technical-patterns-lab/discuss/20260130-检测算法优化方案.md

收敛三角形检测算法优化方案

目标场景

• 股票数量: 5000只
• 运行频率: 每天执行
• 当前耗时: 10-60秒（预估）
• 优化目标: <5秒（10倍提速）
• 质量要求: 保持检测准确率

---

性能瓶颈分析

当前算法流程

检测流程（每只股票/每天）：
┌─────────────────────────────────────────────────┐
│ 1. 枢轴点检测 (pivots_fractal_hybrid)      30% │ ← 热点1
│ 2. 边界线拟合 (fit_pivot_line)             25% │ ← 热点2  
│ 3. 几何验证 (收敛度/触碰/斜率)             20% │
│ 4. 突破强度计算 (价格/成交量)              15% │
│ 5. DataFrame构建 + 数据复制                10% │ ← 热点3
└─────────────────────────────────────────────────┘

关键瓶颈

1. 枢轴点检测: O(n*k) 滑动窗口，重复计算
2. 边界线拟合: 迭代离群点移除，多次最小二乘
3. Python循环: 大量stock×day双层循环
4. 内存分配: 频繁创建临时数组

---

优化方案（分级实施）

🚀 Level 1: 向量化优化（预期提速2-3倍）

1.1 枢轴点检测向量化

当前实现 (O(n*k) 滑动窗口):

def pivots_fractal(high, low, k=15):
    """滑动窗口查找局部极值"""
    ph, pl = [], []
    for i in range(k, len(high) - k):
        # 检查左右k个点
        if all(high[i] >= high[j] for j in range(i-k, i+k+1) if j != i):
            ph.append(i)
        if all(low[i] <= low[j] for j in range(i-k, i+k+1) if j != i):
            pl.append(i)
    return np.array(ph), np.array(pl)

优化方案 (向量化):

def pivots_fractal_vectorized(high, low, k=15):
    """
    向量化枢轴点检测
    
    核心思路：
    1. 使用scipy.signal.argrelextrema一次性找所有极值
    2. 或使用卷积/滚动窗口向量化计算
    
    预期提速：3-5倍
    """
    from scipy.signal import argrelextrema
    
    # 找局部极大值（高点）
    ph = argrelextrema(high, np.greater_equal, order=k)[0]
    
    # 找局部极小值（低点）
    pl = argrelextrema(low, np.less_equal, order=k)[0]
    
    return ph, pl


def pivots_fractal_rolling(high, low, k=15):
    """
    使用pandas滚动窗口实现
    
    预期提速：2-4倍
    """
    import pandas as pd
    
    high_series = pd.Series(high)
    low_series = pd.Series(low)
    
    # 滚动窗口找最大/最小值索引
    window = 2*k + 1
    high_rolling_max = high_series.rolling(window, center=True).max()
    low_rolling_min = low_series.rolling(window, center=True).min()
    
    # 中心点等于窗口极值的位置即为枢轴点
    ph = np.where((high_series == high_rolling_max) & (high_series.notna()))[0]
    pl = np.where((low_series == low_rolling_min) & (low_series.notna()))[0]
    
    return ph, pl

实施：

• 文件：src/converging_triangle.py
• 函数：pivots_fractal() 和 pivots_fractal_hybrid()
• 向下兼容：保留原函数作为fallback

---

1.2 边界线拟合优化

当前实现 (迭代离群点移除):

def fit_pivot_line(pivot_indices, pivot_values, mode="upper", max_iter=10):
    """迭代移除离群点，多次最小二乘拟合"""
    for iter in range(max_iter):
        a, b = np.polyfit(indices, values, 1)  # 最小二乘
        residuals = values - (a * indices + b)
        outliers = find_outliers(residuals)
        if no_outliers: break
        remove_outliers()
    return a, b

优化方案A (预计算+缓存):

def fit_pivot_line_cached(pivot_indices, pivot_values, mode="upper", cache=None):
    """
    缓存中间结果，避免重复计算
    
