NVIDIA: GPU-kon skálázható a pénzügyi instrumentumok klaszterezése

Miért nehéz a pénzügyi instrumentumok csoportosítása?

A kvantitatív stratégiák gyakran csoportosítják az instrumentumokat portfólióépítéshez, kockázatösszesítéshez, statisztikai arbitrázshoz és kereskedésfelügyelethez. Az NVIDIA bejegyzése szerint a hibás csoportosítás miatt koncentrált pozíciók diverzifikáltnak tűnhetnek, rejtve maradhat a névleges határokon átnyúló közös kockázat, és olyan statisztikai arbitrázspárok kerülhetnek kiválasztásra, amelyek stresszhelyzetben már nem viselkednek megbízhatóan.

A probléma gyakorlati oka, hogy a megfelelő csoportok közvetlenül nem figyelhetők meg, és nem is stabilak. A faktor-kitettségek elmozdulhatnak, az instrumentumok besorolása változhat, a függőségek pedig piaci stressz alatt hirtelen átalakulhatnak. Emiatt egy klaszterezési folyamatnak el kell különítenie a szokásos ingadozást a strukturális változástól, miközben elég olcsón újrafuttathatónak kell lennie, amikor új hozamadatok érkeznek.

A bejegyzés két általános megközelítést különböztet meg. A kemény klaszterezési módszerek számítási szempontból olcsók, de minden instrumentumot pontosan egy csoportba sorolnak, ami a szektorhatárokon problémás lehet. A puha faktorizációs módszerek, például a SymNMF, kezelik a határeseteket és faktor-terheléseket adnak, de a sűrű mátrixokra épülő célfüggvények korábban korlátozták a gyakorlati alkalmazást nagy instrumentumszám mellett.

Mit csinál az AdaptGrow?

Az NVIDIA által leírt munkafolyamat gördülő hozamablakokból indul ki, és két bemenetet készít. Az egyik az abszolút Pearson-korreláció, amely a szélesebb együttmozgást írja le. A másik a tail pairwise dependence matrix, röviden TPDM, amely szélsőséges megfigyelések alatti közös viselkedést ragad meg.

A SymNMF minden instrumentumot nemnegatív faktor-terhelések egy sorával reprezentál. Ha a sor megmarad, puha reprezentációt ad, ha pedig a soron belüli legnagyobb értéket veszik, kemény címke keletkezik. Az AdaptGrow ebből kemény klasztercímkéket, puha faktor-terheléseket és strukturális törésekre utaló jeleket állít elő.

A megoldó a mátrix sajátérték-spektrumából állítja be magát. Tiszta spektrális rés esetén teljes kötegű AdaGradot választ, laposabb spektrum esetén pedig blokk-sztochasztikus SVRG frissítéseket használ. A bejegyzés szerint ugyanaz a megoldófelület használható egy GPU-n és többcsomópontos környezetben is.

A rang, vagyis a k érték kiválasztásánál a munkafolyamat egy kezdeti, reprezentatív ablak vezető sajátértékeinek vizsgálatát javasolja. A k értékét ott választja, ahol a jelhez tartozó sajátértékek és a zajszint között a legtisztább elválás látszik, majd ezt az értéket a későbbi ablakokban rögzíti, hogy a stabilitási pontszámok összehasonlíthatók maradjanak. A bemutatott szintetikus adatokban az elültetett rang 24 volt.

Memória és skálázás GB200 GPU-kon

A skálázást először a memória korlátozza. Az NVIDIA szerint egy sűrű FP32 függőségi mátrix 100 000 instrumentum esetén körülbelül 40 GB-ot, 1 millió instrumentum esetén körülbelül 4 TB-ot igényel. Egy naiv SymNMF-megvalósítás több további n x n köztes mátrixot is materializálna.

A bejegyzésben használt nyom-alapú megfogalmazás ezeket a köztes elemeket elhagyja, és a becsült csúcstárhelyigényt körülbelül 20n² bájtról 4n² bájtra csökkenti, a kisebb faktorpuffereken felül. Az NVIDIA szerint ez teszi lehetővé, hogy körülbelül 100 000 instrumentum elférjen egy nagy memóriájú NVIDIA GB200 GPU-n.

