硬件环境搭建：GPU选型指南与CUDA环境安装
做量化回测，硬件是地基。地基没打好，后面代码写得再漂亮也跑不起来。
这一章，我带你走一遍硬件选型和环境搭建的全流程。从GPU选型到服务器配置，再到CUDA环境验证，每一步我都会结合自己的踩坑经验来讲。
GPU选型：A100 vs H100 vs RTX 4090
先聊最核心的问题：到底该买哪块卡？
我见过不少团队，上来就买最贵的H100，结果发现回测场景根本用不满。也见过有人用RTX 4090跑高频策略，结果显存爆了。说白了，选卡要看你的具体场景。
| 参数 | NVIDIA A100 (80GB) | NVIDIA H100 (80GB) | NVIDIA RTX 4090 (24GB) |
|---|---|---|---|
| 架构 | Ampere | Hopper | Ada Lovelace |
| 显存带宽 | 2 TB/s | 3.35 TB/s | 1.01 TB/s |
| FP32算力 | 19.5 TFLOPS | 60 TFLOPS | 82.6 TFLOPS |
| 显存容量 | 80 GB | 80 GB | 24 GB |
| NVLink支持 | 是 | 是 | 否 |
| 典型功耗 | 400W | 700W | 450W |
| 市场价格（参考） | ~15万 | ~30万 | ~1.5万 |
我的建议：
- 个人开发者/小团队：RTX 4090性价比最高。24GB显存够跑大部分日频回测，单卡就能搞定。我自己的实验环境就是4090，用了两年没出过问题。
- 中型团队/多策略并行：A100 80GB是稳妥之选。显存大，能同时加载多个因子矩阵。我在项目中遇到过，用4090跑8个策略同时回测，显存直接爆了。换了A100后，同时跑20个都没问题。
- 高频/超大规模：H100适合需要极致延迟的场景。它的Transformer引擎对某些时序模型有加成。但说实话，大部分回测场景用不上这个级别的算力。
注意：RTX 4090不支持NVLink。如果你计划做多卡并行回测，必须考虑A100或H100。我曾经帮一个团队排查性能问题，他们用4张4090做数据并行，结果通信开销比计算还大，最后换成了2张A100，性能反而翻倍。
服务器配置建议
GPU选好了，服务器也不能马虎。我见过有人花大价钱买了A100，结果配了个普通台式机电源，开机就跳闸。
CPU与内存
- CPU：至少16核以上。回测时CPU负责数据预处理和I/O，GPU负责矩阵运算。我习惯用AMD EPYC或Intel Xeon，核心数越多越好。
- 内存：建议64GB起步。如果你要加载全市场历史数据（比如A股5000只股票，10年日频），内存至少128GB。我自己的机器配了256GB，从来没为内存发过愁。
存储
- 系统盘：NVMe SSD，1TB起步。装系统和CUDA工具链。
- 数据盘：建议用U.2或M.2 NVMe SSD，4TB以上。回测数据读写频繁，机械硬盘根本扛不住。我曾经用SATA SSD跑回测，数据加载花了半小时，换成NVMe后只要3分钟。
电源与散热
- 电源：单卡至少1000W，多卡建议2000W以上。别省这个钱，电源不稳定会导致GPU降频甚至损坏。
- 散热：GPU满载时温度会飙到80°C以上。建议用机箱风道好的塔式服务器，或者直接上水冷。我有个朋友用开放式机架，夏天不开空调，显卡直接过热保护。
CUDA环境安装与验证
硬件到位了，接下来装软件。CUDA环境安装其实不难，但版本匹配是个坑。
第一步：确认系统与驱动
先检查你的Linux发行版和内核版本。我推荐用Ubuntu 22.04 LTS，兼容性最好。
# 查看系统版本
cat /etc/os-release
# 查看内核版本
uname -r
# 查看GPU是否被识别
lspci | grep -i nvidia如果lspci能看到你的显卡，说明硬件没问题。接下来装驱动。
第二步：安装NVIDIA驱动
我个人习惯用官方runfile安装，干净利落。
# 下载驱动（以535版本为例）
wget https://us.download.nvidia.com/XFree86/Linux-x86_64/535.154.05/NVIDIA-Linux-x86_64-535.154.05.run
# 给执行权限
chmod +x NVIDIA-Linux-x86_64-535.154.05.run
# 安装（需要先关闭图形界面）
sudo ./NVIDIA-Linux-x86_64-535.154.05.run
# 验证驱动
nvidia-smi小技巧：安装驱动前，记得先卸载旧驱动。我曾经直接在旧驱动上覆盖安装，结果系统直接黑屏。正确的做法是：sudo apt purge nvidia-*，然后重启再装新的。
第三步：安装CUDA Toolkit
驱动装好后，装CUDA Toolkit。注意版本要和驱动匹配。
# 下载CUDA 12.2（推荐）
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run
# 安装
sudo sh cuda_12.2.0_535.54.03_linux.run
# 配置环境变量
echo 'export PATH=/usr/local/cuda-12.2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
# 验证CUDA版本
nvcc --version第四步：验证CUDA环境
装完了，跑个简单的测试看看。
# 编译并运行deviceQuery示例
cd /usr/local/cuda-12.2/samples/1_Utilities/deviceQuery
make
./deviceQuery
# 输出示例（看到PASS说明成功）
# CUDA Device Query (Runtime API) version (CUDART static linking)
# Detected 1 CUDA Capable device(s)
# Device 0: "NVIDIA RTX 4090"
# CUDA Driver Version / Runtime Version 12.2 / 12.2
# CUDA Capability Major/Minor version number: 8.9
# Total amount of global memory: 24252 MBytes
# (128) Multiprocessors, (128) CUDA Cores/MP: 16384 CUDA Cores
# Result = PASS验证要点：
- 确认CUDA Driver Version和Runtime Version一致
- 确认显存容量正确（比如4090应该是24GB左右）
- 确认CUDA Cores数量正确
第五步：安装cuDNN（可选但推荐）
如果你要用深度学习模型做因子挖掘，cuDNN能加速卷积和RNN运算。
# 下载cuDNN（需要NVIDIA开发者账号）
# 解压并复制到CUDA目录
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.2/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.2/lib64
sudo chmod a+r /usr/local/cuda-12.2/include/cudnn*.h /usr/local/cuda-12.2/lib64/libcudnn*
# 验证cuDNN版本
cat /usr/local/cuda-12.2/include/cudnn_version.h | grep CUDNN_MAJOR -A 2知识体系总览
下面这张图，帮你把本章的核心逻辑串起来。从硬件选型到环境验证，每一步都有依赖关系。
我的经验：环境搭建最怕版本不匹配。我建议你装完每一步都做一次验证，别等到最后才发现问题。特别是驱动和CUDA的版本对应关系，一定要查NVIDIA官方文档。
硬件环境搭好了，下一步就是写代码了。不过在那之前，我建议你先跑几个简单的CUDA示例，确保整个链路没问题。嗯，这一步花不了多少时间，但能省下后面排查问题的功夫。