不一定。“基于旧语言创建新的语言”的方法，比茴的写法都要多很多。
我猜测楼主这种想法可能是受了某些人“所有语言都差不多”，“学语言就是学库”之类言论的影响。

首先要明确，编程语言存在的意义是充当人与机器沟通过程中的编码形式，程序员输入的表面上是代码，实际的东西是隐藏在代码中的 “计算”。
一个循环在不同的语言中有不同的写法，就好象乳法有不同的乳法，但是最后都是循环，都是乳法，这一“本质”不因具体的实现方法而不同。

然后要区分语言和语言实现，语言定义了计算的编码形式，而语言实现将该语言所编码的计算在特定的平台上执行。同一个语言可以有多种实现，可以“基于”不同的语言，从这一点上来说，标题所提出的问题的答案就是否定的。

再然后是编程语言的性能，语言的性能应该定义为“不同编程语言进行同样计算时的性能”，但是需要注意的这里的“计算”是使用编程语言编码的，编程语言本身定义了计算的抽象模型，也就是说基本上在进行任何有意义的比较时，比较的都不是完全一致的计算。而从实际意义来讲，“计算”本身是解决问题的工具，所以一般在讨论“编程语言的性能”时，讨论的是使用不同编程语言解决同样问题的性能差异。但是人们使用编程语言解决问题时使用的并不是这个编程语言的定义本身，而是编程语言（即计算模型）的特定具体实现，因此其实是“使用特定的编程语言实现解决特定问题时的性能”。

但是就算同样是“使用特定的编程语言实现解决特定问题”，也有不同的方法。比如同样是大数组的排序，C 用插入排序，Python 用快排，就不太合适。这个具体的方法可以被叫做“算法”，但是由于上面提到的不同语言之间计算模型的差异，“算法”也不具备直接的可移植性。在一个语言实现中高效的算法，在另一个语言实现中不一定高效。所以其实就算是同一个语言的不同实现，也没有什么太大的可比性。另一个讨论“性能”时经常被过度简化的是“问题”，这一点其实在讨论硬件时尤其明显，吃瓜群众往往希望能获得一个简单的答案“硬件 A 比硬件 B 的性能高百分之几”，但是性能问题本来就不是这么简单的，在解决某一个问题上的优化，对于另一个问题来讲可能就是劣化。而这种心理正好被 marketing 利用，因为这样他们可以 cherry pick 并着重宣传好的方面，引导大众不去关注不那么好的方面。

再说说硬件，目前的计算机硬件不理解问题，更无法直接帮你解决问题。其厂商定义了自己的计算模型，硬件本身则提供这一模型的具体实现，这是一切软件工作的基础。原则上硬件是编程语言实现的一部分，但是在实际应用中的关系要更加微妙。特别是在研究性能问题时，具体讨论的对象往往取决于实际情况。比如一般会要求硬件条件是一样的，同时硬件需要操作系统、驱动程序等环境支持，这些应该也保持一致。考虑到现实中绝大多数编程语言实现者一般只有选择硬件和操作系统而没有影响它们的能力，绝大多数情况下也是将这些都排除在“编程语言实现”范围之外的。但是在比较 Kotlin 和 Scala 的性能时，JVM 也应该保持一致。就连比较两个 C 实现的性能，也需要考虑内存分配器的影响。“保持一致”并不能完全解决问题，整个编程语言实现中，不同的模块和不同的配置方式可能会体现出不同的性能特点。

所以这是楼主所提出的“编程语言”和“性能”，以及把这两个词放在一块时，背后的水有多深，简单来说就是基本没法谈，楼主的问题也就没什么意义。

（哦对我还没说“性能”的度量有多个维度，包括但不限于延迟、吞吐量、功耗、存储占用等）

那一般人们说的编程语言的“性能”指的是什么呢，其实只要把上面几个比较 tricky 的部分都加上“约定俗成的”就可以了：
* 比如，第一个问题是语言实现的问题，“约定俗成的语言实现”指的一般就是一个编程语言的 de facto standard 实现，或者主流实现。
* 之后是硬件及软件环境问题，这个一般把两个语言实现纵向来看，能保持一致的都要保持一致，但也不仅仅是“保持一致”那么简单。在这里有可比性的前提是：在同样的硬件+操作系统组合下，存在语言的主流实现，并且该组合是该主流实现的主要目标之一。
* 然后是“算法”问题，对于某个特定的问题，“约定俗成的”一般采用一个使用该语言的平均水平的程序员解决这一问题时会采用的“算法”。
* 最后是具体解决什么“问题”的问题，这个就多了，比较“约定俗成的”有光线追踪、计算 pi 、mandelbrot 、矩阵乘、正则匹配、数独、词典计数、Web 服务器等。如果一个编程语言实现相对于另外一个，在大多数“问题”上表现都没有优势，并且有相当一部分“问题”有明显差距的话，那么就说这个实现的性能（或者说“平均性能”）不如另外一个。

