有个做多品种轮动的用户跟我抱怨，他的策略要同时盯四十多个标的，每个标的算一遍指标，一轮下来要好几秒，行情早就跑过去了。他原来是在客户端里写脚本的思路，习惯了一个进程从头算到尾。其实客户端现在给了两种跑法：内置 Python 和原生 Python，用对了，这类批量计算能快出一个量级。

先把两者分清楚。内置 Python 是客户端自己带的解释器，脚本跟着客户端进程走，好处是不用装环境、打开就能写，坏处是受客户端调度影响，重计算会把界面拖慢。原生 Python 是你自己装的解释器，独立进程运行，库随便装、可以用多进程，适合做重活和数据预处理。两者不是替代关系，是分工关系。

并行计算快在哪，道理很朴素：四十个标的的指标计算彼此独立，本来就是可以拆开同时做的。串行是一根线穿四十个珠子，并行是四十根线一起穿。所谓十到一百倍的提升，是在“任务彼此独立、单任务耗时够长、机器核数够多”这三个条件同时成立时才有可能出现，条件不满足，加速比会很有限，甚至因为进程调度开销反而更慢。

落地按这四步走。第一步，把策略拆成“计算”和“决策”两段，计算段只负责算指标、算因子，输出一张表；决策段只读这张表，决定买还是卖。第二步，计算段放到原生 Python 里，用进程池按标的分组，每个进程处理一批，别一个标的开一个进程，进程本身的开销不小。第三步，结果通过文件或者本地数据库交接，格式统一，字段固定，两边都按同一份约定读。第四步，内置 Python 那侧只做轻量的读表和下单，保持回调里的代码短小，别在里面做重计算。

有三个坑要提前知道。一是别在回调里等计算结果，会把行情线程堵住，宁可上一轮的结果给这一轮用。二是进程池的创建要放在初始化阶段，反复创建销毁比计算本身还费时间。三是数据要一次给足，别让子进程自己去请求接口，容易触发限流。

判断标准：把你的计算段单独计时，串行跑一遍记下耗时，再并行跑一遍。加速比稳定在你机器核数的一半以上，说明拆得合理；只有一两倍，说明任务粒度太碎或者数据传递成了瓶颈，回去重新分组。

股票/量化开户欢迎找我！满足条件股票佣金万0.854、etf 可转债佣金万0.5、国债逆回购一折（百万分之一）！期权1.8元一张全包价！量化软件QMT+ptrade免费使用！还有888、999资金靓号等你选！