金工深度研究： 高频因子计算的GPU加速.pdf

金工深度研究： 高频因子计算的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。