可见其中可以做手脚的部分非常多。

上面已经说了，现实中绝大多数编程语言实现者没有影响硬件和操作系统的能力，因此编程语言实现一般会选择将其源编程语言所定义的模型，映射到另一个模型。这就是说“用另一个模型实现某个模型”。其性能主要取决于两个因素，一是所映射到的目标计算模型的性能上限（当然计算模型本身是没有性能 /性能上限的，所以这里指的是具体实现的性能上限），二是实现本身做这个映射的效果。

这里有个“性能上限”，这是我自己 coin 出来的词。指的是一个程序员，熟练掌握接化发，能够在特定的语言框架内，写出这个语言解决某个问题性能最高的程序。这个“性能最高的程序”所达到的性能，称为“性能上限”，这个程序员则称为一个“Surprisingly Smart Programmer”。当然这个性能依然是需要在特定的实现上。这里主要是解除了“约定俗成”中“平均水平程序员”的限制。
之所以提出“性能上限”和“Surprisingly Smart Programmer”这两个概念，是为了引申出“Surprisingly Smart Compiler”，或者“Surprisingly Smart Programming Language Implementation”这个概念，本来程序员需要使用其他计算模型来表达算法，但是编程语言实现允许程序员使用新的计算模型，如果编程语言实现可以做到“Surprisingly Smart”的话，那么就不需要“Surprisingly Smart Programmer”了。编程语言实现就可以发挥出目标计算模型的所有性能潜力。
（这俩词依旧是我 coin 出来的，为的是和已有的“Sufficiently Smart Compiler”这一概念保持一定的联系同时又有一定的区别，按照 C2 上的定义，“Sufficiently Smart Compiler” 只要“as fast as C”就可以了，“Surprisingly”更强调“上限”，你懂么，就是传统功夫四两拨千斤的本事）

再来说第二个因素，现实中不存在“Surprisingly Smart Programmer”，更不存在“Surprisingly Smart Compiler”。现实情况是——不同编程语言实现的智商（也就是上面所说的“实现本身做这个映射的效果”）各不相同，有些很低，有些还凑合，有些高一点。但是最高也高不过某个上限，这个上限目前大概在“Sufficiently Smart”这一级别，做到这一级别的都很少。这两个概念的意义在于思考实验，假设编程语言实现 C 基于目标实现 T 实现了一个新的计算模型：
* C 的“性能上限”不会高于 T 的“性能上限”。
* 如果 C 是一个“Surprisingly Smart Compiler”，那么 C 的“平均性能”也可以达到 T 的“性能上限”。
* 但是尚不存在“Surprisingly Smart Compiler”，C 最多只能做到“Sufficiently Smart”，也就是说两者的“平均性能”和“性能上限”都差不多。
* 如果 C 连“Sufficiently Smart”都做不到（很有可能），那么 C 可能连“性能上限”都比 T 差一截。这时就连“Surprisingly Smart Programmer”都不能使 C 的性能超越 T 。
* 但是 All is not lost. 无论 C 做成什么样，在特定情况下的性能是有可能超过 T 的平均性能的。
* 在“Surprisingly Smart Compiler”不存在的情况下，一般 C 和 T 所实现的计算模型差别越小，控制 C 和 T 的“平均性能”和“性能上限”的差距对 C 的实现智商要求越低。

目前主流编程语言中，平均性能和性能上限最高的均为 C/C++，C/C++ 的主流实现将 C/C++ 代码映射为目标硬件的汇编，并且会进行大量的优化变换，更别说这些主流实现还提供大量的非标准扩展，比如内联汇编在 UNIX 平台上基本是事实标准。也就是说在 C/C++ 的主流实现中，目标计算模型实现基本上是最高性能的，其实现本身又基本是最高效的，C/C++ 所定义的计算模型和其目标的差别也不大（尤其是考虑到非标准扩展）。
理论上其他编程语言实现可以在性能方面超越这些 C/C++ 的主流实现，但是目前 C/C++ 是三方面全面优势，其他编程语言得一个个推翻这三座大山，短时间内希望不大。还是要以和为贵，点到为止。

比如楼主给自己的 E 语言（大 E 了没有闪，说明很快啊）做了一个实现，映射为 Python 语言。按照刚才那一套民科理论，该 E 语言实现的性能就取决于实现本身的质量，和目标 Python 语言实现的性能。而要提高该实现的性能，也可以应用刚才的理论，比如改变目标实现，使用比 Python 主流实现 CPython “性能更好”的 Python 实现，并把基于这个实现做出来的 E 语言实现钦定为 E 语言的“主流实现”，这样按照刚才的定义就比 Python 性能更好了。或者提高 E 语言实现自身的质量，比如想办法检测代码中可以并行的计算，使用多进程或 GPU 来实现这些计算——大多数人写 Python 不会常用到这些东西的，依然可以在刚才的定义上完成对 Python 性能的超越。