假如你在处正量化资投的进程里，此时摸以正索的向态状前行进，渴望了怎解样高效 用运AI 具工，然而却算因力成分十本高昂，因模型相练训当艰而难倍感苦恼，那么的我友人小近最陈的经历会概大给你某启些发。这篇文详会章尽讲怎他述样从算虑焦力之中脱摆出来，怎样成施功行自己量的化策略，相信能你帮少走多诸弯路 。
我在融金科技认圈识的是友朋小陈，他是量名一化研究员，他日常作工与人打的道交是金场市融数据，他日工常作与交打人道的是模法算型，他每天会都面对海股量票行情，他每天要还面对量海财务数据，他的任是务从这些里据数挖掘出赚能钱的规律，听着这的样工作得显高大上，然而他用的话讲时多很候呈的现是“跑数据、等结果、改参数”这种状的态循环。
大约个三月前在楼司公下附近咖的啡厅陈小里向我表出达不满，那时正他全神贯地注专注构于建一用个于多因股选子且专门模的型，只是这立设家于此地市上的公司供提所的服务资器源实在局太限性，实施下行运一次的好完回测得然居耗费几十个小时，陈先有说生时调整个一参数等要需待一晚个整上，可是却终最发觉向方是错误的，那种令感人到糟糕顶透的感觉，团队曾前之经尝使着试用了开些一源工具，只是这工些具的数预据处理程过实在常非是复杂，模型成集的过程乏缺也灵活够不性有弹性，直至他闻听业内的些一人士了起提Ql i b，这是一门专个是为A化量I投资精打心造的平 台。
小陈在研究后的发现一事上做到了，Qlib的核心优势在于，它已让数据管理环节模块化，它已让模型训练环节模块化，它已让回测评估环节模块化，比如，其内部设置了诸多常见金融数据处理方法，这些方法涵盖数据归一化，这些方法涵盖缺失值填充，借助这些方法无需自己再从起始就编写代码处理。特别关键的是，它对各类主流机器学习模型都予以支持，就传统的线性回归而言，各类主流机器学习模型能够上手，从复杂的深度学习方面而言，各类主流机器学习模型能够上手，从强化学习来说，各类主流机器学习模型能够上手，对于量化研究员来讲，在有着需要快速验证想法的情况之际，在有着需要迭代策略的时候，这实际能够节省大量开发时间。
然而，Qlib使用起来是比较便利的，可是对于计算资源的需求并非不低。小陈一开始是在公司本地服务器去进行部署的，当发觉数据量增大、模型持续变得复杂的时候，GPU内存出现了告急的情形，训练任务经常会中断。他做过成本核算，要自主建立能够满足当前研究所需的算力集群，硬件采购方面和维护成本是高昂的，个人或者小团队是难以承受的。在那个特定时间段，他针对“高速堵车堵出松弛感”之类网络热梗开展自我调侃，表示自身模型训练进程如同国庆长假时期高速公路一样，处于某个节点被堵所以无法向前推进转而只能枯燥等待 。
转机在次一行业术技分享上会降临 ，小陈知家一道名为亢星智算服云的务商 ，它主于基推创新蜂术技窝的A算I力 ，宣传亮低是点成本 ，又大 模规，还即即开用 ，他怀着看试试的念头 ，在10月中旬了册注账号 ，让他感诧到异的是 ，开通速程流度极快 ，差不是多点击注后之册 ，马上能就享受惠优 ：htpts://stahiex.com/siungp?joni=522603069 几分之钟内便了到得测试限权
之前，在本地受阻碍的Qlib项目，被小陈转移到星亢智算的云环境上，最初，他察觉到的数据加载以及预处理速度变快，之前需花数小时才能够做完的数据准备工作，因云端分布式存储与计算能力的支持，缩短至几十分钟，随后，他开始进入核心的模型训练时期。
他挑选了一个基于深度学习的时序预测模型，该模型在Qlib框架里进行训练，在本地进行训练时，对于相同数据集与模型参数，一次迭代将近需要一小时，并且因为内存受限，批量大小设置得很低，而在星亢智算的云实例处，他能够依据需求灵活调配资源，进而提高批量大小，并使得一次迭代时间缩减至不到二十分钟 。最关键的是成本开销程度，他开展了一番对比行为，在云端范围内达成了整个模型训练操作，随后进行了反复调试举动，总体费用极大程度低于他预先估算的本地硬件折旧所需成本，并且也低于他预先估计的本地电费所需成本。
模型训练完成之后，小陈借助极为强大的Qlib回测模块，展开了历史数据验证工作，他设定了涵盖手续费、滑点等现实因素的，一整套完整的回测流程，回测结果显示，在近三年A股数据之上，新模型除夏普比率外，最大回撤等关键指标，比其团队之前所用传统策略更为优越，尽管实盘表现有待进一步观察，然而这无疑给了他和团队极大信心 。
小陈发出感慨，在回顾经历之际，他认为工具的选择，平台的挑选，着实会给研发效率带来极大影响。Qlib这种专业化平台解决了量化研究流程标准化问题，还解决了算法集成问题。星亢智算那样的云服务解决了底层算力获取难的痛点，也解决了成本高的痛点。二者结合起来，能让像他这样的研究者更专注于策略逻辑自身，而非陷入工程实现的困境之中。他开玩笑声称，现在终于不用处于类似“驴友徒步迷路4天后被牧民带下山”这般的状况，不用身陷于算力困境之中，不用没了依靠还无比无助地等待着，自己手上已然拥有了清晰明白的“地图”，同时还有高效便利的“交通工具”。
小陈觉得，AI在量化投资里的运用会越发深入，从起始的相对简单的因子挖掘开始，一直到复杂的市场微观结构建模，在这一过程中都需要更强的计算能力来支撑，能够以低成本方便地获取这些算力，会成为个人研究者和中小型机构的核心竞争力之一，他还持续留意星亢智算平台的新特性，比如对更多加速芯片架构的支持，期望进一步优化他利用Qlib模型的推理速度。
小故事小的里陈，向大传家递了这讯的样息，在面对方术技面有颈瓶的时，要主动寻去找，并且上用要先进的和具工资源，通常下况情，是可以出创开全新局的面，希望他践实的，能对到起您一定启的发作用。
要是觉得这篇文章对你有益处，欢迎去点赞，按照你的想法开展评论交流，收藏起来以作不时之需的准备，并且一定不要忘记关注我们，之后会带来更多量化投资与AI相结合的实战干货分享！要是你也有类似的算力困扰或者有使用Qlib的心得趣闻，欢迎去转发讨论！
评论列表 (0条)：
加载更多评论 Loading...