还记得在《2024年VeighNa项目计划》中，我们对Python 3.12新增的【解释器级别GIL】充满期待，预期后续将会迎来多解释器支持的标准库（PEP 734 – Multiple Interpreters in the Stdlib），从而实现在Python单进程的程序中充分调用CPU多核心算力。
然而，2024年10月发布的Python 3.13中，社区选择了另一条优化方向，即推出了No-GIL模式（无全局解释器锁），以实现多线程并行运行，充分发挥CPU多核性能。但遗憾的是，该功能仍处于【实验性阶段】，且目前已有的社区测试数据显示，启用No-GIL模式后会显著降低单线程性能。
尽管多线程性能优化尚未完全成熟，从Python 3.10到3.13的三个大版本迭代中，Python解释器的性能已经得到了显著提升，采用的技术改进包括：引入自适应字节码、优化对象结构、提升内置函数效率，以及对垃圾回收与锁机制的持续优化等。
与此同时，Python语言也新增了多项特性以提升开发效率，例如：更精确的错误提示（3.11）、支持任意表达式的f-string（3.12）、以及更加友好的REPL交互式环境（3.13）等。
4.0大版本开发启动
2025年我们将会启动VeighNa项目4.0大版本的开发工作。综合前文所述，4.0大版本将优先采用Python 3.13作为核心支持，待No-GIL进入【稳定阶段】后再考虑迁移到后续Python版本。
从软件工程的视角，当前的工作计划包括：
利用Python 3.13支持的新语法特性，重构核心框架代码
引入loguru库替换现有的logging模块，优化底层日志功能
升级pybind11库，改进交易API封装的跨平台兼容性
采用pyproject.toml构建体系，支持新一代打包工具（如uv）
使用ruff（替代flake8）与mypy工具，确保代码质量和静态类型检查
借助大模型技术，完善项目文档体系，并发布官方英文版本
在量化交易功能方面，则是将延续VeighNa的传统，根据社区用户需求新增更多交易接口（gateway），并持续优化现有策略应用模块（app）。
截面多因子策略支持
长期以来，许多VeighNa社区用户反馈过在截面多因子策略（如股票日频选股）领域的需求与痛点。然而受限于我们团队本身缺乏这块的专业背景，此类功能模块一直未能开发完成。
2024年的【Qlib投研平台系列社区活动】成为了重要转折点。在社区同学们的支持下，我们深入探索并学习了行业领先截面多因子策略平台的整体业务逻辑。遗憾的是，原本计划将Qlib与VeighNa无缝整合以实现投研和交易一体化的解决方案，因为种种原因发现无法走通。
因此，我们结合团队自身在量化业务上的深入理解，研发了全新的AlphaStrategy模块，完整覆盖截面多因子策略投研的四大核心环节：
数据清洗：对接量化金融数据服务统一清洗入库
特征挖掘：支持多维度的方法挖掘复杂因子特征
模型预测：使用各类机器学习算法训练预测模型
策略回测：基于事件驱动架构实现高精度化回测
在即将发布的4.0大版本中，我们计划分阶段将AlphaStrategy模块整合到VeighNa核心框架中，使其成为vnpy.alpha关键子模块，为社区用户提供一站式的截面多因子策略投研解决方案。
大语言模型量化应用
从两年多前ChatGPT引发的全球热潮，到近一周DeepSeek-R1模型的横空出世，LLM大模型已经在众多行业掀起了生产力革命。我们团队对LLM的应用也从初期的简单问答交互，逐步发展到熟练掌握提示词工程，并深度融入日常工作流，大幅提升了开发效率。
2025年，我们计划推出更多LLM相关的分享内容和社区活动，帮助用户探索如何将这一新兴AI技术应用于量化交易领域，并借助大模型提升投研工作效率和突破技术瓶颈。
