用python 做策略回测，耗时很长。40万条数据花了快一个小时。
想问下，通常50万数量级的数据的回测用时多少？（简单策略，一支股票一年的tick差不多40万）
有什么加速办法？
-----------------------------------------------------------------------------------------分割线
首先真诚感谢各位帮助。回馈知乎，附上我最后的处理方法。
本人最后使用了cython 来处理python 中for loop 的部分, 运行时间缩短显著。建议无法对数据实行整列计算，而只能选择loop, 逐个数据递推，来生成一列数据的情况。可以使用cython处理loop部分。
直接上图，下面是一个生成列的小测试，分别计算两种方法效率。用时相差2个数量级。
回复内容：
少用for，尽量用numpy/pandas的向量化方法。
少用自己写的python方法，先看看numpy /pandas是不是已有现成的功能。
有几个numpy 的加速包，比如numexpr.
安装Intel MKL.
最后，可以讲关键部分用c/c++实现。
如果无法避开python的for，建议使用Numba
来提速，理想情况下可以达到和numpy向量化差不多的速度。
我只能帮你到这里了||-_-
我觉得多少是你的算法有问题。
在排除算法问题后可以用PyPy尝试加速一下。
2016.4.19做的回测，80万条数据用了3分半跑完（四进程）。
用python想降低回测时延，可以从下面几个角度下功夫：
1.有几个cpu核开几个进程，记得不是线程是进程。
2.在数据结构和算法上下功夫。
3.在CPU cache命中率上下功夫,loop时操作的数据尽可能在内存上紧凑，不要在loop里遍历pandas的列，因为这会导致cache命中率大幅降低。而CPU访问内存的时延远在访问cache之上。楼主回测时延高问题应该就出在这里。可以把pandas的列转换成list再在loop中使用。
可以考虑先用更大的barsize，再优化你的程序，各种加速等等。
楼主做的tick级的回测,一次几只股票回测几年？
如果楼主长期做类似工作，且不是专业码农，最低成本的办法还是：
1.升级高频CPU（假设楼主你就简单写写，不做并行计算，python毕竟全局解释锁）
2.原代码大量用数据库就上SSD/内存表，大量读磁盘就用RAMDISK，如果原代码就已经一次性载入内存就忽视这一条。
3.用pypy，cython等不修改代码的优化方式。
总结：先根据先有代码优化硬件，然后使用不需要修改(少修改)代码的优化方式。一般来说，硬件比人工便宜。如果这还不能解决问题，再用各种奇淫巧技。
先做profile，在耗时较多的地方，通常是for循环，用cython替换
没代码，没算法，没数据，没profile谈什么优化
Python 算很快的了 题主用过matlab 就知道什么叫做慢了
实在不行换sas呗 40万条简单运算估计也就10-20min
之前用过pandas处理过阿里巴巴大数据比赛的1000万行数据，反正速度是比较快的每次操作都是只有十几秒，可能做的方式不一样比较简单的操作吧，不过你那个的确稍微慢了点
