Riskplayer, Вот эта версия работает медленнее, чем на numba.

def vectorized(initial_cash, cashes):
    balances = np.concatenate([[initial_cash], cashes])
    cumulative_max = np.maximum.accumulate(balances)
    drawdowns = (cumulative_max — balances) / cumulative_max
    return np.max(drawdowns)



Работает в 7 медленнее. Оно и логично. Версия на numba — однопроходная, без выделений памяти на массивы, а это максимально эффективное использование L1 кэша. Векторизованнная версия имеет 4 векторных операции и 4 вспомогательных массива, под которые выделяется память. Даже если некоторые из 4 векторных операций используют simd, то использование лишних массивов и несколько проходов убивают производительность. Ну и сильно сомневаюсь, что функция np.maximum.accumulate имеет simd реализацию, т.к. по своей природе алгоритм последовательный. Сорри за занудство:)

Riskplayer, ну да, лучше использовать numpy где можно, оно там под капотом активно использует simd, но иногда numpy недостаточно. Это просто пример примитивный, а в реальности может быть какая-нибудь стейт машина, которая работает над несколькими массивами.

Riskplayer, Конкретно в этом примере цикл не параллелится, потому что будет гонка, но да, некоторые циклы можно параллелить. Если нужен массовый параллелизм, то лучше использовать taichi с бэкендом cuda или vulkan.

Riskplayer, Не факт!
Взять, к примеру, этот топик: где тут хоть слово про биржу?!
А ведь в топе на главной!
Главное — на жалость бить
Типа «Запор есть, а денег нет. Что посоветуете?» (дарю идею! гарантированный топчик!)

Riskplayer,