4. Numba入门
在上一节中，我们已经理解了为什么高频行情处理需要把 Python 从“解释执行”推进到“机器码执行”。Numba 正是这条路径上最轻量的入口：它不要求你改写为 C，也不要求你手工管理内存，只需要在函数上加一个装饰器，就能把热点函数编译成原生机器码。但“加装饰器”只是表象，真正决定性能与稳定性的，是编译模式、类型推断和首次调用开销这三件事。
一、核心原理：@jit 到底做了什么
Numba 的工作方式可以概括为“延迟编译 + 类型特化”。当你写下 @jit 时，函数并不会立刻被编译，而是被包装成一个调度对象。第一次被调用时，Numba 会观察传入参数的类型，尝试进行类型推断，然后为这组具体类型生成一份机器码并缓存。后续相同类型的调用直接走已编译版本，不再经过 Python 解释器逐行执行。
这里的关键是“类型特化”：同一个函数，传入 float64 数组和传入 int32 数组，可能生成两份不同的机器码。这既是 Numba 高效的原因，也是新手最容易踩坑的地方——类型不稳定会导致反复编译。
二、nopython 模式与对象模式：性能的分水岭
Numba 有两种主要编译模式。第一种是 nopython 模式，要求函数内部所有操作都能被编译为不依赖 Python 运行时的原生代码。这是性能最好的模式，也是 Numba 官方推荐的目标。第二种是 object 模式，当某些操作无法脱离 Python 对象时，Numba 会回退到对象模式，此时函数仍然可以运行，但大量操作仍走 Python 解释器，加速效果可能非常有限，甚至更慢。
因此，实践中应优先使用 @njit，它等价于 @jit(nopython=True)。一旦无法进入 nopython 模式，它会直接抛出编译错误，而不是悄悄回退。这种“失败即暴露”的策略，能帮助你在开发阶段就发现类型不兼容、使用了不支持的特性等问题。
from numba import jit, njit
import numpy as np
# 推荐写法：强制 nopython 模式
@njit
def rolling_mean(arr, window):
n = arr.shape[0]
out = np.empty(n - window + 1, dtype=np.float64)
for i in range(out.shape[0]):
s = 0.0
for j in range(window):
s += arr[i + j]
out[i] = s / window
return out
# 等价写法
@jit(nopython=True)
def rolling_mean_v2(arr, window):
return rolling_mean(arr, window)
@njit 试编译。若报错，再根据错误信息定位不支持的语法或类型，而不是直接退回 object 模式。
三、编译选项与首次调用开销
Numba 提供了多个编译选项，常用的包括 nopython、cache、parallel、fastmath 和 nogil。其中 cache=True 对高频行情场景尤其重要：它会把编译结果写入磁盘缓存，下次启动程序时直接加载，避免重复编译。对于需要反复重启的策略服务，这能显著降低冷启动延迟。
| 编译选项 | 作用 | 高频行情场景建议 |
|---|---|---|
nopython=True |
强制脱离 Python 对象，生成纯机器码 | 默认开启，保证真实加速 |
cache=True |
将编译结果缓存到磁盘 | 策略服务重启频繁时强烈建议开启 |
parallel=True |
自动并行化循环 | 批量因子计算、横截面运算可尝试 |
fastmath=True |
放宽浮点精度换取速度 | 对精度不敏感的统计量可开启 |
nogil=True |
释放 GIL，允许与其他线程并行 | 多线程行情处理管线中可考虑 |
首次调用开销是 Numba 最容易被忽视的成本。第一次调用某个特化类型时，Numba 需要完成类型推断、LLVM IR 生成、优化和机器码生成，这个过程可能从几十毫秒到数秒不等。对于高频交易系统，如果首次调用发生在开盘瞬间，就可能造成明显的延迟抖动。因此，常见的做法是在系统启动阶段用代表性数据“预热”函数，让编译在开盘前完成。
import numpy as np
from numba import njit
@njit(cache=True)
def compute_signal(prices, threshold):
total = 0.0
for i in range(prices.shape[0]):
if prices[i] > threshold:
total += prices[i]
return total
# 启动阶段预热：用真实类型触发编译
warmup = np.random.rand(1000).astype(np.float64)
_ = compute_signal(warmup, 0.5)
# 后续实盘调用直接命中缓存
real = np.random.rand(100000).astype(np.float64)
result = compute_signal(real, 0.5)
float64，实盘传入 float32，Numba 会为 float32 重新编译一次，首次调用开销依然存在。
四、案例与误区复盘
假设我们要计算逐笔成交数据的滚动成交量加权均价。一个常见误区是直接在函数里使用 Python 的 list 或 dict，这会导致 Numba 无法进入 nopython 模式。正确做法是使用 NumPy 数组和标量循环，让所有操作都可被类型推断。
from numba import njit
import numpy as np
@njit(cache=True)
def vwap(price, volume):
pv = 0.0
v = 0.0
for i in range(price.shape[0]):
pv += price[i] * volume[i]
v += volume[i]
return pv / v if v != 0.0 else 0.0
price = np.array([10.1, 10.2, 10.15], dtype=np.float64)
volume = np.array([100.0, 200.0, 150.0], dtype=np.float64)
print(vwap(price, volume))
另一个高频误区是“加了 @jit 就一定快”。如果函数内部大量调用其他 Python 函数、使用字符串操作或动态类型，Numba 可能回退到 object 模式，性能甚至不如纯 Python。复盘时可以用 func.inspect_types() 查看类型推断结果，确认是否真正进入了 nopython 模式。