A gyorsítás több komponensre épül. A PyTorch a domináns SH mátrixszorzásokat cuBLAS-ra küldi, a cuSOLVER végzi a rang- és megoldóválasztáshoz használt spektrális próbát, a cuDF pedig az opcionális Parquet-beolvasást és előfeldolgozást tartja GPU-n. Több gépre skálázáskor a PyTorch Distributed sorok szerint darabolja az S mátrixot, miközben a H másolata minden dolgozón megmarad. Az NCCL az S H szorzatok sorokra darabolt eredményeit all-gather művelettel gyűjti össze, a gradienseket pedig all-reduce művelettel kezeli, így a kommunikáció O(nk) adaton történik az O(n²) teljes mátrix helyett.

A társított cikkben a 100 000 instrumentumos mátrixot a gyorsabb futás érdekében négy NVIDIA GB200 GPU-ra osztották, bár a 40 GB-os bemenet egy GB200-on is elfér. Három seed mellett, FP32 pontossággal az AdaptGrow 13,0 másodperc alatt konvergált korreláción, és 12,4 másodperc alatt TPDM-en. Egymillió instrumentumnál a 4 TB-os mátrixot 64 GB200 GPU-n, 16 csomóponton darabolták sorok szerint. A teljes kötegű AdaGrad a korrelációs faktorizációt körülbelül 2 perc alatt, az AdaptGrow a TPDM-faktorizációt körülbelül 4 perc alatt fejezte be. Ezek egyedi faktorizációs mérések, nem a 250 időablak teljes végponttól végpontig tartó futásidejei.

Időbeli követés és stresszhelyzetek felismerése

A munkafolyamat 250 gördülő ablakot vizsgál, ami a bejegyzés szerint nagyjából egy kereskedési év napi újraklaszterezésének felel meg. A szintetikus hozamfolyam két kontrollált eseményt tartalmaz: egyes instrumentumok elültetett csoporttagsága megváltozik, több csoport pedig közös tail-stressz epizódot él át tagságváltozás nélkül.

Ez a beállítás két különböző viselkedést ellenőriz. Az adjusted Rand index, röviden ARI, feladata a tagságváltozás azonosítása. A TPDM-nek eközben azt a közös összeomlási eseményt kell láthatóvá tennie, amelyet az egyszerű korreláció nagyrészt nem ragad meg. A forrás szerint az ARI-stabilitás követése önkalibrált 3σ kontrollhatárral érzékeli az elültetett tagságváltozásokat, míg a TPDM szektorok közötti függősége olyan co-crash eseményeket mutat meg, amelyeket a korreláció elmulaszt.

A szerzők azt írják, hogy éles használatban a szintetikus generátort hozamtáblával kell kiváltani, miközben megmarad ugyanaz az ablakolási, függőségbecslési, faktorizációs és monitorozási lánc. Az egymillió instrumentumos eredmények külön elosztott skálázási tesztek, és a közölt 16 csomópontos konfigurációhoz hasonló infrastruktúrát igényelnek.

Mit jelent ez a felhasználóknak és a piacnak?

A bemutatott munkafolyamat a forrás alapján olyan feladatokra céloz, ahol sok instrumentumot kell ismételten, új hozamok érkezésekor csoportosítani. A kemény címkék közvetlenül használhatók csoportosításra, a puha faktor-terhelések pedig akkor adnak több információt, amikor az instrumentumok nem illeszkednek tisztán egyetlen csoportba.

Az NVIDIA szerint a spherical k-means alacsonyabb költségű kemény klaszterezési kiindulópont lehet jól elkülönülő szektoroknál. A SymNMF akkor őriz meg többletinformációt a fokozatos faktor-terhelésekkel, amikor a határok bizonytalanok, vagy a spektrum egy domináns faktor felé omlik össze.

A gyakorlati haszon abból következik, hogy ugyanaz a folyamat korrelációs és tail-dependence bemenetekkel is futtatható, egyetlen GPU-tól többcsomópontos infrastruktúráig. Az NVIDIA a teljes folyamat reprodukálásához a clustering_through_time.ipynb notebookot, a futtatáshoz pedig az NVIDIA Brev környezetet vagy a SymNMF-factors repozitóriumot jelöli meg.