为什么分钟级别策略回测速度很慢？怎么提升回测速度？
/
问题描述
解决方案
在 ptrade 量化平台中，分钟级别策略（frequency='1m' 等）由于每个交易日需要执行 240 次 handle_data，数据量和计算量是日线策略的数百倍，因此回测速度自然会慢很多。如果策略中存在低效的数据获取或计算逻辑，回测时间会被进一步拉长。
以下是提升 ptrade 分钟级别策略回测速度的几个核心技巧：
1. 开启 is_dict=True 加速数据获取
ptrade 的多个行情获取接口（如 get_history、get_price、get_individual_entrust、get_individual_transaction）都支持 is_dict 参数。默认情况下，这些接口返回 pandas.DataFrame 或 Panel 对象，构建这些对象需要消耗较多时间。
优化方法：将 is_dict 设置为 True，接口将返回原生的 Python 字典（dict）或 OrderedDict，取数速度会有大幅提升。
# 优化前：返回 DataFrame，速度较慢
his_df = get_history(10, '1m', 'close', security_list=g.security)
# 优化后：返回 dict，速度极快
his_dict = get_history(10, '1m', 'close', security_list=g.security, is_dict=True)
2. 精简股票池（Universe）
handle_data(context, data) 中的 data 参数包含了股票池中所有标的当前周期的行情数据。如果你的股票池（通过 set_universe 设置）包含了大量不需要交易的股票，框架在底层准备这些数据时会浪费大量时间。
优化方法：仅将真正需要监控和交易的标的放入 set_universe 中。如果需要动态调整，可以在 before_trading_start 中更新股票池。
3. 减少 handle_data 中的重复计算和 API 调用
handle_data 每分钟都会被调用，任何耗时的操作都会被放大 240 倍。
优化方法：
- 盘前预处理：将不需要每分钟更新的数据（如财务数据
get_fundamentals、股票基础信息get_stock_info、日线级别的历史数据等）移到before_trading_start中获取，并存入全局变量g中。 - 避免全量拉取：不要在每分钟都拉取过去很长一段时间的分钟 K 线，尽量只获取计算指标所需的最小 K 线数量（
count）。
4. 谨慎使用日志打印（log.info）
在分钟级别回测中，如果每分钟都打印多条日志，大量的 I/O 操作会严重拖慢回测进度。
优化方法：在回测阶段，尽量注释掉不必要的 log.info 或 log.debug，仅在触发交易信号或发生异常时打印日志。
5. 避免多线程接口冲突
官方文档指出，get_history 与 get_price 接口不支持多线程同时调用。如果在 run_daily 或 run_interval 等定时函数中，与 handle_data 同一时刻调用这些接口，不仅可能导致数据获取为空，还可能引发底层阻塞，影响速度。
优化方法：合理错开定时任务的时间，避免与 handle_data 的执行时刻（每分钟的整点）完全重合。
通过以上优化，特别是使用 is_dict=True 和将日频数据获取移至盘前，通常可以显著缩短分钟级别策略的回测时间。