    场景：相邻日期的枢轴点大部分重叠
    策略：缓存最近N天的拟合结果，增量更新
    
    预期提速：30-50%（针对滚动窗口场景）
    """
    cache_key = (tuple(pivot_indices), tuple(pivot_values), mode)
    
    if cache and cache_key in cache:
        return cache[cache_key]
    
    # 原有拟合逻辑
    result = _fit_pivot_line_core(pivot_indices, pivot_values, mode)
    
    if cache is not None:
        cache[cache_key] = result
    
    return result

优化方案B (快速拟合算法):

def fit_pivot_line_ransac(pivot_indices, pivot_values, mode="upper"):
    """
    使用RANSAC快速拟合（对离群点鲁棒）
    
    sklearn.linear_model.RANSACRegressor
    预期提速：2-3倍
    """
    from sklearn.linear_model import RANSACRegressor
    
    X = pivot_indices.reshape(-1, 1)
    y = pivot_values
    
    ransac = RANSACRegressor(
        residual_threshold=threshold,
        max_trials=100,
        random_state=42
    )
    ransac.fit(X, y)
    
    a = ransac.estimator_.coef_[0]
    b = ransac.estimator_.intercept_
    inlier_mask = ransac.inlier_mask_
    
    return a, b, np.where(inlier_mask)[0]

推荐: 先实施方案A（缓存），简单且收益稳定

---

1.3 消除Python循环

当前实现 (双层循环):

def detect_converging_triangle_batch(...):
    results = []
    for stock_idx in range(n_stocks):
        for date_idx in range(start_day, end_day + 1):
            result = detect_converging_triangle_single(
                stock_idx, date_idx, ...
            )
            results.append(result)
    return pd.DataFrame(results)

优化方案 (向量化外层):

def detect_converging_triangle_batch_vectorized(...):
    """
    外层循环向量化
    
    策略：
    1. 按date_idx分组，一次处理所有股票
    2. 使用numpy广播并行计算
    
    预期提速：1.5-2倍
    """
    all_results = []
    
    for date_idx in range(start_day, end_day + 1):
        # 一次性处理所有股票在同一天的检测
        # 提取窗口数据（向量化）
        window_start = date_idx - window + 1
        high_windows = high_mtx[:, window_start:date_idx+1]  # (n_stocks, window)
        low_windows = low_mtx[:, window_start:date_idx+1]
        
        # 批量检测枢轴点（利用numpy向量运算）
        pivots_batch = detect_pivots_batch(high_windows, low_windows)
        
        # 批量拟合边界线
        fits_batch = fit_lines_batch(pivots_batch)
        
        # 批量计算强度
        strengths_batch = calc_strengths_batch(fits_batch, ...)
        
        all_results.append(strengths_batch)
    
    return np.vstack(all_results)

关键: 需要重构算法，使单个函数能处理 (n_stocks, window) 维度

---

⚡ Level 2: Numba JIT加速（预期提速5-10倍）

2.1 Numba加速核心函数

from numba import jit, prange

@jit(nopython=True, parallel=True, cache=True)
def pivots_fractal_numba(high, low, k=15):
    """
    Numba加速枢轴点检测
    
    优势：
    - nopython=True: 编译为机器码
    - parallel=True: 多线程并行
    - cache=True: 缓存编译结果
    
    预期提速：10-20倍（相比纯Python）
    """
    n = len(high)
    ph_list = []
    pl_list = []
    
    for i in prange(k, n - k):  # 并行循环
        # 检查是否为高点
        is_high_pivot = True
        for j in range(i - k, i + k + 1):
            if j != i and high[i] < high[j]:
                is_high_pivot = False
                break
        if is_high_pivot:
            ph_list.append(i)
        
        # 检查是否为低点
        is_low_pivot = True
        for j in range(i - k, i + k + 1):
            if j != i and low[i] > low[j]:
                is_low_pivot = False
                break
        if is_low_pivot:
            pl_list.append(i)
    
    return np.array(ph_list), np.array(pl_list)


