ptrade 盘前函数 before_trading_start 运行时间过长的影响与解决办法

在 ptrade 量化交易平台中，before_trading_start 是用于在每天交易开始前（回测默认 8:30，实盘默认 9:10）执行初始化和数据准备工作的事件函数。如果该函数内部逻辑过于复杂或存在死循环，导致其运行时间极长，甚至跨越到了第二天的 before_trading_start 触发时间，将会导致非常严重的后果。

具体会出现的情况：

1. 全面阻塞策略引擎（事件队列阻塞）
   ptrade 的策略引擎是基于单线程事件驱动的。如果 before_trading_start 一直在执行，主线程就会被死死卡住。这意味着引擎无法去触发和执行后续的任何事件。

2. 错过当天的所有交易事件
   由于主线程被阻塞，当天的盘中核心逻辑 handle_data、定时任务 run_daily、tick 级任务 tick_data 以及盘后任务 after_trading_end 都不会被执行。你的策略在这一整天内将处于“瘫痪”状态，无法进行任何买卖操作。

3. 时间轴错乱与事件堆积/跳过
   当第一天的 before_trading_start 终于在第二天执行完毕后，引擎的时间轴已经严重滞后。根据底层引擎的处理机制，可能会出现两种情况：

   • 事件跳过：引擎发现已经错过了第一天的所有时间节点，直接跳到当前时间，导致第一天的数据和交易完全丢失。
   • 事件堆积爆发：引擎可能会试图“追赶”错过的事件，在极短的时间内连续触发第一天的 handle_data 和第二天的 before_trading_start，这会导致获取到的行情数据（如 get_price、get_snapshot）与策略预期的时间完全不符，引发灾难性的错误交易。

4. 实盘中的断线与异常
   在实盘交易环境中，长时间的阻塞可能会导致策略进程被系统监控判定为“无响应”或“死锁”，从而被强制终止。此外，如果在盘前调用了大量耗时的网络请求，也极易触发 API 的流控限制。

如何避免和解决？

为了保证策略的健壮性，绝对不能让盘前处理函数耗时过长。请采取以下优化措施：

1. 优化数据获取逻辑

不要在 before_trading_start 中一次性拉取过多的历史数据（如 get_history 获取几千只股票十年的数据）。如果必须使用大量数据，请考虑分批获取或仅获取增量数据。

2. 将繁重的计算转移到盘后

盘前的时间非常宝贵（实盘中通常只有几十分钟）。如果你需要进行复杂的模型训练、全市场选股或大规模矩阵运算，请将这些逻辑转移到 after_trading_end（盘后运行）中执行。盘后有充足的时间进行计算。

3. 利用持久化（Pickle）保存计算结果

在 after_trading_end 中计算好第二天的目标股票池或信号后，使用 Python 的 pickle 模块将其保存到本地文件（或全局变量 g 中，框架会自动持久化 g）。第二天在 before_trading_start 中只需极快地读取这些结果即可。

import pickle

# 盘后进行耗时计算并保存
def after_trading_end(context, data):
    # 假设这是一个非常耗时的选股过程
    target_stocks = heavy_computation_logic()
    g.target_stocks = target_stocks
    # 框架会自动持久化 g 对象，或者你可以手动 pickle.dump

# 盘前仅做极轻量级的状态确认
def before_trading_start(context, data):
    # 直接使用盘后计算好的结果，耗时极短
    log.info(f"今日待交易股票池: {g.target_stocks}")

4. 避免在盘前使用 sleep 等待过长时间

虽然文档中提到为了规避 9:10 前行情未更新的问题可以使用 sleep，但切忌 sleep 时间过长。更好的做法是使用 run_daily 在 9:25 或 9:30 指定时间点去获取最新的快照数据。