bquant.core.performance — Производительность

Обзор

Инструменты мониторинга и оптимизации: метрики, глобальный монитор, декораторы и контексты, набор оптимизированных индикаторов, бенчмарки.

Сущности

• PerformanceMetrics: структура метрик (время, память, CPU, и т.д.)

• PerformanceMonitor:

  • record(metrics), get_stats(function_name=None), clear_stats(function_name=None), export_stats(file_path=None) -> DataFrame

• get_performance_monitor()

• Декоратор: @performance_monitor(enable_cpu=True, enable_memory=True)

• Контекст: performance_context(name)

• OptimizedIndicators: sma(prices, period), ema(prices, period), rsi(prices, period=14), macd(prices, fast=12, slow=26, signal=9), bollinger_bands(prices, period=20, std_dev=2)

• Бенчмаркинг: benchmark_function(func, *args, iterations=100, **kwargs), compare_implementations(implementations, test_data, iterations=50) -> DataFrame, memory_usage_analysis(func, *args, **kwargs)

Примеры

Мониторинг функции:

from bquant.core.performance import performance_monitor, get_performance_monitor

@performance_monitor()
def compute():
    import time; time.sleep(0.2)

compute()
print(get_performance_monitor().get_stats())

Контекст измерений:

import time
from bquant.core.performance import performance_context


def process():
    time.sleep(0.1)

with performance_context("data_processing"):
    process()

Оптимизированные индикаторы (NumPy):

import numpy as np
from bquant.core.performance import OptimizedIndicators

prices = np.random.rand(1000)
sma = OptimizedIndicators.sma(prices, 20)

Бенчмарк реализаций:

from bquant.core.performance import compare_implementations

impls = {
    'py_impl': lambda arr: sum(arr) / len(arr),
    'np_impl': lambda arr: arr.mean(),
}

import numpy as np
arr = np.random.rand(10_000)
print(compare_implementations(impls, arr, iterations=20))