性能基准与对齐审计¶
trade-learn 的核心原则是 “数值对齐高于一切”。本页提供在 55 万根 Bar 的超大规模数据和 13 个标准策略样本下的性能表现与审计存证。
1. 吞吐性能存证 (Throughput)¶
我们通过单标的高频压测和全市场规模调仓压测，验证引擎在不同负载下的吞吐极限。
55 万根 Bar 单标的对齐压测¶
场景：单标的（3 年分钟线）、双均线策略。
验证入口：benchmark_throughput.py
| 引擎模式 | 处理耗时 | 吞吐量 (Bars/s) | 加速比 | 最终权益 | 成交单数 | 闭环交易 | 状态 |
|---|---|---|---|---|---|---|---|
| Tradelearn Lite | 1.32s | 414,990 | 27.9x | 118,399.33 | 10,299 | 5,149 | EXACT |
| Tradelearn Engine | 3.37s | 162,883 | 11.0x | 118,399.33 | 10,299 | 5,149 | EXACT |
| Backtrader (Oracle) | 37.02s | 14,854 | 1.0x | 118,399.33 | 10,299 | 5,149 | - |
1000 标的大规模组合压测¶
场景：1000 标的、20 年数据、月频 Top-50 目标权重重平衡，合计 5,040,000 根 Bar。
验证入口：benchmark_target_weight_parity.py
| 引擎模式 | 处理耗时 | 吞吐量 (Bars/s) | 加速比 | 最终权益 | 完成订单 | 调仓意图 | 重平衡次数 |
|---|---|---|---|---|---|---|---|
| Tradelearn Lite | 2.40s | 2,094,237 | 119.1x | 4,199,638.26 | 23,249 | 23,249 | 239 |
| Tradelearn Engine | 4.11s | 1,225,594 | 69.7x | 4,199,638.26 | 23,249 | 23,249 | 239 |
| Backtrader (Oracle) | 286.53s | 17,589 | 1.0x | 4,199,638.26 | 23,249 | 23,249 | 239 |
2. 投研流水线耗时拆解¶
展示在真实的投研全流程（数据准备 → 因子计算 → 权重生成 → 回测 → 报告）中的耗时占比。
| 环节 | 耗时 (Sec) | 占比 | 业务含义 |
|---|---|---|---|
| 数据预对齐 | 0.029s | 4.0% | 多资产 OHLCV 内存对齐与数据准备 |
| 特征/因子计算 | 0.033s | 4.6% | 指标计算、特征工程与标签生成 |
| 信号与仓位生成 | 0.103s | 14.2% | 信号过滤与组合目标权重分配 |
| 核心撮合执行 | 0.025s | 3.4% | Tradelearn 引擎执行撮合记账 |
| 可视化报告渲染 | 0.442s | 61.0% | Bokeh 交互式 HTML 报告生成 |
| 结果持久化 | 0.093s | 12.8% | MLflow 记录与导出 Artifacts |
Tip
性能优化提示：可视化报告渲染占用了超过 60% 的总耗时。在进行大规模参数寻优（Optimization）或回测数千个因子时，建议关闭报告生成功能，这将立即使你的全链路吞吐量翻倍。
3. 策略对齐审计存证 (Audit)¶
Important
EXACT MATCH 意味着什么？ 这意味着 Tradelearn 的 Rust 撮合核在处理每一根 Bar 的买入、卖出、手续费扣除、盈亏计算时，与 Backtrader 产生的每一位浮点数都完全一致。
本部分通过 13 个标准策略样本，证明 Tradelearn Engine 与 Backtrader 的决策逻辑在微观层面完全等价。
3.1 核心 Engine 策略 (单标的)¶
表内对比值格式为：
Tradelearn / Backtrader
| 策略名称 | 最终权益 (Final Value) | 闭环交易数 | 累计 PnL | 状态 |
|---|---|---|---|---|
| QuickstartSmaCross | 100026.14 / 100026.14 | 16 / 16 | 26.14 / 26.14 | EXACT |
| SmaCross (Standard) | 99630.56 / 99630.56 | 3 / 3 | -247.72 / -247.72 | EXACT |
| Turtle (海龟策略) | 99995.64 / 99995.64 | 8 / 8 | -4.36 / -4.36 | EXACT |
| Enhanced RSI | 97875.79 / 97875.79 | 6 / 6 | -2124.21 / -2124.21 | EXACT |
| MacdTharp | 99998.98 / 99998.98 | 2 / 2 | -1.02 / -1.02 | EXACT |
| Order Execution | 99994.05 / 99994.05 | 13 / 13 | -5.95 / -5.95 | EXACT |
3.2 组合调仓策略 (多资产)¶
验证多数据源对齐、
order_target_percent及反波动权重语义。
| 策略名称 | 最终权益 (Final Value) | 订单笔数 | 加速比 | 状态 |
|---|---|---|---|---|
| TargetPercent Portfolio | 104447.50 / 104447.50 | 14 / 14 | 2.8x | EXACT |
| AssetClass Portfolios | 104003.95 / 104003.95 | 21 / 21 | 3.2x | EXACT |
| Trend Filtered Portfolio | 103430.20 / 103430.20 | 21 / 21 | 3.2x | EXACT |
| Inverse Volatility | 104410.00 / 104410.00 | 9 / 9 | 3.1x | EXACT |
4. 投研工作流示例¶
我们确保 Lite 与 Engine 两套入口生成的投研结果能进入同一套 Stats / 报告系统。
| 范围 | 完整示例路径 |
|---|---|
| Lite 投研流 | examples/research/index_enhance_lite_pipeline.py |
| Engine 投研流 | examples/research/index_enhance_engine_pipeline.py |
5. 复现命令¶
你可以通过运行以下脚本获取上述数据的实时验证：
# 复现单标对齐与吞吐
uv run python benchmarks/runners/benchmark_throughput.py --bars 550000
# 复现多资产组合对齐 (1000 标的)
uv run python benchmarks/runners/benchmark_target_weight_parity.py --symbols 1000 --bars 5040
# 复现全量示例策略审计
uv run python benchmarks/runners/benchmark_bt.py smart --repeat 1 --include-portfolio