NVIDIA 专家做客“技术圆桌派”，详解 AI 赋能量化金融

大语言模型（LLMs）和生成式 AI 正在推动 AI 技术与金融业务深度融合。量化金融领域涉及到海量数据和模型计算，这些计算对性能有较大的要求，同时对数据处理实时性的要求也很高。因此，如何加速处理大数据，加速模型的训练和推理优化等在量化投研场景中非常重要。

NVIDIA GPU 加速的解决方案能够助力量化金融加速迈入高算力大模型时代。在日前举办的“技术圆桌派”第二期精英人才闭门会上，NVIDIA 中国区金融行业工程及解决方案经理史永明、NVIDIA 中国区金融行业解决方案架构师赵凡作为特邀嘉宾，针对量化领域经常遇到的海量数据处理；面对时序指标的预测如何一气呵成地完成数据集引入、准确率比较、推理优化及部署等一系列工作；让模型实现最优的推理速度和资源占用；大语言模型训练的解决方案和最佳实践等问题做了深度剖析和解答。

在演讲中，NVIDIA 中国区金融行业工程及解决方案经理史永明表示，当前大模型出现了能力涌现。大模型已经具备了一定的通用人工智能的能力，初步形成语言理解能力，可以很好地处理众多语言任务及相关其他任务。可以让模型从海量的数据中，提取出最能够刻画行业当前逻辑，或寻找上市公司表现的蛛丝马迹，NVIDIA 的 GPU 计算平台能够为大模型的训练提供更强算力。

围绕 NVIDIA 在量化金融方面的实践，NVIDIA 中国区金融行业解决方案架构师赵凡做了深入解读。他强调，量化交易需要处理海量数据，而 GPU 在大数据处理方面有着明显的效率优势，将在未来量化数据分析中发挥重要作用。GPU 以及基于 GPU 的金融行业解决方案，能够为量化投资赢得先发优势。

此外，在量化金融领域，时序预测是个永恒的核心课题，每 0.1%的预测精度提升都可能会带来巨大的收益，因此有必要使用业内最先进的 AI 预测模型来装备量化分析的工具箱。以 NVIDIA 最新推出的 NVIDIA 时间序列预测平台（TSPP）为例，这是一个设计用于轻松比较和实验预测模型、时间序列数据集和其他配置的任意组合的工具。作为一个端到端的框架，TSPP 使用户能够训练、调整和部署时间序列模型。TSPP 默认支持 NVIDIA 优化版的时间融合 Transformer（TFT）模型，除此之外还支持 XGBoost 模型，AutoARIMA 及 LSTM 模型。在 TSPP 中，TFT 训练可以使用多 GPU 训练、自动混合精度和指数移动权重平均来加速。

这个模型可以进行数据并行的训练。下图是一个吞吐量的测试，蓝色的数据是在 CPU 上面测的，绿色的数据是 NVIDIA 在 A100 GPU 上进行的一个测试。测试显示，这个模型可以在 A100 上以极大的吞吐量去进行推理。这样的好处就是可以同时推理多种不同的股票，或是相应的经济数据，从而预测未来的走势。

在推理的时延方面，如下图所示，绿色的几乎看不见的是 GPU 上面的推理时延，蓝色的柱状图是 CPU 上面的推理时延。事实证明，GPU 的推理时延在较大批量的情况下，基本上是个位数，几毫秒的延迟，可以满足交易实时性的需求。

NVIDIA 两位专家的演讲获得了听众的认同。北京大学金融学理论物理专业的一位同学表示：“通过 NVIDIA 的外部嘉宾的分享了解到了工业界在大数据处理加速方面的前沿应用，这是在学校里难以接触到的宝贵知识”。来自清华大学软件工程专业的一位博士研究生也表示：“NVIDIA 如何用 GPU 加速大数据处理让我了解到了几个新的针对大数据的高性能计算库，后续我也准备在自己的科研中尝试使用这些库来加速自己的数据处理代码”

事实上，AI 对金融业的积极影响还将释放。根据 NVIDIA 发布的《2023 年金融业最关注的 4 大 AI 方向》，AI 正在对金融机构产生可以量化的影响。近一半的受访者表示，AI 将帮助他们的企业机构增加至少 10%的年收入。超过三分之一的人表示，AI 每年还将帮助其减少至少 10%的成本。而随着生成式 AI 的出现，金融业或将从中受益更多。