還在用pandas處理tick數據？看看怎樣將策略效率提升1000倍.
我們在設計量化交易系統時有一個非常重要的性能指標，即“內部響應時間”。該指標爲從系統收到信息（比如價格數據）到發出委託的時間間隔。該指標只和量化交易系統內部處理數據的性能相關，和交易所、經紀商、天氣或其他任何外部環境都無關聯（也就是純粹是您自己編程水平的問題）。
如果一個投資者的交易系統有更短的內部響應時間，那麼在其他條件相同的情況下，他就能更快地發出委託，更快地成交。如果衆多投資者採用相同或比較相似的策略（多虧了我們的科普工作，現在您也知道專業機構的策略思路了），那麼速度最快的那個投資者就會佔據最有利的地位，不但能夠第一個入場成交，還能先人一步去止盈止損。
由於目前國內主要期貨交易所的行情一般是500毫秒（1毫秒爲千分之一秒）一個切片，我們的交易一般也就在毫秒級別完成。
如何去衡量策略代碼的執行速度呢？
神通廣大的Python可以實現的方式有很多，比如timeit函數。
還記得我們曾經介紹過如何用真格量化跑tick策略麼，當時用的是Numpy裏的array來處理一系列tick數據。這是否是最快的方法呢？我們可以用timeit來測測速度。
比如我們拿一個2×1000的數組來模仿針對tick數據的隊列操作，即用一個隊列存儲5行數據，每行兩個整數，有新的一行數據時就對這個隊列進行先入先出的更新：
我們選來進行速度競賽的選手包括Numpy、Pandas和Deque（還有其他的選手您可以自己試試），看看誰跑得更快。
測試結果如下：
**Deque :
0.00146322382114秒
Pandas :
2.10415453728秒
Numpy Array :
0.00657957320599秒**
跑得最快的Deque居然只用1.46毫秒就完成了操作，Numpy用了6.58毫秒，而Pandas用了驚人（慢得驚人）的2.1秒！
在這個隊列操作上，Deque的速度是Pandas的1438倍，Numpy的速度是Pandas的320倍。
我們可以說，如果您不加考慮就使用Pandas來頻繁處理隊列數據，那很可能就輸在了起跑線上。您的策略程序“內部響應”時間就已經將您排除在高頻交易的朋友圈之外了。
如果您還在抱怨程序跑不快，不妨用timeit檢查一下到底是哪個地方掉了鏈子。