人工智能系列之70：使用NVIDIARAPIDS对高频因子计算进行GPU加速
　　本文使用NVIDIARAPIDS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。