>> 華泰證券-金工深度研究：高頻因子計算的GPU加速-231016
| 上傳日期： |
2023/10/17 |
大小： |
2956KB |
| 格式： |
pdf 共29頁 |
來源： |
華泰證券 |
| 評級： |
-- |
作者： |
林曉明,何康 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
人工智能系列之70：使用NVIDIARAPIDS對高頻因子計算進行GPU加速
本文使用NVIDIARAPIDS對高頻因子計算進行GPU加速。量化因子計算場景下，RAPIDS的直接助力是用CuPy、cuDF的GPU運算替代NumPy、Pandas的CPU運算。在RTX 3090和i9-10980XE測試環(huán)境下計算分鐘線因子，CuPy和cuDF替換庫函數(shù)的提速效果約為6倍，若同時將for循環(huán)替換為矩陣運算，最終提速超100倍。預計RTX 4090和A800提速更顯著。最大化ICIR法合成高頻因子，并與華泰金工神經(jīng)網(wǎng)絡多頻率因子靜態(tài)加權(quán)，構(gòu)建中證1000指數(shù)增強組合，以2016年末至2023年9月為回測區(qū)間，信息比率從3.70提升至3.87，超額收益Calmar比率從2.41提升至3.96。
使用CuPy/cuDF替代NumPy/Pandas，RTX 3090實現(xiàn)約6倍性能提升
RAPIDS的重要特性之一是將基于CUDA底層代碼的優(yōu)化以Python語言的形式體現(xiàn)。常用API如CuPy（對標NumPy）、cuDF（對標Pandas）、cuML（對標scikit-learn）等。由于API語法幾乎相同，僅需輕量級代碼修改，即可實現(xiàn)CPU運算到GPU運算的遷移。針對全部因子使用CuPy和cuDF替換原函數(shù)，部分因子使用矩陣運算替換for循環(huán)。結(jié)果表明：不引入矩陣運算時，單獨替換庫函數(shù)反而增加時間開銷。若兩步同時進行，替換庫函數(shù)帶來的性能提升約6倍（RTX 3090），矩陣運算帶來的性能提升約18倍。GPU性能同型號和數(shù)據(jù)量相關(guān)，單次運算數(shù)據(jù)量越大，加速效果越顯著。
分鐘線選股因子：價格全局特征類、價格局部特征類
本文測試5類共計50個分鐘線選股因子。以下展示測試效果較好的因子及投資邏輯：(1)價格全局特征類：return_intraday、tp_diff、return_improved的本質(zhì)是不同形式的日內(nèi)反轉(zhuǎn)因子，return_var的本質(zhì)是日內(nèi)低波動因子。(2)價格局部特征類：return_last_30min和return_skewness_last_30min的本質(zhì)是尾盤反轉(zhuǎn)因子，return_upward_var和return_downward_var的本質(zhì)是日內(nèi)低波動因子的精細化刻畫。
分鐘線選股因子：成交量/額類、成交關(guān)聯(lián)價格類、價量相關(guān)性類
(3)成交量/額類：volume_open_30min_ratio給予開盤成交不活躍的股票風險溢價，市場情緒一般在開盤釋放，該因子或反映理性交易者占比。amount_out_order_avg_ratio給予單筆流出金額較大的股票風險溢價，或?qū)焖傧碌蟮姆崔D(zhuǎn)或者主力的操縱行為。(4)成交關(guān)聯(lián)價格類：cum_return_top30_order的本質(zhì)是反轉(zhuǎn)因子的精細化刻畫，大單推動的漲幅更具信息量。(5)價量相關(guān)性類：VP、VP_top33_volume、VR_1min_lag的本質(zhì)都是捕捉量價背離，即縮量上漲或放量下跌。
最大化ICIR法合成分鐘線因子，與神經(jīng)網(wǎng)絡因子結(jié)合構(gòu)建選股策略
進一步圍繞分鐘線因子構(gòu)建選股策略。采用最大化ICIR法對前述50個因子進行合成，以未來5日收益為預測目標，合成因子RankICIR（未年化）1.50，對沖組合夏普比率3.59，Top層信息比率3.81。該合成因子和神經(jīng)網(wǎng)絡多頻率因子相關(guān)系數(shù)為0.25，兩者截面標準化后靜態(tài)融合，構(gòu)建指數(shù)增強策略。結(jié)果顯示，結(jié)合分鐘線合成因子后，策略各項指標均有提升，尤其體現(xiàn)在回撤控制。中證500增強信息比率從2.78提升至3.01，超額收益Calmar比率從1.37提升至2.07，中證1000增強信息比率從3.70提升至3.87，超額收益Calmar比率從2.41提升至3.96。
風險提示：人工智能挖掘市場規(guī)律是對歷史的總結(jié)，市場規(guī)律在未來可能失效。人工智能技術(shù)存在過擬合風險。深度學習模型受隨機數(shù)影響較大。本文測試的選股模型調(diào)倉頻率較高，假定以vwap價格成交，忽略其他交易層面因素影響。
|
|
