优化以上代码提高运行速度

为了优化上述代码以提高运行速度，我们可以考虑以下几个方面：

1. **批量请求**：如果`option_sse_daily_sina`支持批量查询，可以一次性获取多个合约的数据，而不是逐个请求。这样能减少网络往返次数。

2. **缓存**：如果数据频繁重复请求，可以考虑利用缓存技术，比如`pandas_datareader`中的`cache_read_csv`功能，或者自建缓存机制，避免每次都从API拉取。

3. **并行处理**：使用`concurrent.futures`库可以并行下载数据，通过多线程或多进程加快处理速度。例如，可以使用`ThreadPoolExecutor`或`ProcessPoolExecutor`。

4. **内存管理**：尽量在读取数据时只保留必要的行，避免一次性加载所有数据导致内存消耗过大。使用`chunksize`参数分块处理大文件。

5. **数据筛选**：如果不需要整个历史数据，可以根据需求只选择部分日期范围，减少处理的数据量。

6. **数据预处理**：如果数据清洗工作较轻，可以在下载之前确定需要哪些列，避免不必要的列转换或计算。

7. **数据库存储**：如果数据需要长期保存，可以考虑将结果存储到数据库中，下次直接查询，而不是每次都从零开始处理。

以下是简化后的示例代码片段，展示了如何使用`concurrent.futures`并行下载数据：

import concurrent.futures
import akshare as ak

# ... (其他不变)
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    futures = {executor.submit(ak.option_sse_daily_sina, symbol=one_contract[:8]): one_contract for one_contract in contract_50etf_code}
    results = [future.result() for future in concurrent.futures.as_completed(futures)]

dataframes = [result for result in results if result is not None]
trade = pd.concat(dataframes, ignore_index=True)

# ... (添加code列和info())