@jit(nopython=True, cache=True)
def fit_line_numba(x, y):
    """Numba加速最小二乘拟合"""
    n = len(x)
    x_mean = np.mean(x)
    y_mean = np.mean(y)
    
    numerator = np.sum((x - x_mean) * (y - y_mean))
    denominator = np.sum((x - x_mean) ** 2)
    
    a = numerator / denominator
    b = y_mean - a * x_mean
    
    return a, b


@jit(nopython=True, parallel=True)
def detect_batch_numba(
    high_mtx, low_mtx, close_mtx, volume_mtx,
    window, k, start_day, end_day
):
    """
    Numba加速批量检测
    
    核心优化：
    - 消除Python对象开销
    - 并行化最外层循环
    - 预分配结果数组
    
    预期提速：5-10倍
    """
    n_stocks, n_days = high_mtx.shape
    total_points = n_stocks * (end_day - start_day + 1)
    
    # 预分配结果数组
    strength_up = np.zeros(total_points, dtype=np.float64)
    strength_down = np.zeros(total_points, dtype=np.float64)
    is_valid = np.zeros(total_points, dtype=np.bool_)
    
    # 并行处理每个检测点
    for idx in prange(total_points):
        stock_idx = idx // (end_day - start_day + 1)
        day_offset = idx % (end_day - start_day + 1)
        date_idx = start_day + day_offset
        
        # 提取窗口数据
        window_start = date_idx - window + 1
        high_win = high_mtx[stock_idx, window_start:date_idx+1]
        low_win = low_mtx[stock_idx, window_start:date_idx+1]
        
        # 检测枢轴点
        ph, pl = pivots_fractal_numba(high_win, low_win, k)
        
        # ... 后续处理 ...
        
        strength_up[idx] = computed_strength_up
        strength_down[idx] = computed_strength_down
        is_valid[idx] = computed_is_valid
    
    return strength_up, strength_down, is_valid

实施要点：

• Numba要求函数纯数值计算，不能有pandas/字典等Python对象
• 首次运行会有JIT编译开销（~1-2秒），后续调用极快
• 需要将算法拆分为纯数值函数

---

🔥 Level 3: 并行化+缓存策略（预期提速10-20倍）

3.1 多进程并行

from multiprocessing import Pool, cpu_count
from functools import partial

def detect_stock_range(stock_indices, high_mtx, low_mtx, ...):
    """处理一批股票的检测任务"""
    results = []
    for stock_idx in stock_indices:
        for date_idx in range(start_day, end_day + 1):
            result = detect_converging_triangle_single(
                stock_idx, date_idx, high_mtx, low_mtx, ...
            )
            results.append(result)
    return results


def detect_converging_triangle_parallel(
    high_mtx, low_mtx, close_mtx, volume_mtx,
    params, start_day, end_day,
    n_workers=None
):
    """
    多进程并行检测
    
    策略：
    - 将5000只股票分成n_workers组
    - 每个进程处理一组股票
    - 主进程合并结果
    
    预期提速：接近线性（8核约7倍）
    """
    n_stocks = high_mtx.shape[0]
    n_workers = n_workers or cpu_count() - 1
    
    # 分配任务（按股票索引分组）
    stock_groups = np.array_split(range(n_stocks), n_workers)
    
    # 创建部分函数（固定参数）
    detect_fn = partial(
        detect_stock_range,
        high_mtx=high_mtx,
        low_mtx=low_mtx,
        close_mtx=close_mtx,
        volume_mtx=volume_mtx,
        params=params,
        start_day=start_day,
        end_day=end_day
    )
    
    # 并行执行
    with Pool(n_workers) as pool:
        results_groups = pool.map(detect_fn, stock_groups)
    
    # 合并结果
    all_results = []
    for group_results in results_groups:
        all_results.extend(group_results)
    
    return pd.DataFrame(all_results)

