QMT策略中频繁调用history_bars或get_market_data会拖慢速度。合理的数据缓存可以大幅提升性能。本文介绍几种缓存技巧。

技巧一：在init中预加载历史数据，存入context。

`python

def init(context):

   context.price_cache = {}

   stocks = ['000001.SZ', '000002.SZ']

   for stock in stocks:

       context.price_cache[stock] = history_bars(stock, 200, '1d', 'close')

`

然后在handle_bar中，直接从缓存索引，而不是重新获取。注意每天收盘后需要追加新数据。

技巧二：使用functools.lru_cache装饰器缓存函数结果。例如，计算RSI的函数：

`python

from functools import lru_cache

@lru_cache(maxsize=128)

def cached_rsi(stock, n):

   prices = history_bars(stock, n+1, '1d', 'close')

   return talib.RSI(prices, n)[-1]

`

相同参数第二次调用时直接返回缓存结果。

技巧三：对于盘中重复计算的技术指标，可以每N个tick计算一次，而不是每个tick都算。使用计数器。

`python

context.counter = 0

def on_tick(context, tick):

   context.counter += 1

   if context.counter % 10 == 0:

       context.rsi = compute_rsi()

`

技巧四：将数据存储在外部数据库或文件中，策略启动时加载，盘中只读取。

数据缓存能显著提高实盘性能，尤其是在订阅较多股票时。但要注意：缓存的数据在实盘中需要实时更新，不能永远使用旧数据。

国金证券的QMT支持高效的数据访问，10万资金即可开通。量化社群中有更高级的缓存技巧，如使用numpy数组而非pandas。性能优化是量化开发进阶的必修课。