Diminuição do desempenho no Build 143

Ao executar simulações Monte Carlo ou Walk-Forward Matrix na versão 143, há uma notável degradação geral do desempenho (com aumento contínuo do uso da memória) em comparação com a versão 142. Além disso, a versão 143 trava frequentemente com erros de falta de memória. O SQX sempre limita a memória a 8 GB, mas mesmo quando a aumenta, o aplicativo ainda trava.

Meu PC é um AMD Ryzen 9 5900X com 32 GB de RAM. Testei-o usando o GraalVM e também o Azul Java, com o mesmo comportamento.

Alguém mais notou esse problema?

Voltei a usar a versão 142, já que a versão 143 não é mais sustentável para trabalhar.

A nova versão é realmente decepcionante. Também estou com o mesmo problema. Tenho um computador potente, mas ele fica consideravelmente mais lento nas últimas estratégias durante o reteste, com pouco uso de RAM, o que é frustrante

Lorena, você pode compartilhar a configuração do seu construtor e também a captura de tela com as configurações de CPU/Memória? Vou testar isso nas duas versões

Você pode enviar para nosso e-mail [email protected]

Acho que estou com o mesmo problema. Tenho 256 GB de RAM livres para usar 248 GB e 64 CPUs. Instalei em um novo diretório e copiei

No 142, a memória costumava aumentar gradualmente; no 143, parece que ela atinge o máximo rapidamente.

Sim, está acontecendo o mesmo comigo.

Se eu deixar o SQx determinar o uso da RAM, ele continuará parando por causa do consumo de memória do 85%. Talvez eu volte para o 142, como você está sugerindo, já que a IA do AlgoWizard é completamente inútil para mim.

Vou tentar mais uma vez com um Project personalizado e depois lhe direi.

Além disso, estou executando apenas uma tarefa na 143, quando estava acostumado a ter um construtor e um retester na 142 sem problemas.

Olá pessoal, voltei para o 142 novamente, pois o 143 estava totalmente instável e travava e congelava constantemente.

Vamos ver se meu fluxo de trabalho no 142 é melhor.

Eu sondava o 143 e tinha que voltar ao 142. Um trabalho para que o construtor do 142 processasse 100.000 algoritmos por hora, o 143 processasse a metade ou a terceira parte.

O mesmo problema aqui, escrevemos para o suporte, mas o problema continua o mesmo após alguns testes.

Olá, e o problema foi resolvido? Você encontrou a solução?

Voltei para o 143 para fazer alguns testes e fiquei aqui, apenas deixei o coletor de lixo para o Java Decisions, fiz uma coleta de lixo de 30 minutos e reduzi a memória RAM e os núcleos para 1/2 dos disponíveis, e está funcionando bem

Estou na versão 143 brasileira, e coloquei os erros em anexo, não conseguindo resolver isso.
Servidor dedicado da NETCUP com 20 núcleos 64GB ram e 3 TB de armazenamento. Não consigo rodar mais de 2 horas que ele já trabalha. Às vezes ele ficava até aberto sem rodar qualquer projeto ou teste.

Olá a todos,

Gostaria de abordar as preocupações de desempenho levantadas sobre a compilação 143.

Não há alterações intencionais no mecanismo principal desta versão e, após realizar comparações internas entre as compilações 142 e 143, não encontramos nenhuma diferença mensurável no desempenho do mecanismo em condições controladas. Dito isso, como o StrategyQuant X é baseado em Java, o desempenho pode variar significativamente dependendo do hardware, do sistema operacional e da distribuição do Java, fatores que estão fora do nosso controle.

Depois de investigar os relatórios dos usuários afetados, descobri que a maioria dos problemas pode ser resolvida seguindo estas diretrizes de configuração:

Java e GC:

• Não acione manualmente a coleta de lixo (GC). O Java gerencia isso automaticamente; forçá-lo pode, na verdade, prejudicar o desempenho. Só considere a GC manual se estiver enfrentando erros de falta de memória.
• Use o coletor de lixo G1 ao trabalhar com alocações de heap maiores.
• Para máquinas de ponta, recomenda-se o GraalVM + G1GC para obter melhor desempenho e estabilidade.
• Teste várias distribuições Java e compare os resultados em sua configuração específica. Basta fazer o download da distribuição Java a partir de fontes oficiais, descompactá-la e substituir a variável /j64 em sua instalação do StrategyQuant com a versão baixada.

Dados e memória:

• Evite armazenar um grande número de estratégias nos bancos de dados SQX. Elas são mantidas na memória heap (RAM) o tempo todo, consumindo recursos mesmo quando não estão sendo usadas. Armazene estratégias externamente e carregue-as somente quando necessário.
• O mesmo se aplica aos resultados da simulação Monte Carlo e Walk-Forward - mantenha os bancos de dados enxutos.
• Defina a memória heap máxima (RAM alocada para o SQX) para aproximadamente 80% de sua RAM total. Isso dá ao SQX memória suficiente para trabalhar, deixando espaço livre para o sistema operacional e os processos em segundo plano.

Sistema:

• Limite os processos em segundo plano durante a execução do SQX.
• Faça a correspondência entre a contagem de threads do SQX e a contagem de núcleos físicos da CPU (não núcleos lógicos/hiperthread).
• Além das recomendações acima, evite alterar a configuração do SQX ou os sinalizadores Java, a menos que você tenha um motivo específico e entenda as implicações.

Seguir essas etapas resolveu a maioria dos problemas de desempenho que observamos e, na maioria dos casos, a causa principal não foi o SQX em si.

Se ainda tiver problemas depois de tentar essas etapas, entre em contato conosco pelo nosso e-mail de suporte.

Ficamos felizes em ajudar

Com os melhores cumprimentos,

Petr
Suporte técnico da SQX

Prezado Petr,

Mais uma vez, obrigado por seu apoio. Agora, nosso 143 Ultimate funciona perfeitamente!

Com os melhores cumprimentos

É interessante que, em testes controlados, não há diferença real entre o 142 e o 143, mas em projetos reais tudo parece depender muito da configuração e da carga de trabalho. Isso realmente mostra a importância da otimização adequada do ambiente.