金工深度研究： 高频因子计算的GPU加速

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 金工 高频因子计算的 GPU 加速 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +(86) 755 8208 0134 研究员 何康，PhD SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +(86) 21 2897 2039 2023 年 10 月 16 日│中国内地 深度研究 人工智能系列之 70：使用 NVIDIA RAPIDS 对高频因子计算进行 GPU 加速 本文使用 NVIDIA RAPIDS 对高频因子计算进行 GPU 加速。量化因子计算场景下，RAPIDS 的直接助力是用 CuPy、cuDF 的 GPU 运算替代 NumPy、Pandas 的 CPU 运算。在 RTX 3090 和 i9-10980XE 测试环境下计算分钟线因子，CuPy 和 cuDF 替换库函数的提速效果约为 6 倍，若同时将 for 循环替换为矩阵运算，最终提速超 100 倍。预计 RTX 4090 和 A800 提速更显著。最大化 ICIR 法合成高频因子，并与华泰金工神经网络多频率因子静态加权，构建中证 1000 指数增强组合，以 2016 年末至 2023 年 9 月为回测区间，信息比率从 3.70 提升至 3.87，超额收益 Calmar 比率从 2.41 提升至 3.96。 使用 CuPy/cuDF 替代 NumPy/Pandas，RTX 3090 实现约 6 倍性能提升 RAPIDS 的重要特性之一是将基于 CUDA 底层代码的优化以 Python 语言的形式体现。常用 API 如 CuPy（对标 NumPy）、cuDF（对标 Pandas）、cuML（对标 scikit-learn）等。由于 API 语法几乎相同，仅需轻量级代码修改，即可实现 CPU 运算到 GPU 运算的迁移。针对全部因子使用 CuPy 和 cuDF替换原函数，部分因子使用矩阵运算替换 for 循环。结果表明：不引入矩阵运算时，单独替换库函数反而增加时间开销。若两步同时进行，替换库函数带来的性能提升约 6 倍（RTX 3090），矩阵运算带来的性能提升约 18 倍。GPU 性能同型号和数据量相关，单次运算数据量越大，加速效果越显著。 分钟线选股因子：价格全局特征类、价格局部特征类 本文测试 5 类共计 50 个分钟线选股因子。以下展示测试效果较好的因子及投资逻辑：(1)价格全局特征类：return_intraday、tp_diff、return_improved的本质是不同形式的日内反转因子，return_var 的本质是日内低波动因子。(2)价格局部特征类：return_last_30min 和 return_skewness_last_30min 的本质是尾盘反转因子，return_upward_var 和 return_downward_var 的本质是日内低波动因子的精细化刻画。 分钟线选股因子：成交量/额类、成交关联价格类、价量相关性类 (3)成交量/额类：volume_open_30min_ratio 给予开盘成交不活跃的股票风险溢价，市场情绪一般在开盘释放，该因子或反映理性交易者占比。amount_out_order_avg_ratio 给予单笔流出金额较大的股票风险溢价，或对应 快 速 下 跌 后 的 反 转 或 者 主 力 的 操 纵 行 为 。 (4) 成 交 关 联 价 格 类 ：cum_return_top30_order 的本质是反转因子的精细化刻画，大单推动的涨幅更具信息量。(5)价量相关性类：VP、VP_top33_volume、VR_1min_lag的本质都是捕捉量价背离，即缩量上涨或放量下跌。 最大化 ICIR 法合成分钟线因子，与神经网络因子结合构建选股策略 进一步围绕分钟线因子构建选股策略。采用最大化 ICIR 法对前述 50 个因子进行合成，以未来 5 日收益为预测目标，合成因子 RankICIR（未年化）1.50，对冲组合夏普比率 3.59，Top 层信息比率 3.81。该合成因子和神经网络多频率因子相关系数为 0.25，两者截面标准化后静态融合，构建指数增强策略。结果显示，结合分钟线合成因子后，策略各项指标均有提升，尤其体现在回撤控制。中证 500 增强信息比率从 2.78 提升至 3.01，超额收益 Calmar比率从 1.37 提升至 2.07，中证 1000 增强信息比率从 3.70 提升至 3.87，超额收益 Calmar 比率从 2.41 提升至 3.96。 风险提示：人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。人工智能技术存在过拟合风险。深度学习模型受随机数影响较大。本文测试的选股模型调仓频率较高，假定以 vwap 价格成交，忽略其他交易层面因素影响。 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 导言 .............................................................................................................................................................................. 4 NVIDIA RAPIDS 实践 ................................................................................................................................................... 5 RAPIDS 安装 ........................................................................................................................................................ 5 操作系统和 WSL 安装 ................................................................................................................................... 5 WSL Conda 和 RAPIDS 安装 ........................................................................................................