接下來要開始實作 新的 crate

背景如下 :

當我們拿歷史資料訓練後出一個模型後，我們在實盤上要引入這個模型，根據輸出值，做判斷，其實就很像一個指標，那 Nautilus trader 都已經有封裝好的交易指標 crate，那我們也可以針對 ML trade 也做成一個crate，做到效能更高．

根據昨天的研究．我們會使用 PyO3 的方式，直接結合 Python 和 Rust，但可以看到的是目前像 indicators 這個 crates 是還沒有 在 make build 裡面被執行的，所以我猜是還沒整合完畢， indicators 還是使用 Cython 實作的

看起來還沒有引入 indicators

所以要改變一下方式，不直接透過 make build 去產生 .so，而是另外獨立編譯新的 crate ，這樣一來也不用受到他原本框架的限制，有點偷吃步，但因為他們也在往不用 Cython FFI 的方向前進．所以覺得這個做法還能接受吧哈哈

實盤上比較重要的是產出 推論結果 尤其是如果需要多標的 多類別的預測值的時候 計算速度就要很快．如果用 Pytorch 的 計算方式 ，那個延遲就會比較多，所以方法是先訊練完模型後．把模型存成通用格式，用 Rust 來撰寫載入模型和推論 crate．

接下來的幾天會針對這個功能做開發，task大概如下:

1. 決定使用的模型 產出測試模型 並轉換為 Rust 可讀的格式
2. 建立專案 實作推論邏輯
3. 產出 .so 並測試
4. 整合進主系統
5. 做效能優化
6. 加入更多模型

前面幾天的內容有些有缺失，會再找時間將內容補齊．