如何加速異形NumPy代碼 - 矢量化，Numba？

我正在運行一個龐大的Python程序來優化（Markowitz）金融投資組合優化投資組合權重。當我剖析代碼時，90％的運行時間用於計算投資組合回報，這已經完成了數百萬次。我能做些什麼來加速我的代碼？我曾嘗試：如何加速異形NumPy代碼 - 矢量化，Numba？

矢量化回報的計算：使代碼較慢，從1.5毫秒〜3毫秒
用於從Numba功能autojit加快代碼：無變化

請參閱下面的示例 - 任何建議？

import numpy as np 


def get_pf_returns(weights, asset_returns, horizon=60): 
    ''' 
    Get portfolio returns: Calculates portfolio return for N simulations, 
    assuming monthly rebalancing. 

    Input 
    ----- 
    weights: Portfolio weight for each asset 
    asset_returns: Monthly returns for each asset, potentially many simulations 
    horizon: 60 months (hard-coded) 

    Returns 
    ------- 
    Avg. annual portfolio return for each simulation at the end of 5 years 
    ''' 
    pf = np.ones(asset_returns.shape[1]) 
    for t in np.arange(horizon): 
     pf *= (1 + asset_returns[t, :, :].dot(weights)) 
    return pf ** (12.0/horizon) - 1 


def get_pf_returns2(weights, asset_returns): 
    ''' Alternative ''' 
    return np.prod(1 + asset_returns.dot(weights), axis=0) ** (12.0/60) - 1 

# Example 
N, T, sims = 12, 60, 1000 # Settings 
weights = np.random.rand(N) 
weights *= 1/np.sum(weights) # Sample weights 
asset_returns = np.random.randn(T, sims, N)/100 # Sample returns 

# Calculate portfolio risk/return 
pf_returns = get_pf_returns(weights, asset_returns) 
print np.mean(pf_returns), np.std(pf_returns) 

# Timer 
%timeit get_pf_returns(weights, asset_returns) 
%timeit get_pf_returns2(weights, asset_returns)

編輯

解決方案：MATMUL是我的機器上速度最快：

def get_pf_returns(weights, asset_returns): 
    return np.prod(1 + np.matmul(asset_returns, weights), axis=0) ** (12.0/60) - 1

來源

2016-12-14 Morten I

在我的環境，mutmul（@）具有適度的時間優勢einsum和dot：

In [27]: np.allclose(np.einsum('ijk,k',asset_returns,weights),[email protected] 
    ...: hts) 
Out[27]: True 
In [28]: %timeit [email protected] 
100 loops, best of 3: 3.91 ms per loop 
In [29]: %timeit np.einsum('ijk,k',asset_returns,weights) 
100 loops, best of 3: 4.73 ms per loop 
In [30]: %timeit np.dot(asset_returns,weights) 
100 loops, best of 3: 6.8 ms per loop

我認爲時間是由計算的總數，比編碼細節較爲有限。所有這些都將計算傳遞給編譯的numpy代碼。原始循環版本相對較快的事實可能與較少的循環（僅60）以及更全面的dot中的內存管理問題有關。

而numba可能不會取代dot的代碼。

因此，這裏或那裏的調整可能會使您的代碼加速2倍，但不要期望數量級的提高。

來源

2016-12-14 18:35:53 hpaulj

謝謝！知道我能期待什麼是一個很大的幫助，然後我會看看其餘的代碼。 –

下面是一個使用np.einsum得到一個加速的一點點版本：

def get_pf_returns3(weights, asset_returns, horizon=60): 
    pf = np.ones(asset_returns.shape[1]) 
    z = np.einsum("ijk,k -> ij",asset_returns[:horizon,:,:], weights) 
    pf = np.multiply.reduce(1 + z) 
    return pf ** (12.0/horizon) - 1

然後計時：

%timeit get_pf_returns(weights, asset_returns) 
%timeit get_pf_returns3(weights, asset_returns) 
print np.allclose(get_pf_returns(weights, asset_returns), get_pf_returns3(weights, asset_returns)) 

# 1000 loops, best of 3: 727 µs per loop 
# 1000 loops, best of 3: 638 µs per loop 
# True

機器上的時間可能會因硬件而有所不同，而庫numpy是編譯時的時間。

來源

2016-12-14 17:27:15 JoshAdel

如何加速異形NumPy代碼 - 矢量化，Numba？

回答

相關問題