注意：

• 适合CPU密集型任务
• 需要足够内存（数据复制到子进程）
• 5000只股票场景下，8-16核最优

---

3.2 增量计算+缓存

class IncrementalDetector:
    """
    增量检测器：缓存历史计算结果
    
    场景：每天新增一个交易日，复用历史检测结果
    策略：
    1. 缓存最近N天的枢轴点/拟合线
    2. 新增日期时只计算增量部分
    3. LRU淘汰旧缓存
    
    预期收益：
    - 首次运行：无加速
    - 后续每日：提速5-10倍（只需计算最新day）
    """
    
    def __init__(self, window=240, cache_size=100):
        self.window = window
        self.pivot_cache = {}  # {stock_idx: {date_idx: (ph, pl)}}
        self.fit_cache = {}    # {stock_idx: {date_idx: fit_result}}
        self.cache_size = cache_size
    
    def detect_incremental(self, stock_idx, new_date_idx, high, low, close, volume):
        """
        增量检测：利用缓存快速计算
        
        逻辑：
        1. 检查缓存中是否有前一天的结果
        2. 如果有，只需：
           - 更新枢轴点（新增1天数据）
           - 复用历史拟合结果
        3. 如果无，全量计算并缓存
        """
        prev_date_idx = new_date_idx - 1
        
        # 尝试从缓存获取前一天结果
        if stock_idx in self.pivot_cache and prev_date_idx in self.pivot_cache[stock_idx]:
            # 增量更新枢轴点
            prev_ph, prev_pl = self.pivot_cache[stock_idx][prev_date_idx]
            new_ph, new_pl = self._update_pivots_incremental(
                prev_ph, prev_pl, high, low, new_date_idx
            )
        else:
            # 全量计算
            new_ph, new_pl = pivots_fractal(high, low, k=15)
        
        # 缓存枢轴点
        if stock_idx not in self.pivot_cache:
            self.pivot_cache[stock_idx] = {}
        self.pivot_cache[stock_idx][new_date_idx] = (new_ph, new_pl)
        
        # ... 后续处理 ...
        
        return result
    
    def _update_pivots_incremental(self, prev_ph, prev_pl, high, low, new_idx):
        """
        增量更新枢轴点
        
        策略：
        1. 大部分枢轴点位置不变（相对索引+1）
        2. 只需检查窗口边界的新增/移除
        """
        # 简化版：这里需要更复杂的逻辑
        # 实际应该检查最近k个点是否形成新枢轴
        k = 15
        last_points = high[-2*k:]
        
        # 检查最新点是否为枢轴
        if self._is_pivot_high(last_points, k):
            prev_ph = np.append(prev_ph, new_idx)
        if self._is_pivot_low(low[-2*k:], k):
            prev_pl = np.append(prev_pl, new_idx)
        
        return prev_ph, prev_pl

实施优先级：

• 中等（适合生产环境每日运行）
• 首次启动无收益，后续每日收益显著

---

💾 Level 4: 数据结构优化（预期提速1.5-2倍）

4.1 使用Numpy结构化数组替代DataFrame

def detect_converging_triangle_batch_numpy(...):
    """
    使用numpy结构化数组替代pandas DataFrame
    
    优势：
    - 避免pandas对象开销
    - 内存连续，cache友好
    - 直接返回numpy数组供后续处理
    
    预期提速：30-50%（减少内存分配）
    """
    n_stocks, n_days = close_mtx.shape
    total_points = n_stocks * (end_day - start_day + 1)
    
    # 定义结果结构
    dtype = np.dtype([
        ('stock_idx', np.int32),
        ('date_idx', np.int32),
        ('is_valid', np.bool_),
        ('strength_up', np.float32),
        ('strength_down', np.float32),
        ('convergence_score', np.float32),
        ('volume_score', np.float32),
        ('geometry_score', np.float32),
        ('activity_score', np.float32),
        ('tilt_score', np.float32),
    ])
    
    # 预分配结果数组
    results = np.empty(total_points, dtype=dtype)
    
    idx = 0
    for stock_idx in range(n_stocks):
        for date_idx in range(start_day, end_day + 1):
            result = detect_single(stock_idx, date_idx, ...)
            
