NVIDIA GPU加速金融资产聚类：AdaptGrow助力十万级标的规模化分析

量化策略团队在组合构建、风险归因、统计套利与交易监控等环节，普遍需要对金融工具进行分组。分组一旦失准，可能让集中的持仓在表面上看起来足够分散，掩盖跨越名义边界的共同风险，甚至选出在市场承压时关系失效的套利组合。而正确的分组往往既不可直接观测，也不稳定：因子暴露持续漂移、工具分类不断调整、市场压力下依赖关系可能急剧变化。因此，一套聚类流水线既要从常规波动中分离出结构性变化，又要在新数据到达时以足够低的成本反复运行。

NVIDIA 发布的 GPU 加速金融资产聚类方案，基于名为 AdaptGrow 的矩阵分解算法，同时面向绝对相关系数与尾部相依矩阵（TPDM）两类输入，输出硬聚类标签、软因子载荷与结构突变信号。方案在单张 GPU 与多节点集群上均可运行：通过节省内存的对称非负矩阵分解（SymNMF）实现，峰值存储从约 20n² 字节降至约 4n² 字节，使约 10 万只金融工具可以在单张 NVIDIA GB200 GPU 上完成分解；面对更大规模问题时，分布式实现按行切分相依矩阵，将通信量从 O(n²) 降至 O(nk)，可在 16 个节点上完成百万级工具分解。

AdaptGrow 的核心设计是“一个求解器应对两类输入”。算法通过读取矩阵的特征值谱，自动在满批量梯度与块采样随机梯度之间选择：谱缺口清晰时采用全梯度分支，谱形平坦时则以 SVRG 修正的块采样梯度起步，并在进度停滞时逐步扩大采样比例。这一机制让用户无需针对不同输入结构挑选或调优独立的求解器，同一套求解器接口即可从单卡扩展到多节点。

在实际验证中，10 万工具的矩阵以 FP32 精度分布在四张 GB200 GPU 上，AdaptGrow 在相关系数输入上约 13 秒收敛、TPDM 输入上约 12.4 秒收敛；百万工具、约 4TB 的矩阵按行切分到 16 个节点共 64 张 GB200 GPU 后，相关系数分解约 2 分钟完成，TPDM 分解约 4 分钟完成。整套流水线评估了 250 个滚动窗口，近似覆盖一个交易年度的每日再聚类，并在窗口内保持固定的秩选择，使稳定性评分具备可比性。

技术实现上，PyTorch 将占主导的矩阵乘法调度到 cuBLAS，cuSOLVER 完成用于秩选择与求解器选择的谱探测，cuDF 支持可选的 Parquet 数据摄取与预处理，PyTorch Distributed 对相依矩阵按行分片并在各 worker 保留 H 副本，NCCL 负责梯度聚合。环境以 NVIDIA NGC PyTorch 容器与 cudf-cu13 打包，开发者可对照配套示例在单卡与多节点之间无缝切换。对量化研究团队而言，这一方案让大规模资产聚类从离线批次分析走向接近每日运行的常态化流程。