# Один и тот же бэктест на Python печатает другой коэффициент Шарпа на новом процессоре

Мы запустили один и тот же код на Python с одной и той же версией numpy на двух машинах и получили
разные числа: у коэффициента Шарпа меняются последние знаки. Причина не в коде и не в данных. На
процессорах с AVX-512 numpy считает `np.log` и `np.exp` собственными векторными процедурами, и примерно
каждый двадцатый результат округляется иначе. Оба результата точны, просто биты разные. Ниже — замеры,
скрипт для проверки своих машин и способ получить одинаковые числа везде. Сразу предупреждение:
самый распространённый рецепт в numpy 2.4 перестал работать, причём молча.

## Что мы увидели

Проверяя [кейс оптимизатора vn.py](/showcase/vnpy-sweep/README.html), мы запустили встроенный
оптимизатор vn.py на ряде из 100 000 баров на двух машинах. На обеих стоял numpy 2.5.3:

- AMD Threadripper PRO 5975WX (Zen 3, AVX2);
- AMD Ryzen 9 7950X3D (Zen 4, AVX-512).

Параметры, их порядок, число сделок, доходности и просадки совпали, а два из десяти напечатанных
коэффициентов Шарпа — нет:

```text
AVX2:    fast_window=31 slow_window=24 sharpe_ratio=0.61673083389321237 ...
AVX-512: fast_window=31 slow_window=24 sharpe_ratio=0.61673083389321259 ...
```

## Минимальное воспроизведение

[numpy_log_cpu.py](numpy-avx512/numpy_log_cpu.py) строит 10 млн отношений, близких к 1, — так
выглядит `balance[t] / balance[t-1]`. Строит только через `+` и `*`, поэтому вход на всех машинах один
и тот же до бита. Затем применяет `np.log` и `np.exp` и считает годовой коэффициент Шарпа по десяти
годам дневных логарифмических доходностей:

```text
Zen 3 (AVX2):     numpy 2.5.3 | CPU features used: X86_V3
                  input hash:  cdbe5b3e6769854d
                  np.log hash: 758f5856e4acbbb5
                  np.exp hash: 1e0b3fc690120efb
                  Sharpe ratio: 0.92814377921504698

Zen 4 (AVX-512):  numpy 2.5.3 | CPU features used: X86_V3, X86_V4, AVX512_ICL
                  input hash:  cdbe5b3e6769854d
                  np.log hash: da531faf4c71aae5
                  np.exp hash: 82f7841235e8b1b8
                  Sharpe ratio: 0.9281437792150472
```

## Насколько велика разница

Каждое различающееся значение мы сверили с результатом, посчитанным с 50 значащими цифрами:

| Функция | Различаются | Разница | Наибольшая ошибка AVX2 (glibc) | Наибольшая ошибка AVX-512 (numpy) |
|---|---|---|---|---|
| `np.log` | 460 676 из 10 млн (4,61%) | всегда 1 ulp | 0,502 ulp | 0,620 ulp |
| `np.exp` | 449 797 из 10 млн (4,50%) | всегда 1 ulp | 0,506 ulp | 0,719 ulp |

ulp — единица последнего разряда 64-битного числа. Там, где машины расходятся, результат AVX2 ближе к
точному в 99% случаев, но оба отстоят от него меньше чем на один ulp. numpy сознательно допускает
расхождение в несколько ulp между своими реализациями ради скорости
([numpy issue 23523](https://github.com/numpy/numpy/issues/23523)).

Для торговых решений один ulp далеко ниже шума. Но коэффициент Шарпа складывает тысячи доходностей,
и сдвиг на один ulp в части из них меняет его последние знаки. Это ломает всё, что сравнивает
результаты точно:

- регрессионные тесты и кэши результатов по хэшу;
- проверки «новая версия совпадает со старой»;
- аудит, который повторяет бэктест на другой машине;
- и любую команду, у которой ноутбук и сервер расходятся на одном и том же прогоне.

## Как получить одинаковые числа на всех машинах

numpy позволяет выключить AVX-512-процедуры переменной окружения. В numpy 2.4 названия возможностей
сменились: AVX-512 теперь группа `X86_V4`, а старые названия игнорируются с предупреждением, которое
Python по умолчанию не показывает. Самый частый рецепт из интернета,
`NPY_DISABLE_CPU_FEATURES="AVX512F,AVX512CD,AVX512_SKX,..."`, на numpy 2.3 ещё работает, а на 2.4 и
новее молча ничего не делает.

Эта строка перечисляет оба написания. На машине с Zen 4 она дала биты AVX2 на numpy 2.2.6, 2.3.5,
2.4.4 и 2.5.3:

```sh
NPY_DISABLE_CPU_FEATURES="X86_V4 AVX512_ICL AVX512_SPR AVX512F AVX512CD AVX512_SKX AVX512_CLX AVX512_CNL" \
  python your_backtest.py
```

С ней машина на Zen 4 напечатала хэши Zen 3 и коэффициент Шарпа `0.92814377921504698`.

- Проверить, не проигнорировал ли numpy какое-то название: `python -W always -c "import numpy"`.
  Проигнорированное название печатает `ImportWarning` с объяснением.
- `numpy.show_runtime()` показывает, какие возможности используются.

Цена — скорость: `np.log` по 10 млн значений занял на этой машине 30–33 мс вместо 11–12 мс. Для
большинства бэктестов это незаметно на фоне остального прогона.

## Как с этим работает TAKT

Наши сборки печатают один и тот же результат на всех процессорах, где мы их проверяли. «Совпадает с
оригиналом» мы определяем для платформы из паспорта замера: если ваша эталонная машина с AVX-512, то
эталоном служит её вывод. Если вам нужен бэктест, числа которого вообще не зависят от машины, такое
мы тоже умеем. [Бесплатная проверка скорости](/ru/?src=note-avx512#start).

Измерено 9 октября 2026 года на numpy 2.5.3 (Python 3.12 на Zen 3, Python 3.13 на Zen 4).

**Исправление, 9 октября 2026.** В первой версии заметки говорилось, что AVX-512-версия `np.log` в
numpy теряет до 29 бит возле `x = 1`. Это была наша ошибка измерения: вход строился через `np.exp`,
который тоже различается между машинами, поэтому мы сравнивали логарифмы немного разных чисел. На
одинаковом входе разница не больше одного ulp. Теперь скрипт строит вход без `np.exp`.