01
量化回测的痛点
为什么传统回测慢？CPU与GPU架构对比，并行计算的基本概念。
CPU/GPU并行入门
02
GPU计算基础
CUDA架构简介，GPU内存层次结构，线程与块的概念。
CUDA内存模型
03
Python GPU生态
Numba、CuPy、PyCUDA、RAPIDS库介绍与选型对比。
NumbaCuPyRAPIDS
04
环境搭建
CUDA Toolkit安装，cuDNN配置，Docker镜像构建，conda环境管理。
CUDADockerconda
05
Numba入门
@jit装饰器，向量化操作，nopython模式，与NumPy的互操作。
JIT向量化
06
CuPy基础
CuPy数组创建与操作，与NumPy的互转，常用数学函数。
CuPyGPU数组
07
GPU上的向量化回测
将pandas回测逻辑向量化，使用CuPy加速矩阵运算。
向量化回测加速
08
并行策略扫描
使用GPU并行计算不同参数组合下的回测结果，网格搜索加速。
网格搜索参数扫描
09
Kernel函数编写
自定义CUDA Kernel，线程索引计算，数据分块处理。
CUDA Kernel线程索引
10
共享内存优化
利用共享内存减少全局内存访问，tile算法在回测中的应用。
共享内存tile
11
原子操作与归约
GPU上的原子加、原子减，并行归约算法计算夏普比率等指标。
原子操作归约
12
流与并发
CUDA Stream的使用，异步数据传输，重叠计算与数据传输。
Stream异步
13
多GPU编程
多GPU任务分配，点对点通信，负载均衡策略。
多GPUP2P
14
Numba进阶
自定义CUDA Kernel（@cuda.jit），线程同步，动态并行。
cuda.jit动态并行
15
RAPIDS cuDF
GPU DataFrame操作，与pandas API对比，数据预处理加速。
cuDFGPU DataFrame
16
RAPIDS cuML
GPU上的机器学习模型训练，因子挖掘中的模型加速。
cuML机器学习
17
RAPIDS cuGraph
图算法在投资组合优化中的应用，GPU加速网络分析。
cuGraph图算法
18
GPU上的事件驱动回测
并行处理事件队列，使用GPU加速订单簿模拟。
事件驱动订单簿
19
蒙特卡洛模拟加速
使用GPU并行生成随机路径，期权定价与风险分析。
蒙特卡洛期权定价
20
协方差矩阵计算
GPU加速大规模协方差矩阵计算，投资组合优化。
协方差组合优化
21
因子计算加速
GPU并行计算技术因子、基本面因子，因子IC/IR计算。
因子计算IC/IR
22
回测结果聚合
GPU上的分组聚合操作，替代pandas groupby。
分组聚合GPU加速
23
内存管理
GPU内存池，显存溢出处理，数据分批次传输策略。
内存池显存优化
24
性能分析工具
Nsight Systems、nvprof、Numba的CUDA模拟器，瓶颈定位。
Nsightnvprof
25
混合精度计算
FP16/FP32在回测中的应用，精度与速度的权衡。
FP16混合精度
26
GPU与CPU协同
任务划分策略，数据流水线设计，异构计算框架。
异构计算流水线
27
实战案例1：多因子选股
多因子选股策略GPU加速回测（全流程）。
多因子实战
28
实战案例2：高频交易
高频交易策略GPU加速回测（Tick级数据）。
高频交易Tick级
29
实战案例3：期权套利
期权套利策略GPU加速回测（蒙特卡洛+ Greeks计算）。
期权套利Greeks
30
总结与展望
GPU加速回测的最佳实践，未来趋势（量子计算、FPGA）。
最佳实践未来趋势