第4章编程语言选型

第4章：编程语言选型：C++ vs Python

做高频做市系统，第一个要拍板的问题就是：用什么语言写？

我见过不少团队，一上来就全用Python，结果延迟压不下去。也见过全用C++的，开发周期拖到半年，策略还没跑起来。说白了，这不是二选一的问题，而是怎么搭配的问题。

4.1 核心逻辑为什么必须用C++

先说说C++。高频做市的核心链路——行情解析、订单管理、风控检查、撮合逻辑——这些必须用C++。

为什么？因为延迟。你想想看，一个做市策略，从收到行情到发出订单，整个路径可能只有几微秒。Python在这种场景下，光是解释器开销就吃掉一大半预算。

核心逻辑的延迟预算（典型值）

环节	C++耗时	Python耗时
行情解码	~200ns	~5μs
订单编码	~150ns	~3μs
风控检查	~500ns	~10μs
内存分配	~50ns（预分配）	~1μs（GC暂停）

我在项目中遇到过，用Python写了一个简单的做市策略原型，回测跑得挺欢。一上实盘，行情来了，Python还在做垃圾回收，订单发出去已经慢了几个tick。那次亏了不少钱，教训深刻。

C++的优势不止是快。它对内存的控制非常精细。你可以用内存池、用无锁队列、用CPU亲和性绑定。这些在高频场景下都是基本功。

我的建议：核心逻辑用C++17以上标准。用RAII管理资源，用智能指针避免内存泄漏。别用异常，高频代码里异常开销太大。我习惯用返回码或者optional。

4.2 策略原型为什么用Python

那Python就没用了吗？当然不是。策略原型、回测框架、数据分析、监控面板——这些用Python效率高得多。

Python的开发速度是C++的5到10倍。你想想看，一个做市策略，从想法到验证，可能需要反复调整参数、修改逻辑。用C++改一次编译半天，黄花菜都凉了。

我个人的工作流是这样的：

用Python写策略原型，跑历史数据验证
用Pandas做数据分析和回测统计
用Matplotlib或者Plotly画收益曲线、订单流分析
策略稳定后，把核心逻辑翻译成C++

Python的生态太丰富了。做市策略里常用的统计模型、机器学习算法，Python都有现成的库。你不需要从零实现一个卡尔曼滤波或者隐马尔可夫模型，调个库就行。

注意：Python的回测结果和实盘表现可能有差距。因为Python模拟不了微秒级的延迟。我见过有人回测年化50%，实盘一跑只有10%。原因就是回测没考虑延迟和滑点。

4.3 混合开发模式：取长补短

所以，成熟的做市系统都是混合开发。C++负责底层，Python负责上层。两者通过某种机制通信。

常见的混合模式有几种：

进程间通信（IPC）：C++进程和Python进程通过共享内存或者Unix Socket通信。适合松耦合的场景。
Python调用C++动态库：用pybind11或者Cython把C++代码封装成Python模块。性能接近原生C++，开发又方便。
C++嵌入Python解释器：在C++程序里启动一个Python解释器，用来执行策略脚本。灵活性最高，但调试起来麻烦。

我个人最推荐第二种——用pybind11封装C++核心库。原因很简单：

核心逻辑的性能不受影响
策略开发可以用Python的交互式环境
部署时只需要分发一个.so或者.dll文件

一个典型的混合架构：

// C++ 核心库 (market_maker_core.cpp)
#include <pybind11/pybind11.h>

class OrderManager {
public:
    void send_order(const std::string& symbol, double price, int qty) {
        // 高性能订单发送逻辑
    }
};

namespace py = pybind11;
PYBIND11_MODULE(market_maker_core, m) {
    py::class_<OrderManager>(m, "OrderManager")
        .def(py::init<>())
        .def("send_order", &OrderManager::send_order);
}

# Python 策略层 (strategy.py)
import market_maker_core as mm

class MyStrategy:
    def __init__(self):
        self.om = mm.OrderManager()
    
    def on_tick(self, tick):
        # 策略逻辑在这里
        if tick.price < self.fair_value:
            self.om.send_order(tick.symbol, tick.price, 100)

4.4 我的选型建议

说了这么多，总结一下我的经验：

场景	推荐语言	理由
行情解码	C++	纳秒级延迟要求，内存控制
订单路由	C++	协议编码，socket操作
风控引擎	C++	确定性延迟，无GC暂停
策略原型	Python	快速迭代，丰富库支持
回测框架	Python	数据分析，可视化
监控面板	Python	Web框架，实时图表
参数优化	Python	并行计算，调参方便

我曾经见过一个团队，全部用Python做做市系统。结果上线第一天，行情爆发的时候，Python进程直接卡死，因为GC暂停导致订单队列积压。那次事故让他们损失了十几万。

也见过全用C++的团队，策略迭代速度慢得令人发指。一个简单的参数调整，要改代码、编译、部署，一天只能测两三个版本。

所以，我的建议很明确：

核心链路：C++，没得商量
策略研发：Python，效率优先
两者之间：用pybind11或者共享内存桥接

一个小技巧：如果你刚开始做做市系统，可以先全部用Python把逻辑跑通。然后逐步把热点路径替换成C++。这样风险可控，而且你能清楚地知道哪些地方值得优化。

4.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以看到C++和Python各自负责什么，以及它们怎么配合。

嗯，这张图其实已经说得很清楚了。C++负责底层，Python负责上层。两者通过pybind11或者共享内存通信。这样既保证了性能，又保留了开发效率。

最后说一句：语言选型没有银弹。关键是要理解你的瓶颈在哪里。是延迟？是开发速度？还是维护成本？想清楚了再选。

📚 课程目录