σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线scikit-learn 学习路线statsmodels 学习路线SciPy 学习路线Cache locality 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
学习路线›Cache locality
C

Cache locality 学习路线

已上线从这里开始

这是本技能的模拟器版:每个实验运行你自己搭建的缓存,评分的是命中和缺失的次数,从不是时钟时间,所以答案精确且可重复。每讲用小段代码和它的输出讲一个概念,随后带评分的实验在同一个模拟器上继续扩展。你将学会在运行之前预测某种访问模式的缺失,为逐笔表选择数据布局,并用数字证明某项改动消除了缺失。

3 个模块13 个评分实验~12小时入门 → 高级
开始学习路线

先修要求

熟悉 Python 的函数、列表和字典就够了;不需要 C 或 C++,因为这台机器是你自己写的模拟器。

  • Python

课程大纲

13 个主题 · 可按任意顺序打开任一主题
  1. 1内存层次与延迟数字未开始需要 Python40分钟开始
  2. 2缓存行与空间局部性未开始需要 Python45分钟开始
  3. 3相联度与冲突缺失未开始需要 Python55分钟开始
  4. 4时间局部性与工作集未开始需要 Python45分钟开始
  1. 5结构体数组与数组结构体未开始需要 Python55分钟开始
  2. 6遍历顺序与循环分块未开始需要 Python55分钟开始
  1. 7预取未开始需要 Python50分钟开始
  2. 8TLB 与大页未开始需要 Python50分钟开始
  3. 9伪共享与填充未开始需要 Python55分钟开始
  4. 10NUMA 效应未开始需要 Python1小时开始
  5. 11分配器与内存池未开始需要 Python1小时开始
  6. 12分支预测未开始需要 Python55分钟开始
  7. 13综合项目:重排逐笔表并证明缺失减少未开始需要 Python1小时 30分钟开始

完成条件

以 70 分以上通过全部 13 个实验,即可完成学习路线,并在个人资料中获得 缓存局部性 徽章。

0 / 130%

先修要求

熟悉 Python 的函数、列表和字典就够了;不需要 C 或 C++,因为这台机器是你自己写的模拟器。

  • Python

你将用到的工具

PythonNumPypytest

你将学到

  • 预测某种访问模式的命中与缺失,并用真实机器的延迟数字估算代价
  • 搭建带缓存行、组、路和 LRU 的可配置缓存,亲眼看到冲突缺失
  • 为逐笔表在结构体数组与数组结构体之间做选择,并对矩阵循环做分块
  • 为预取器、TLB、核间伪共享和 NUMA 建模,看懂快程序为何变慢
  • 比较分配器与分支预测器,并用真实逐笔表上的缺失计数证明布局改动有效
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线scikit-learn 学习路线statsmodels 学习路线SciPy 学习路线Cache locality 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
登录加入 ↗
登录