C++23 Backtest-Engine
Von 7 Schichten und 5 Prozessen auf 4 Schichten und 2 Prozesse. Eine zweckgebundene Ausführungs-Engine für quantitative Forschungsgeschwindigkeit.
Architektur-Evolution
Drei Generationen der Verfeinerung: Overhead auf jeder Schicht eliminieren.
V1: Multi-Prozess
7+ Abstraktionsschichten, 5 separate Prozesse, IPC-Serialisierungs-Overhead. Python-only-Ausführung mit hoher Architekturkomplexität.
V2: Konsolidierung
Reduzierte Prozessanzahl, C++-Komponenten eingeführt. Übergangsarchitektur, die das eingebettete Ausführungskonzept beweist.
V3: Eingebettete Engine
4 Schichten, 2 Prozesse, 1 Protokoll. C++-Executor mit pybind11-eingebettetem Python. Zero-Copy Apache Arrow zu NumPy Datenfluss.
Performance-Benchmarks
Gemessen mit RDTSC-Timing, CPU-Affinität-Pinning und P50/P90/P99/P999-Perzentil-Tracking.
| Metrik | Gemessen | Ziel |
|---|---|---|
| Latenz pro Bar | 2,15 ns | < 1 µs |
| GIL-Akquirierzeit | 26,62 ns | < 10 µs |
| GIL-Haltezeit | 203,30 ns | < 100 µs |
| SIMD-Speedup (AVX2) | 2,48x | ≥ 2x |
| Lock-free-Durchsatz | 15,73 M ops/s | > 10 M ops/s |
| Gesamt vs. Python | 500-1000x | > 100x |
Zero-Copy-Datenpipeline
Von Marktdaten bis zur Strategieausführung ohne Speicherkopien.
Parquet-Ingestion
Marktdaten im Apache Parquet Format mit spaltenbasierter Komprimierung gespeichert. Direkter Memory-Mapped-Dateizugriff eliminiert Deserialisierungs-Overhead.
Arrow-In-Memory-Format
Apache Arrow bietet ein sprachunabhängiges spaltenbasiertes Speicherlayout. C++ und Python teilen denselben Speicher ohne Kopie oder Konvertierung.
NumPy Zero-Copy-Zugriff
pybind11 stellt Arrow-Puffer als NumPy-Arrays im selben Speicherbereich bereit. Strategie-Python-Code liest C++-eigene Daten ohne Allokation.
Optimierungsreise
Von Architektur bis Nanosekunden: ein systematischer Ansatz zur Performance.
V3 Single-Prozess-Executor eliminierte IPC-Serialisierung, Prozess-Spawning und prozessübergreifendes Daten-Marshaling. Der größte Gewinn kam durch architektonische Vereinfachung.
RDTSC-Timing mit CPU-Affinität-Pinning. P50/P90/P99/P999-Perzentil-Tracking über 12 Benchmark-Programme. Reproduzierbare Messinfrastruktur etabliert.
LTO, -march=native, xsimd SIMD-Abstraktion, mimalloc-Allokator, Quill Low-Latency-Logging, Abseil-Container. Compiler- und Bibliotheks-Optimierungen.
PMR-Infrastruktur, Cache-ausgerichtete Allokatoren, null Hot-Path-Allokationen. Ziel: L1-Cache-Miss < 5% und TLB-Miss < 0,5%.
Die Geschwindigkeit erleben
Klonen, bauen und ersten Backtest in Minuten ausführen. Die Engine ist in der kostenlosen Version enthalten.
git clone https://github.com/StratCraft/StratCraft.git\ncd StratCraft\npnpm install && pnpm dev:desktop