更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。
我们在进行量化策略回测的时候，免不了要做一些时间序列的操作，比如计算过去一段时间的某个技术指标、因子等等，即时是横截面的策略，也需要在横截面数据准备后，进行时间序列的回测，用以确定因子在回测周期内的表现。
在进行时序相关的回测操作时，我们通常有两种编写方式可供选择。第一种是循环回测，即按照时间序列由远及近，每次进入循环后计算指标或因子，并判断是否触发交易信号；第二种是利用矩阵进行数值计算，即先调用矩阵运算所有可能用到的指标或因子，再通过矩阵筛选的方式选出符合条件的交易信号并回测。
那么，这两种方式，相对来说哪种更能提高我们的回测效率？
如果数据量级比较小，这两种方式的差别不大。但是随着数据量级的增加，比如需要回测分钟k，甚至是逐笔的数据，或者需要回测过去很长一段时间跨度的数据，两者之间的运算速度（效率）差距会越来越明显。
这次的文章，我们就将以策略回测最常用的Python语言为例，来比较两种方法之间的效率差异。
首先，我们抛开策略回测，先从数据量级增加的视角，来比较循环和矩阵运算的效率差异。这个比较的例子很简单，我们分别生成两个100万数据量级的数组，计算这两个数组每个对应元素的乘积，即A数组第一个元素与B数组第一个元素相乘，并将所有得到的乘积相加。
对于这个例子，我们既可以使用矩阵运算的方式，也可以使用循环的方式来实现。
一起来看实现的具体代码。对于矩阵运算，我们直接调用numpy库中的dot方法即可，而循环，则是通过100万次循环依次获取每个数组中对应的元素后不断加总。
我们特意在代码中记录了需要比较代码模块的运行起始和终止时间，通过这两个时间的差值，可以比较两种算法在执行时间上的差异。
可以看到，两种方法计算出了相同的结果，说明方法在功能上是完全可替代的，但是执行时间相差很大，矩阵运算的执行用了3秒钟，而循环运算则使用了493秒，在处理这个量级的数据上，两种算法的效率相差了100多倍，不可谓不大。
我们再回到量化策略的回测，举一个简单的例子进行比较，我们使用股指期货IF的分钟k线，策略规则分钟k是连续上涨3次，或连续下跌3次开仓，持有固定分钟后平仓。这样的规则，我们同样可以使用循环运算以及矩阵运算两种方式，进行回测的编写。
先来看循环模式的实现逻辑，我们逐K线遍历、在循环内，单独计算每一个K线的指标、判断是否满足开仓条件、并且将每一笔交易在平仓的结果逐一加入到利润记录列表变量中。
再来看矩阵运算的实现逻辑，通过矩阵运行一次性计算得到使用指标，筛选出所有满足开仓条件的行，并根据筛选得到的子表统计计算回测结果。
我们同样在两种实现方式的起始和终止位置增加了时间戳的记录，以此来比较两种算法的执行耗时。
并且，我们对比两种算法得到的回测结果，回测结果也是完全一样的，说明算法可互相替代，我们没有理由不选择效率更高的算法来实现。
因此，在具体的量化策略回测中，矩阵算法的执行效率仍然是大大优于循环算法的，循环算法回测共耗时16409秒，而矩阵算法仅耗时809秒，两者差距在20倍。可以说，随着数据量级、算法复杂程度的增大，两者的差距还会进一步的扩大。
通过对大数据量级的运算速度比较，以及一个具体量化策略的回测速度比较，我们可以得到以下结论：
1 量化策略回测与大规模数值计算一样，矩阵运算效率高于循环运算。
2 随着处理数据量级的增大，两者之间的速度差异将越来越大。
3 尽可能使用矩阵运算方式回测策略。如某些复杂逻辑策略无法完全做到矩阵运算，也可以用矩阵运算计算必须变量或做初步测试，如果初测结果理想，再加入循环算法逻辑做精细化测试。
4 涉及到大规模机器学习算法，通过矩阵运算模式优化代码，解决耗时问题。
Omega System Trading and Development Club内部分享策略Easylanguage源码
【数量技术宅|量化投资策略系列分享】基于指数移动平均的股指期货交易策略
AMA指标原作者Perry Kaufman 100+套交易策略源码分享
【数量技术宅|金融数据系列分享】套利策略的价差序列计算，恐怕没有你想的那么简单
【数量技术宅|量化投资策略系列分享】成熟交易者期货持仓跟随策略
【数量技术宅|金融数据分析系列分享】为什么中证500（IC）是最适合长期做多的指数
商品现货数据不好拿？商品季节性难跟踪？一键解决没烦恼的Python爬虫分享
【数量技术宅|金融数据分析系列分享】如何正确抄底商品期货、大宗商品
【数量技术宅|量化投资策略系列分享】股指期货IF分钟波动率统计策略
【数量技术宅 | Python爬虫系列分享】实时监控股市重大公告的Python爬虫