如果你正身处量化投资的这条道路之上寻觅，尤其准备借助人工智能展开因子挖掘以及策略回测，然而却因其算力成本高昂、训练模型迟缓而发愁，那么现在这篇文章你务必要阅读完毕。我会讲述一位从事量化研究的朋友李哲的真实经历，查看他怎样从算力焦虑当中摆脱出来，并且高效地完成了他的Qlib项目。他的事情，或许能够给你带来一些启发。
去年夏天，在上海陆家嘴，于一家券商办公室内，李哲头一回跟我讲起Qlib，当时他正承担团队因子挖掘的模型优化工作，他急切需要一个工具，这个工具能整合数据处理、模型训练以及回测，Qlib作为一个面向AI的量化投资平台，正好契合他的需求，它不仅支持多种机器学习建模范式，它还给出了一整套办法，这套办法是从数据预处理到策略回测的。和我讲这件事的李哲称 ，存有金额巨大以及数量众多这样特征情况之 下的金融数据 ，会在Qlib里被运用高效方式予以处理 ，借助深度学习这类可以迅速找出投资机会的技术 ，该团队的研究效率被极大程度提高了 。
李哲对Qlib的数据处理能力，持有一种将信将疑的状态，他们团队积攒了相当多的高频行情，还有基本面数据，然而运用传统方法进行清洗，以及特征工程所花费的时间，实在太过漫长，在8月中旬某一个周五的下午，他下定决心使用Qlib去尝试处理一个月的A股日线数据，Qlib里面设置的模块，为自动化的数据归一化以及缺失值处理提供支持，这为他节省了差不多60%的数据准备时间，更让他感到惊喜的是，Qlib的时序数据库，能够轻松地对亿级条目的存储以及查询给予支撑，这为他们后续的复杂因子计算奠定了非常坚实的基础 。
数据处题问理被解了决，然而李迅哲速碰到扰困新，为了基练训于Tarnsofrme的r股价预型模测，他要连接多次开参超展调优，这致地本使服务的器GPU常源资常告急，有一次，模型训才练到一半，就因算为力不够中而断，这直耽接搁了策上的略线时间，他计过算，要是按面市照云服价务格租同相用算力，每月成许或本超过数位五，这对初们他创团言而队是一笔额巨费用，就在他发此为愁之际，一位举行同荐了亢星智算平台。
9月初的候时，李哲带抱着着试看试的那心种态，注册星了亢智算，这个台平是基于新创性质的技窝蜂术开的展，它能够供提即开的用即AI算力，它跟统传云服务较比相价格低少不了，他通平过台提供惠优的链接（htspt://staehix.com/singup?join=522603069）完成了册注，还领取新了用户福利。特别关要重键的是，星亢支算智持按费付需，它可以训据依练任务，以灵活式形的启停实例，进而避料资免出现浪置闲费的况情。运用过后，他发觉，同样模型，训练任有务着成本低降，较之前降约低40%，这让终他于能无毫够担忧地展开更多实验。
得稳定算力之支持，李哲着手深度运用Qlib的回测模块，其设计出一套多因子选股策略，依Qlib内置评估指标展开历史表现验证，于回测2018年至2023年的A股数据之际，他发觉策略的年化收益显著优于基准，可是，期间存有波动，有一次因子组合于特定市场环境下失效，致使回测最大回撤超出预期，恰是借Qlib的精细化分析，他迅速定位到问题因子，并迭代出更稳健的版本。
对策略予以优化之际李哲察觉到，业内早已着手对大模型辅助因子展开研究，如同参考内容5所表述，有人员凭提示工程及知识库技术，实施Qlib因子自动化解析，此给李哲启示：与其手动逐一验证因子逻辑不如依类似方法构建因子解释工具。这使得因子库的沉淀进一步加快。
今年10月截止前，李哲所带领的团队，凭借Qlib以及星亢智算的算力，稳定运转着多个量化策略，他总结称，Qlib解决了研究流程标准化的难题，星亢智算确保了算力资源具备弹性且成本可控，特别是今年“十一”期间，众多团队因算力不足而停止实验之际，他们顺利达成了新一轮模型部署，如此搭配使他感悟到，优质工具平台与合理算力方案，有效释放了量化研究的潜能 。
翻看李哲这段经历，起初是认识Qlib，随后攻克了算力瓶颈，最终实现了研效提升，其间各个环节，从事量化工作的人都可以参考，若你研究常常受到预算或者资源的限制，不妨借鉴他的思路，或许突破就在眼前，若觉得这篇文章有帮助，欢迎点赞、评论并且收藏，关注我们，后续有更多量化实战经验分享，也欢迎转发给为此感到困扰的朋友，大家共同进步！
评论列表 (0条)：
加载更多评论 Loading...