factor-cuda — CUDA 因子截面分析加速

简体中文 · English · 繁體中文

GPU 加速的量化因子截面分析工具——截面排序、相关性、IC、参数扫描。 与 ashare-mcp（数据获取）、ml-quant-trading（因子生产）组成 A 股量化研究免费管线。 本项目不做因子计算、不做回测、不做数据获取。

状态

已发布 v1.1.1（2026-08-10）——PoC ①-④ 全闭合 + Phase 1-4 完成 + P3 适配层自动缓存 + selfcheck 遮挡缺口补强（corpus_parity 全列 5000）。

• 操作语义契约已冻结（L0 Spec，CLAUDE.md）；测试套件本地 GPU 150 passed / 3 skipped（GitHub Actions 无 GPU 跑 CPU/契约臂 85 passed）；Phase 3 验收六门全 PASS。
• Phase 4 benchmark 端到端 ~3.0×（vs 同语义最佳免费替代；未达 5× 优势门槛 → 负结果已登记 NRR-2026-024）。
• 内存模型「可分块」三件套（F-blocking / streaming / N-blocking）已验证（PoC/内存可行性路径）：factor F=128 模型峰值 12,645.61 MiB 超预算 → streaming 实测 7,079.75 MiB fits。

功能

GPU 加速截面分析算子（pybind11 绑定 + 纯 Python 后端）：

算子	输出	dtype	backend
cross_sectional_rank	(T,N) 秩 1..K	f32	GPU-only
parameter_scan	4×(T,N) 秩	f32	GPU-only
factor_corr	(F,F) 相关矩阵	f32/f64	CPU / CUDA
stock_corr	(N,N) 相关矩阵	f32/f64	CPU / CUDA
rolling_ic	(T,) Spearman IC	f32/f64	CPU / CUDA（device=None 自动）

配套：显存静态预算模型（docs/memory_budget_v1.json）、workspace 分配缓存、适配层自动缓存（fc 透明，fc.clear_workspaces() 释放）、corpus parity 验证。

快速开始

源码构建（Windows 10/11 + CUDA Toolkit 13.3 + VS2026 MSVC + Python 3.12 + CMake/Ninja；环境见 docs/support_matrix.json）。扩展模块经 pybind11 绑定（-DBUILD_PYBIND11=ON）构建后，fc.* 即可调用（CUDA 可用时自动走 GPU）。

git clone https://github.com/redamancy231-create/factor-cuda
cd factor-cuda
cmake -S . -B build -DBUILD_PYBIND11=ON -DPython_EXECUTABLE=<python3.12.exe>
cmake --build build --target factor_cuda_pybind factor_corr_pybind

import numpy as np
import fc                       # CUDA 可用时自动走 GPU

X = np.random.randn(1218, 5000).astype(np.float32)               # (T, N) 因子面板
mask = np.ones((1218, 5000), dtype=bool)

rank = fc.cross_sectional_rank(X, mask)                          # 截面排序（GPU）
ic = fc.rolling_ic(X, np.random.randn(1218, 5000), min_valid=30) # 滚动 Spearman IC
corr = fc.factor_corr(np.random.randn(1218, 5000, 4))            # 因子相关矩阵 (F×F)

架构

graph LR
    A["因子面板 (T,N,F)"] --> B["适配层 fc.*<br/>dtype / mask / device 规范化"]
    B --> C["pybind11 绑定"]
    C --> D["CUDA kernel 流水线"]
    D --> E["cross_sectional_rank<br/>· parameter_scan"]
    D --> F["factor_corr<br/>· stock_corr"]
    D --> G["rolling_ic"]
    E --> H["截面排序 / 秩"]
    F --> I["相关矩阵"]
    G --> J["Spearman IC"]
    H & I & J --> K["截面分析结果"]

Loading

构建

• 环境支持矩阵见 docs/support_matrix.json（单一真源；实测 CUDA Toolkit 13.3 / VS2026 MSVC 19.51 / Python 3.12.7 / compute capability 8.9，单架构声明）。
• CMake + Ninja（C++20）；PoC 工具经 pwsh -NoProfile -File _build_poc3.ps1 <target> 构建。

性能

RTX 4060 Laptop（sm_89），corpus 1218×5000×12，vs 同语义最佳免费替代：

算子	加速比
端到端（committed / fresh）	3.04× / 2.94×
factor_corr	13.09×
stock_corr general（N=500 / N=2000）	3.38× / 2.31×
parameter_scan	2.34×
rolling_ic	2.02×
cs_rank	1.48×

未达 5× 优线 → 负结果登记 NRR-2026-024。详见 benchmarks/results/phase4_bench_v1.md。

示例

确定性合成面板上的真实算子输出（RTX 4060 Laptop）：

文档索引

用户与社区

文件	内容
docs/support_matrix.json	构建/运行环境支持矩阵（单一真源）
CONTRIBUTING.md	贡献指南
SUPPORT.md	支持说明
SECURITY.md	安全政策（漏洞报告）

契约与 API

文件	内容
CLAUDE.md	L0 Spec（操作语义契约/成功标准/坑位，冻结）
docs/memory_budget_v1.json	显存静态预算模型
FUTURE_WORK.md	未来修改方向（优化/功能/工程候选，按依据分层）
CHANGELOG.md	变更记录
PLAN.md	历史方案文档（superseded）

性能证据

文件	内容
benchmarks/results/phase4_bench_v1.md	Phase 4 E2E benchmark（3.04× / 2.94×）
benchmarks/results/acceptance_v1.md	Phase 2-3 验收（六门 PASS）
benchmarks/results/ws_py_cache_v1.md	适配层自动缓存收益（rolling_ic 1.35× / cs_rank 1.20×）

竞品与对照

• QuantGplearn：遗传规划因子挖掘，Torch GPU 后端——PoC ② 公平基线最强对照候选（可选本地基线，非随包分发）
• equity-factor-lab：完整因子研究平台，bias 控制范式参考

相关项目

• ashare-mcp — A 股数据获取（上游原项目）
• ml-quant-trading — 因子生产（上游原项目）
• etf-pattern-match-pybind11 — 同技术栈（pybind11+CMake）参考
• negative-results-registry — 负结果登记（NRR-2026-024）
• redamancy231-create — 个人主页 / 全部项目索引

非投资建议。