            # 直接写入结构化数组（无中间对象）
            results[idx]['stock_idx'] = stock_idx
            results[idx]['date_idx'] = date_idx
            results[idx]['is_valid'] = result.is_valid
            results[idx]['strength_up'] = result.strength_up
            # ...
            idx += 1
    
    return results  # 后续可转为DataFrame: pd.DataFrame(results)

---

4.2 内存映射文件（大规模数据）

def load_data_mmap(data_dir):
    """
    使用内存映射加载数据
    
    适用场景：
    - 数据量 > 可用内存
    - 多进程共享数据（避免复制）
    
    预期收益：
    - 加载时间：从秒级降到毫秒级
    - 内存占用：0（按需加载页面）
    """
    import os
    
    # 保存为.npy格式（支持mmap）
    high_mmap = np.load(
        os.path.join(data_dir, 'high.npy'),
        mmap_mode='r'  # 只读模式
    )
    
    return high_mmap  # 返回mmap对象，按需加载数据


def save_data_for_mmap(data, filepath):
    """保存数据为mmap兼容格式"""
    np.save(filepath, data)

---

优化实施路线图

Phase 1: 快速收益（1-2周，预期2-3倍提速）

优先级P0：

1. ✅ 枢轴点检测向量化（使用scipy或pandas rolling）
2. ✅ 边界线拟合缓存
3. ✅ 消除简单的Python循环（能向量化的先向量化）

预期收益：

• 耗时：30-60秒 → 10-20秒
• 实施难度：低
• 风险：低（向下兼容）

---

Phase 2: Numba加速（2-3周，预期5-10倍提速）

优先级P1：

1. ✅ 核心函数Numba化（pivots/fit_line/calc_strength）
2. ✅ 批量检测主循环Numba化
3. ⚠️ 单元测试（确保数值精度一致）

预期收益：

• 耗时：10-20秒 → 2-5秒
• 实施难度：中
• 风险：中（需要验证数值稳定性）

注意事项：

# Numba限制：
# 1. 不支持pandas DataFrame（需改用numpy）
# 2. 不支持字典/列表（需改用numpy数组）
# 3. 不支持动态类型（需显式类型标注）

# 解决方案：
# - 将pandas逻辑分离到外层
# - 核心计算用纯numpy实现
# - 添加类型标注

---

Phase 3: 并行化（1周，预期10-20倍提速）

优先级P2（如果Phase 2后仍需优化）：

1. ✅ 多进程并行检测（Pool/ProcessPoolExecutor）
2. ✅ 增量计算+缓存策略（生产环境每日运行）

预期收益：

• 耗时：2-5秒 → <1秒
• 实施难度：低（如果已完成Phase 1-2）
• 风险：低

---

Phase 4: 极致优化（按需实施）

优先级P3（仅当前面优化不够）：

1. Cython重写核心模块（C扩展）
2. GPU加速（CUDA/cupy）
3. Rust扩展（pyo3）

预期收益：

• 耗时：<1秒 → 毫秒级
• 实施难度：高
• 风险：高（维护成本）

---

基准测试脚本

使用现有测试脚本

# 当前项目已有性能测试脚本
cd d:\project\technical-patterns-lab

# 运行小规模测试（10只股票）
python scripts/test_performance.py

# 查看profiling结果
pip install snakeviz
snakeviz outputs/performance/profile_*.prof

创建5000股测试脚本

# scripts/benchmark_5000_stocks.py
"""
5000只股票性能测试
"""
import time
import numpy as np
from src.converging_triangle import detect_converging_triangle_batch, ConvergingTriangleParams

def generate_synthetic_data(n_stocks=5000, n_days=500):
    """生成合成数据用于测试"""
    np.random.seed(42)
    
