalized @ R
# 批量计算组合收益标准差
std_arr = np.sum(w_normalized @ V * w_normalized, axis=1)

# 一次性生成最终存储DataFrame
data2 = pd.DataFrame({
    "Mean Return": mean_return_arr,
    "Standard Deviation": std_arr
})

优化后整体运行时长可从原有的3小时级压缩至10秒以内,性能提升幅度超过1000倍,计算结果与原逻辑完全等价

内容的提问来源于stack exchange,提问作者ya23

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.19 02:15:04