مدونة

تقدم وحدة معالجة الرسوميات (GPU) على المعالج المركزي ينمو مع حجم الدفعة — من 54.5x عند توليفة واحدة لكل استدعاء حتى 359.6x عند 61 على الحساب المسبق لمؤشراتنا متعددة الأطر الزمنية — لأن المسح الصغير لا يستطيع استهلاك نفقات إطلاق النواة والنقل. نُفكك رقم عنوان بقيمة 167x إلى فوز خوارزمي بمقدار 27x يفيد المعالج المركزي أيضاً وفوز عتادي بمقدار 6.2x، ونُظهر أن التقدم الحقيقي لوحدة معالجة الرسوميات على أفضل معالج مركزي هو 3.2x فقط على إطار زمني واحد و6.2x على أطر متعددة، ونقدم دليل قرار حول مدى الاتساع الذي يجب أن يبلغه المسح قبل أن يستحق شراء وحدة معالجة رسوميات.

وحدة معالجة الرسومات Metal من Apple لا تدعم float64 إطلاقاً. عند نقل اختبار خلفي متجهي (vectorized) إليها بصورة ساذجة، فإن صيغة WMA المغرية القائمة على المجموع التراكمي (prefix-sum) تفيض في fp32 — بخطأ نسبي أقصى يبلغ 211× — ومع ذلك يستمر التنفيذ ويُعيد أرقاماً تبدو معقولة. الحل ليس مزيداً من الدقة، بل صيغة مختلفة: التفاف مباشر ذو نافذة (direct windowed convolution) آمن في fp32 حتى دقة 8×10⁻⁷ وأسرع بـ 55.9 مرة من numba أحادي الخيط. هذا المقال يشرح الفخ، والحساب الكامن وراءه، وكيف تُثبت أنك لم تقع فيه.

البحث المتدرج / متعدد الدقة (drill-down) — مثل ASHA والتنصيف المتتالي (successive halving) و Hyperband — يفحص آلاف الإعدادات بتكلفة زهيدة ولا يرقّي إلى التقييم الكامل المكلف سوى الناجين منها. هذا تسريع حقيقي — لكنه ينهار بصمت إذا اختلف ترتيب الدقة المنخفضة عن ترتيب الدقة العالية. قسنا الارتباط بين ترتيب الطيّات: عند طيّة واحدة يمكن أن يبلغ معامل ارتباط الرتب لسبيرمان ρ قيمة 0.03 فقط (ترتيب شبه عشوائي)، ليرتفع إلى 0.43 ثم 0.67 ثم 0.78 ثم 0.91 مع تراكم الطيّات. الحل هو بوابة إلزامية واحدة — قِس ρ(الرخيص، الكامل) أولاً، وارفع تلقائياً الحد الأدنى للدقة إلى أول درجة يبلغ فيها ρ ≥ 0.5.

عندما يكون الاختبار الخلفي الواحد رخيصًا، يفوز تسلسل Sobol العشوائي المخلوط الغبي بمعدل الإنتاجية الخام — بينما تدفع أدوات أخذ العينات "الذكية" (TPE وCMA-ES وASHA) ضريبة ask/tell في بايثون تُبطئها 20 مرة، فتقيّم نقاطًا أقل بكثير في نفس زمن التنفيذ الفعلي وتخسر. اجعل كل تقييم مكلفًا (أطر زمنية متعددة + طيات walk-forward) وتنقلب نقطة التقاطع. قسنا كلا النظامين، ولماذا تُعد دقة ترتيب الطيات (ρ@1 ترتفع من 0.03 إلى 0.43) الشرط المسبق لنجاح التقليم.

ليست كل المعاملات متساوية في تكلفة البحث. تنقسم معاملات الاستراتيجية إلى محور مكلف (المؤشرات — يعاد حسابها على السلسلة كلها) ومحور رخيص (عتبات القرار — تمريرة O(n) على إشارات محسوبة مسبقا). ولأن المؤشرات ثابتة تجاه العتبات، تحسبها مرة واحدة وتمسح آلاف تكوينات العتبات بمعدل ~5,600 تكوين/ثانية — أي أرخص بنحو 1,600x من إعادة الحساب لكل تكوين. إعادة تسعير للعنة الأبعاد.

قِسنا أداء ثمانية محركات اختبار رجعي على عملية مسح معاملات واحدة متطابقة — 150k شمعة، و80 توليفة من تقاطعات HMA، مع تثبيت تكافؤ عدد الصفقات عند 2707. اثنان من أشهر الأطر المدفوعة بالأحداث جاءا أبطأ من حلقة pandas مكتوبة يدويا، بينما شغّل محرك متجهي/مُصرَّف العمل نفسه أسرع بنحو 13,000×. دراسة للعبء لكل شمعة الذي لم تُبنَ المكتبات الشائعة لتوزيعه على مدى الحساب.

نسبة Sharpe المخفّضة تُسعِّر الاستراتيجية الفائزة؛ وPBO تُسعِّر البحث الذي اختارها. يُشغّل التحقق المتقاطع المتماثل تركيبياً (CSCV) C(16,8) = 12,870 تقسيمة تدريب/اختبار عبر مصفوفة أداء 1000x200 ويسأل: هل يهبط الفائز داخل العينة إلى النصف السفلي خارج العينة؟ الفخ الذي يُخطئه الجميع تقريباً — قيمة العدم لـPBO هي 0.5، لا 1. على 200 استراتيجية بلا ميزة، ينهار أفضل Sharpe سنوية داخل العينة البالغة 1.98 إلى 0.06 خارج العينة وPBO = 0.476: رمية عملة، إفراط كامل في التخصيص. ازرع ميزة حقيقية (Sharpe سنوية 2.38) وتهبط PBO إلى 0.001، مع نجاة الـ3.73 داخل العينة إلى 2.34 خارج العينة. شبكة تقاطع متوسط متحرك على مسير عشوائي خالص لا تملك مهارة خارج العينة أيضاً — PBO تبلغ 0.463 بالمتوسط عبر 60 مصفوفة، لا تُميَّز إحصائياً عن حالة العدم — وعلى مصفوفة تمثيلية واحدة يكون السراب صارخاً: أفضل Sharpe داخل العينة تبلغ 2.33 تنهار إلى وسيط Sharpe خارج العينة قدره -0.22، PBO تبلغ 0.573، واحتمال خسارة 63%.