    base_price = 10 + np.random.randn(n_stocks, 1) * 2
    returns = np.random.randn(n_stocks, n_days) * 0.02
    
    close = base_price * np.cumprod(1 + returns, axis=1)
    high = close * (1 + np.abs(np.random.randn(n_stocks, n_days)) * 0.01)
    low = close * (1 - np.abs(np.random.randn(n_stocks, n_days)) * 0.01)
    open_ = close * (1 + np.random.randn(n_stocks, n_days) * 0.005)
    volume = np.random.randint(100000, 1000000, (n_stocks, n_days))
    
    return open_, high, low, close, volume

def benchmark_5000_stocks():
    print("=" * 80)
    print("5000只股票性能测试")
    print("=" * 80)
    
    # 生成数据
    print("\n生成测试数据...")
    open_, high, low, close, volume = generate_synthetic_data(5000, 500)
    print(f"数据形状: {close.shape}")
    
    # 配置参数
    params = ConvergingTriangleParams(window=240, pivot_k=15)
    
    # 测试
    print("\n开始检测...")
    start = time.time()
    
    df = detect_converging_triangle_batch(
        open_mtx=open_,
        high_mtx=high,
        low_mtx=low,
        close_mtx=close,
        volume_mtx=volume,
        params=params,
        start_day=239,
        end_day=499,
        only_valid=True,
        verbose=False
    )
    
    elapsed = time.time() - start
    
    # 结果
    print("\n" + "=" * 80)
    print("测试结果")
    print("=" * 80)
    print(f"总耗时: {elapsed:.2f} 秒")
    print(f"检测点数: {5000 * 261}")  # (500-239)
    print(f"速度: {5000*261/elapsed:.1f} 点/秒")
    print(f"有效形态: {len(df)}")
    
    # 评估
    print("\n" + "=" * 80)
    if elapsed < 5:
        print("✅ 性能优秀! (<5秒)")
    elif elapsed < 10:
        print("✔️  性能良好 (5-10秒)")
    elif elapsed < 30:
        print("⚠️  性能一般 (10-30秒), 建议优化")
    else:
        print("❌ 性能较差 (>30秒), 急需优化")

if __name__ == '__main__':
    benchmark_5000_stocks()

---

质量保证

回归测试

# tests/test_optimization_correctness.py
"""
优化正确性测试：确保优化后结果一致
"""
import numpy as np
import pytest

def test_optimized_vs_original():
    """对比优化版本和原版本的结果"""
    # 加载测试数据
    data = load_test_case()
    
    # 原版本
    result_orig = detect_original(data)
    
    # 优化版本
    result_opt = detect_optimized(data)
    
    # 验证结果一致（允许微小数值误差）
    np.testing.assert_allclose(
        result_orig['strength_up'],
        result_opt['strength_up'],
        rtol=1e-5,
        atol=1e-8
    )
    
    # 验证有效性标记完全一致
    assert (result_orig['is_valid'] == result_opt['is_valid']).all()

---

预期效果总结

优化阶段	实施难度	预期提速	累计提速	总耗时(5000股)
当前	-	-	1x	30-60秒
Phase 1	低	2-3x	2-3x	10-20秒
Phase 2	中	5-10x	10-30x	2-5秒
Phase 3	低	10-20x	20-60x	<1秒
Phase 4	高	50-100x	100-300x	毫秒级

推荐路径: Phase 1 → Phase 2 → 观察是否满足需求 → 按需进入Phase 3

---

立即行动

本周任务

1. 基准测试当前性能

   python scripts/benchmark_5000_stocks.py
   

2. 确认瓶颈函数

   python -m cProfile -o profile.stats scripts/benchmark_5000_stocks.py
   python -m pstats profile.stats
   # >> stats
   # >> sort cumulative
   # >> stats 20
   

3. 优先实施：枢轴点检测向量化（收益最大、难度最低）

---

需要我帮你实现具体的优化代码吗？比如从枢轴点检测向量化开始？