做了一个 Rust 内核的 pandas-like DataFrame，用来实时计算 K 线技术指标

我做了一个开源 Python 包： volas。

一个 4 年、15 分钟级别的交易数据回测，单个标的大约就是 14 万根 K 线。50 个标的就是约 700 万行。跑这还没开始扫参数，也还没开始训练模型。经常一个回测个把小时，还没跑模型光数据处理就花掉半小时也是常有的事情。

很多时候真正先把人卡住的不是策略逻辑，而是数据处理：读数据、拼特征、算 RSI 、MACD 、ATR 、Bollinger Bands ，一跑就是好几分钟。模型还没开始训练，回测还没真正跑起来，特征表已经先变成瓶颈。

如果是在实时循环或者逐根 K 线回测里，这个问题会更明显：K 线每新增一根，pandas 流水线就可能把整列指标重算一遍。但从数据依赖上看，新来的只是最后一根 K 线，前面大多数指标值其实已经稳定了。

我之前做了个 https://github.com/kaelzhang/stock-pandas ，但后来发现它是真的太慢了，哪怕后来我把部分内容用 pyO3 换成了 rust ，但发现很大的瓶颈发生在 pandas 本身。最后无奈之下，只好把整个全部用 rust 重写了。

volas 的思路是把 OHLCV 指标计算这层做好：

• API 尽量保持 pandas 手感；


• 内置 250+ 个交易指标 （非常多了，我没有专门做过对比，但搞不好是相关类库里最多的，让 AI 来做因子异动的研究会很有用）；


• 指标用指令列表达，例如 df["rsi:14"]、df["macd"]；


• 指标列可以缓存；


• 追加新 K 线后，下一次读取只刷新受影响的尾部窗口；


• 底层用 Rust kernel ；


• 可以导出 NumPy / Torch 。

一个最小例子：

df["rsi:14"]

df.append(new_bar)

df["rsi:14"]  # 只刷新受影响的尾部窗口

我现在最想收集三类反馈：

1. 这个指标指令 API 是否符合大家写指标流水线的习惯；


2. 还有哪些常用指标或市场惯例缺失；


3. benchmark 方法是否有偏差，是否有真实场景里 volas 明显输给 TA-Lib / pandas-ta / 自己实现。

它不是交易信号服务，也不是通用 pandas 替代品；普通表格分析继续用 pandas / polars 就好。volas 只想把 OHLCV 技术指标这层做快、做全、做得适合实时追加。

GitHub:
https://github.com/kaelzhang/volas

在很多场景下是非常的快了，不少场景下快了几百倍。这里也有个性能对比:
https://volas.ost.ai/