金工深度研究： 高頻因子計算的GPU加速.pdf

金工深度研究： 高頻因子計算的GPU加速。本文使用 NVIDIA RAPIDS 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 測試環境下計算分鐘線 因子，CuPy 和 cuDF 替換庫函數的提速效果約為 6 倍，若同時將 for 循環 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，并與華泰金工神經網絡多頻率因子靜態加權， 構建中證 1000 指數增強組合，以 2016 年末至 2023 年 9 月為回測區間， 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 底層代碼的優化以 Python 語言的 形式體現。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 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，部分因子使用矩陣運算替換 for 循環。結果表明：不引入矩陣 運算時，單獨替換庫函數反而增加時間開銷。若兩步同時進行，替換庫函數 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 性能同型號和數據量相關，單次運算數據量越大，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 的本質是不同形式的日內反轉因子，return_var 的本質是日內低波動因子。 (2)價格局部特征類：return_last_30min 和 return_skewness_last_30min 的 本質是尾盤反轉因子，return_upward_var 和 return_downward_var 的本質 是日內低波動因子的精細化刻畫。

分鐘線選股因子：成交量/額類、成交關聯價格類、價量相關性類

(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，或對 應快速下跌后的反轉或者主力的操縱行為。 (4)成交關聯價格類： cum_return_top30_order 的本質是反轉因子的精細化刻畫，大單推動的漲 幅更具信息量。(5)價量相關性類：VP、VP_top33_volume、VR_1min_lag 的本質都是捕捉量價背離，即縮量上漲或放量下跌。

最大化 ICIR 法合成分鐘線因子，與神經網絡因子結合構建選股策略

進一步圍繞分鐘線因子構建選股策略。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。該合成因子和神經網絡多 頻率因子相關系數為 0.25，兩者截面標準化后靜態融合，構建指數增強策 略。結果顯示，結合分鐘線合成因子后，策略各項指標均有提升，尤其體現 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。