3. 软件环境搭建：操作系统选择与GPU计算栈部署
好，咱们进入第三章。这一章，说白了就是给回测系统「打地基」。地基不稳，后面跑得再快也是白搭。我见过太多人，一上来就急着写策略代码，结果环境配了三天，最后发现CUDA版本不对，驱动不兼容——嗯，那种感觉，就像你刚启动回测，系统直接崩了，连个错误日志都不给。
所以，咱们一步步来。从操作系统选型，到Docker容器化，再到NVIDIA驱动和CUDA Toolkit的安装。我会把我在项目中踩过的坑，一并告诉你。
3.1 操作系统选择：为什么是Ubuntu 22.04 LTS？
我个人习惯，做量化回测系统，首选Ubuntu 22.04 LTS。为什么？
- 稳定：LTS版本有5年支持，你不会想在生产环境里频繁升级系统。
- 生态：NVIDIA的驱动、CUDA、Docker，对Ubuntu的支持最好。你想想看，如果选个冷门发行版，装个驱动都要自己编译内核模块，那得多折腾。
- 社区：遇到问题，Google一下，Stack Overflow上基本都有答案。
我记得有一次，我在CentOS上折腾CUDA，搞了整整一天，最后发现是内核版本和驱动不兼容。换成Ubuntu 22.04，半小时搞定。所以，别跟自己过不去。
3.2 Docker容器化部署：让环境「一次构建，到处运行」
Docker，说白了就是给你的回测系统装一个「便携式环境箱」。你在这个箱子里装好所有依赖，然后可以把这个箱子搬到任何一台有Docker的机器上运行。
为什么要用Docker？
- 隔离性：你的回测环境不会污染宿主机。我曾经因为装了一个新版本的Python库，导致整个系统的CUDA环境崩了。用Docker，这种问题根本不会发生。
- 可复现：你今天配好的环境，三个月后还能一模一样地跑起来。这对量化回测来说太重要了——你总不希望因为环境变化，导致回测结果不一致吧？
- 团队协作：你写个Dockerfile，同事直接build，大家环境完全一致。省去了「在我机器上能跑啊」这种扯皮。
下面是一个基础的Dockerfile示例，用于搭建GPU回测环境：
# 使用NVIDIA官方CUDA镜像作为基础
FROM nvidia/cuda:12.1.0-runtime-ubuntu22.04
# 设置工作目录
WORKDIR /workspace
# 安装系统依赖
RUN apt-get update && apt-get install -y \
python3.10 \
python3-pip \
git \
vim \
&& rm -rf /var/lib/apt/lists/*
# 安装Python量化库
RUN pip3 install --no-cache-dir \
numpy \
pandas \
numba \
ta-lib \
backtrader
# 设置环境变量
ENV PYTHONUNBUFFERED=1
# 暴露端口（用于Jupyter等）
EXPOSE 8888
# 默认命令
CMD ["bash"]3.3 NVIDIA驱动安装：让系统认识你的GPU
装驱动，是GPU计算的第一步。没有驱动，你的显卡就是个「高级风扇」。我建议用官方推荐的nvidia-driver-535（或更新的稳定版本）。
安装步骤很简单：
- 先卸载旧驱动（如果有的话）：
sudo apt-get purge nvidia* - 添加NVIDIA官方驱动PPA：
sudo add-apt-repository ppa:graphics-drivers/ppa - 更新包列表：
sudo apt-get update - 安装驱动：
sudo apt-get install nvidia-driver-535 - 重启系统：
sudo reboot
重启后，运行nvidia-smi，你应该能看到类似这样的输出：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.86.05 Driver Version: 535.86.05 CUDA Version: 12.2 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 NVIDIA GeForce RTX 4090 Off | 00000000:01:00.0 On | Off |
| 30% 45C P8 12W / 450W | 0MiB / 24564MiB | 0% Default |
+-------------------------------+----------------------+----------------------+看到这个，说明驱动装好了。我曾经遇到过一个问题：装完驱动后，系统黑屏。后来发现是Secure Boot搞的鬼。如果你也遇到类似情况，进BIOS关掉Secure Boot就行。
3.4 CUDA Toolkit与cuDNN安装：GPU计算的「引擎」
驱动装好了，但你的Python代码还不能直接调用GPU。你需要CUDA Toolkit——它提供了GPU编程的API和工具链。而cuDNN，是NVIDIA针对深度学习优化的底层库，回测系统里如果用到了神经网络策略，就离不开它。
3.4.1 安装CUDA Toolkit
我建议用runfile方式安装，这样你可以完全控制安装路径。不过，为了省事，用apt安装也行。
用apt安装CUDA 12.1：
# 下载CUDA的apt仓库配置包
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt-get update
# 安装CUDA Toolkit
sudo apt-get install cuda-toolkit-12-1安装完成后，设置环境变量：
echo 'export PATH=/usr/local/cuda-12.1/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc验证安装：nvcc --version，你应该能看到CUDA的版本信息。
3.4.2 安装cuDNN
cuDNN需要从NVIDIA官网下载，需要注册账号。下载后，用dpkg安装：
# 假设你下载了cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.1/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.1/lib64/
sudo chmod a+r /usr/local/cuda-12.1/include/cudnn*.h /usr/local/cuda-12.1/lib64/libcudnn*3.5 知识体系总览
下面这张图，帮你理清本章的核心逻辑：
你看，整个流程是层层递进的。从操作系统开始，到Docker容器化，再到驱动和CUDA。每一步都依赖上一步。所以，别跳步，老老实实按顺序来。
3.6 避坑指南
最后，分享几个我亲身踩过的坑：
- 驱动版本别追新：我曾经装过最新的beta版驱动，结果CUDA Toolkit不兼容，回测程序直接报错。建议用NVIDIA官方推荐的「生产分支」版本。
- Docker里别忘了装nvidia-container-toolkit：否则你在容器里调用不了GPU。安装命令：
sudo apt-get install nvidia-container-toolkit，然后重启Docker服务。 - CUDA环境变量一定要配好：我见过有人装完CUDA，但
nvcc命令找不到，就是因为PATH没配。记得把/usr/local/cuda/bin加到PATH里。
好了，环境搭好了，下一章咱们就开始写回测系统的核心代码。不过在那之前，我建议你先跑一下nvidia-smi和nvcc --version，确认所有组件都正常工作。别急着往下走，地基打牢了，后面才稳。