今天仍旧在处理期限结构因子，但是大部分时间在做另一件事儿：优化回测框架的 Position 类的性能。

起因是在研究策略的时候，发现用自己开发的回测框架运行常常耗费大量时间，一次回测甚至要 3 秒。究其原因，发现性能瓶颈主要出现在 Position 类生成持仓数据的过程。这个过程会在一个 for 循环中处理每一日的持仓，而且仅使用 pandas 的方法来处理数据，效率极低。

于是我决定将这一过程也向量化。首先，需要每日将因子值正反排序，并取其 rank。由于 numpy 中没有类似的方法，于是我刚开始的想法是诉诸于 scipy。但是测试之后发现，scipy 并没有为 rank 的计算带来很高的效率提升。对源代码层层拨茧抽丝，发现 scipy 实现时完全使用 numpy 进行计算，而 pandas.DataFrame 的 rank() 方法本来就是用 Cython 实现的，自然不会有很大的性能差异。因此，rank 的计算就交给 pandas 本身了。后续，我将数据由 DataFrame 转换成 NDArray，一通操作，又处理了一大堆 bug、warning 和计算结果不一致的问题，最后终于将函数改写成效果一样，但性能差异巨大的另一个函数。经过测试，新的函数计算效率能够达到原函数的几十上百倍。

有了快速回测的函数，终于可以愉快地对策略调参了。这个期限结构的策略真的很有意思，它带来的信息不会迅速衰减，因此即使按照 20 日的频率调仓都能够带来很好的正收益，而且曲线相当稳定，即使考虑了一定的交易费率。我仔细检查了因子逻辑，应当是没有使用到未来数据。而再用公司的回测框架测试，效果也十分可观。

策略回测结果

这件事相当神奇，因为一个这么简单的因子按道理不会有这么漂亮的收益。而这不是最令我费解的部分。诡异的事情在于，如果要得到这样好的收益，我必须要将因子值做成研报所展示的因子的相反数。也就是说，研报上的逻辑要做多时我应该做空，研报上的逻辑要做空时我则应该做多。这不太正常，尽管我对于这一因子的经济逻辑仍然理解得不是很清楚。但是应该不是我的回测框架的问题，因为我的因子值即使在公司的回测框架上也能得到很好的收益，乃至 2 以上的夏普比率。

明天要再好好检查一下因子逻辑是否有问题，不行就跟带教讨论一下好了。