很多人问我，quicklib适合做高频吗？
这让我无法一句话回答，因为不同的朋友所指的高频的概念是不同的。
首先高频需要满足2个基本条件：1.托管 2.付费行情
如果这2个条件做不到，就不能算是高频。
这2个条件是做高频的必要条件，而不是满足这2个条件就是高频了。

    当满足这2个条件后，我们再讨论高频的问题。
高频有几种类型，但因为大多数方式都是下单后立刻撤单，所以需要逻辑代码执行路径要尽可能短，所以高频通常是直接用C++开发，直接使用C++开发，而不需要和其他语言交互，使得逻辑代码的执行路径较短，所以用C++做开发是高频理想的选择，因为逻辑代码执行路径的长短是影响高频收益能力的主要因素。

    对采用指标计算的策略（量化）而言，比如普通的MACD，MA这些指标计算，本质上市对时间序列的处理，对Python而言，硬件针对Python做了优化，经过测试比直接用C++计算还快10%左右。由于对基于时间序列的指标计算，代码逻辑长短不是主要因素，所以采用Python+C++结合的方式，反而是一对黄金组合，底层使用C++,而基于时间序列部分采用Python，矩阵处理的计算使用Python库，效率反而更好，或二者效率差异微乎其微。Quicklib就是Python和C++结合的模式，并采用行情驱动、消息驱动，使得算法是0延时，将二种语言的优点无缝结合在一起。

其实一味讨论性能没有意义，以2016年主流CPU配置（1000-2000元），每秒可以进行20万次以上的普通指标计算，快是多快慢是多慢本身就没有意义，不如直接加几百块买更好的CPU来的实在，而不要花几个月时间陷入无限过度优化的工作中，你优化的这段时间，新的CPU产品推出，可能新一代CPU硬件性能提升已经超过了你优化的程度。与其那样，还不如什么都不做，等几个月用相同的钱买更快的CPU。

   所以过度追求性能是没有意义的。

   决定性能最主要因素是架构和硬件。也可以采用GPU加速的方式，采用几千元的NVIDIA CUDA加速计算，可以使得计算提升到140倍以上，当然代码也存在兼容性问题，普通云主机无法采用GPU加速。需要买有GPU加速的服务。
对普通策略是没必要采用GPU加速的，因为CPU计算能力远远足够。

当然对非线性交易系统（神经网络、深度学习、隐马尔可夫链等、随机森林等）的复杂训练和计算，采用GPU加速是一种更好的选择。