Nothing found. Try a different query.
GPUのCPUに対する優位はバッチサイズとともに拡大します——私たちのマルチタイムフレームのインジケーター事前計算では、1呼び出しあたり1コンボの54.5倍から、61コンボの359.6倍まで——なぜなら小さなスイープではカーネル起動と転送のオーバーヘッドを償却できないからです。見出しの167倍を、CPUをも助ける27倍のアルゴリズム的勝利と6.2倍のハードウェア的勝利に分解し、GPU対最良CPUの本当の優位はシングルタイムフレームでわずか3.2倍、マルチで6.2倍にすぎないことを示し、GPUに投資する価値が出るまでにスイープがどれほど広くなければならないかの判断ガイドを与えます。
AppleのMetal GPUにはfloat64が存在しない。ベクトル化されたバックテストを何も考えずに移植すると、魅力的なprefix-sum方式のWMAはfp32をオーバーフローさせ、最大相対誤差は211倍に達する。それでも処理は完走し、もっともらしい数値を返してくる。解決策は精度を上げることではなく、別の定式化にある。すなわち直接的なウィンドウ畳み込みであり、fp32でも8×10⁻⁷まで安全で、シングルスレッドのnumbaより55.9倍速い。この罠、その算術、そして自分が罠に落ちていないことをどう証明するか。
ドリルダウン／マルチフィデリティ探索（ASHA、successive halving、Hyperband）は、数千の設定を安価にスクリーニングし、生き残ったものだけを高価なフル評価に昇格させる。これは正真正銘の高速化だが、低フィデリティの順位付けが高フィデリティの順位付けと食い違うと静かに崩壊する。我々はフォールド単位の順位相関を測定した。1フォールドではSpearman ρが0.03（ほぼランダムな順位付け）になり得るが、フォールドが増えるにつれて0.43、0.67、0.78、0.91へと上昇していく。解決策はたった一つの必須ゲートだ。まずρ(安価, フル)を測定し、ρ ≥ 0.5となる最初のラングまで最小フィデリティを自動的に引き上げる。
1回のバックテストが安価なとき、単純にシャッフルしたSobol列が生のスループットで「スマート」なサンプラー（TPE、CMA-ES、ASHA）を圧倒する——これらはPythonのask/tell税を払わされ、速度が20分の1に落ち、同じ経過時間内で評価できる点の数がはるかに少なくなり、負ける。各評価を高コストにする（マルチTF + walk-forwardフォールド）と、この交差点は逆転する。私たちは両方のレジームを計測し、フォールドのランク忠実度（ρ@1が0.03→0.43へ上昇）がなぜ枝刈りが報われるための前提条件なのかを示した。
すべてのパラメータが同じ探索コストを持つわけではない。戦略のパラメータは、高価な軸（インジケーター — 系列全体で再計算が必要）と安価な軸（判断の閾値 — 事前計算済みシグナルに対するO(n)のパス）に分かれる。インジケーターは閾値に対して不変であるため、一度だけ計算すればよく、閾値の組み合わせを毎秒約5,600件のペースでスイープできる — これは設定ごとに再計算する場合よりおよそ1,600倍安い。次元の呪いの再評価。
8 つのバックテストエンジンを、まったく同一のパラメータスイープでベンチマークした — 150k バー、80 通りの HMA クロス、取引数のパリティを 2707 に固定。最も人気のあるイベント駆動フレームワークのうち 2 つが、手書きの pandas ループより遅い結果になり、一方でベクトル化/コンパイル済みエンジンは同じ作業を約 13,000 倍高速に実行した。人気ライブラリが償却するようには決して設計されていなかった、バーごとのオーバーヘッドの研究。
デフレーテッド・シャープレシオは勝利した戦略の値段を付ける。PBOはその戦略を選んだサーチの値段を付ける。Combinatorially Symmetric Cross-Validationは1000x200のパフォーマンス行列に対してC(16,8) = 12,870通りの訓練/テスト分割を実行し、こう問う：インサンプルの勝者はアウトオブサンプルで下位半分に落ちるか？ほとんどの人が見逃す落とし穴——PBOの帰無仮説は1ではなく0.5だ。200個のゼロエッジ戦略において、インサンプルの最良年率シャープレシオ1.98はアウトオブサンプルで0.06まで崩壊し、PBO = 0.476：コイン投げであり、完全な過学習だ。本物のエッジ（年率シャープレシオ2.38）を仕込むとPBOは0.001まで下がり、インサンプルの3.73はアウトオブサンプルの2.34まで生き残る。純粋なランダムウォーク上の移動平均グリッドにもアウトオブサンプルのスキルはない——60個の行列にわたって平均したPBOは0.463で、統計的に帰無仮説と区別がつかない——そして1つの代表的な行列では、その蜃気楼が鮮やかに現れる：最良インサンプルシャープレシオ2.33は、アウトオブサンプルの中央値-0.22まで崩壊し、PBO 0.573、63%の確率で損失となる。