大語言模型（LLMs）和生成式 AI 正在推動 AI 技術與金融業(yè)務深度融合。量化金融領域涉及到海量數(shù)據(jù)和模型計算，這些計算對性能有較大的要求，同時對數(shù)據(jù)處理實時性的要求也很高。因此，如何加速處理大數(shù)據(jù)，加速模型的訓練和推理優(yōu)化等在量化投研場景中非常重要。

NVIDIA GPU 加速的解決方案能夠助力量化金融加速邁入高算力大模型時代。在日前舉辦的“技術圓桌派”第二期精英人才閉門會上，NVIDIA 中國區(qū)金融行業(yè)工程及解決方案經(jīng)理史永明、NVIDIA 中國區(qū)金融行業(yè)解決方案架構師趙凡作為特邀嘉賓，針對量化領域經(jīng)常遇到的海量數(shù)據(jù)處理；面對時序指標的預測如何一氣呵成地完成數(shù)據(jù)集引入、準確率比較、推理優(yōu)化及部署等一系列工作；讓模型實現(xiàn)最優(yōu)的推理速度和資源占用；大語言模型訓練的解決方案和最佳實踐等問題做了深度剖析和解答。

在演講中，NVIDIA 中國區(qū)金融行業(yè)工程及解決方案經(jīng)理史永明表示，當前大模型出現(xiàn)了能力涌現(xiàn)。大模型已經(jīng)具備了一定的通用人工智能的能力，初步形成語言理解能力，可以很好地處理眾多語言任務及相關其他任務。可以讓模型從海量的數(shù)據(jù)中，提取出最能夠刻畫行業(yè)當前邏輯，或?qū)ふ疑鲜泄颈憩F(xiàn)的蛛絲馬跡，NVIDIA 的 GPU 計算平臺能夠為大模型的訓練提供更強算力。

圍繞 NVIDIA 在量化金融方面的實踐，NVIDIA 中國區(qū)金融行業(yè)解決方案架構師趙凡做了深入解讀。他強調(diào)，量化交易需要處理海量數(shù)據(jù)，而 GPU 在大數(shù)據(jù)處理方面有著明顯的效率優(yōu)勢，將在未來量化數(shù)據(jù)分析中發(fā)揮重要作用。GPU 以及基于 GPU 的金融行業(yè)解決方案，能夠為量化投資贏得先發(fā)優(yōu)勢。

此外，在量化金融領域，時序預測是個永恒的核心課題，每 0.1%的預測精度提升都可能會帶來巨大的收益，因此有必要使用業(yè)內(nèi)最先進的 AI 預測模型來裝備量化分析的工具箱。以 NVIDIA 最新推出的 NVIDIA 時間序列預測平臺（TSPP）為例，這是一個設計用于輕松比較和實驗預測模型、時間序列數(shù)據(jù)集和其他配置的任意組合的工具。作為一個端到端的框架，TSPP 使用戶能夠訓練、調(diào)整和部署時間序列模型。TSPP 默認支持 NVIDIA 優(yōu)化版的時間融合 Transformer（TFT）模型，除此之外還支持 XGBoost 模型，AutoARIMA 及 LSTM 模型。在 TSPP 中，TFT 訓練可以使用多 GPU 訓練、自動混合精度和指數(shù)移動權重平均來加速。

這個模型可以進行數(shù)據(jù)并行的訓練。下圖是一個吞吐量的測試，藍色的數(shù)據(jù)是在 CPU 上面測的，綠色的數(shù)據(jù)是 NVIDIA 在 A100 GPU 上進行的一個測試。測試顯示，這個模型可以在 A100 上以極大的吞吐量去進行推理。這樣的好處就是可以同時推理多種不同的股票，或是相應的經(jīng)濟數(shù)據(jù)，從而預測未來的走勢。

在推理的時延方面，如下圖所示，綠色的幾乎看不見的是 GPU 上面的推理時延，藍色的柱狀圖是 CPU 上面的推理時延。事實證明，GPU 的推理時延在較大批量的情況下，基本上是個位數(shù)，幾毫秒的延遲，可以滿足交易實時性的需求。

NVIDIA 兩位專家的演講獲得了聽眾的認同。北京大學金融學&理論物理專業(yè)的一位同學表示：“通過 NVIDIA 的外部嘉賓的分享了解到了工業(yè)界在大數(shù)據(jù)處理加速方面的前沿應用，這是在學校里難以接觸到的寶貴知識”。來自清華大學軟件工程專業(yè)的一位博士研究生也表示：“NVIDIA 如何用 GPU 加速大數(shù)據(jù)處理讓我了解到了幾個新的針對大數(shù)據(jù)的高性能計算庫，后續(xù)我也準備在自己的科研中嘗試使用這些庫來加速自己的數(shù)據(jù)處理代碼”

事實上，AI 對金融業(yè)的積極影響還將釋放。根據(jù) NVIDIA 發(fā)布的《2023 年金融業(yè)最關注的 4 大 AI 方向》，AI 正在對金融機構產(chǎn)生可以量化的影響。近一半的受訪者表示，AI 將幫助他們的企業(yè)機構增加至少 10%的年收入。超過三分之一的人表示，AI 每年還將幫助其減少至少 10%的成本。而隨著生成式 AI 的出現(xiàn)，金融業(yè)或?qū)闹惺芤娓唷?/p>