聚宽(JoinQuant)研究环境下死机、停电、掉线，代码是否还在运行？

核心解答

是的，您的代码大概率还在云端服务器上继续运行。

聚宽（JoinQuant）的研究环境是基于云端服务器的 Jupyter Notebook 架构。您的本地电脑（浏览器）只是一个发送指令和接收显示结果的“显示器”。当您点击运行代码后，计算任务就已经提交到了聚宽的云端服务器（Kernel）上执行。

因此，本地电脑的死机、停电、断网或关闭浏览器，都不会直接中断云端服务器上正在执行的代码。

需要注意的几个关键点

虽然代码在云端继续运行，但您需要注意以下几种情况，它们可能会影响您最终获取结果：

1. 无法看到实时的 Print 输出

当您重新启动电脑并恢复网络，再次打开该研究环境的 Notebook 时，您可能无法在原来的代码块（Cell）下方看到断网期间产生的实时 print 输出。因为前端与后端的连接曾被断开，输出流可能丢失。

2. 平台的资源限制与超时机制

虽然本地断网不影响，但聚宽平台对研究环境的资源是有严格限制的：

• 内存限制：如果您的代码在长时间运行中占用了过大的内存（例如超过 3G），系统会触发 OOM（Out of Memory）保护，强制杀死您的进程。
• 超时限制：平台为了防止死循环和资源滥用，对单个函数的运行时间有限制（例如回测中单函数限制1800秒）。如果您的代码极其庞大且没有合理的休眠/分步机制，可能会被系统判定为异常并终止。
• 闲置休眠：如果您长时间掉线（例如几个小时甚至更久），系统检测到前端长时间无响应，可能会回收该研究环境的资源，导致 Kernel 重启，代码运行终止。

3. 结果是否保存取决于您的代码逻辑

如果您的代码只是在最后 print 结果，或者将结果保存在内存变量中，一旦环境最终被重启，这些数据就会丢失。

给长时间运行代码的建议

为了防止掉线、死机或平台资源回收导致长时间的心血白费，建议在编写耗时较长的研究代码时采取以下措施：

1. 将结果持久化保存到文件
不要依赖内存变量或 print。在代码运行的关键节点或最终完成时，将数据写入到文件中（如 CSV、JSON 或 Pickle）。

import pandas as pd
# 假设 df 是您长时间计算得到的结果
# 将结果保存到研究环境的根目录
df.to_csv('my_long_task_result.csv')

或者使用聚宽提供的 API：

from jqdata import write_file
write_file('my_result.csv', df.to_csv(), append=False)

2. 分步保存（断点续传机制）
如果是一个需要循环处理大量数据的任务（例如遍历几千只股票），建议每处理完一部分（如100只）就将中间结果追加保存（append=True）到文件中。这样即使中途被系统强制终止，您也可以从断点处继续，而不需要从头再来。

3. 记录日志到文件
将重要的运行状态写入日志文件，方便重新连接后查看代码到底执行到了哪一步。

总结：本地掉线不用慌，云端还在帮您算。但一定要养成将重要结果写入文件的好习惯！