收下这份白皮书，解锁高性能自动因子挖掘新体验！
本页围绕因子挖掘的挑战，介绍 DolphinDB 的 CPU-GPU 异构计算平台 Shark 及其自动因子挖掘应用 Shark GPLearn，并提供白皮书的工作原理、架构、特性与案例概览。
What this page covers
- 新闻栏目、标题与发布日期信息。
- Shark 与 Shark GPLearn 的背景与白皮书介绍。
- 白皮书获取路径（开发者中心 → 白皮书）。
- 遗传算法与行业因子挖掘实践的背景介绍。
- Shark GPLearn 的基本概念与性能对比要点。
- 架构实现与 GPExecutor 执行流程概览。
- 功能特性与优势点列表。
技能认证特训营第二期报名提示
页面顶部提供限时报名入口，并提示可享福利优惠。
- 提供“技能认证特训营第二期”的限时报名入口信息。
- 提示报名可享专属福利优惠。
新闻栏目与标题日期
内容标注为“新闻”，并展示标题与发布日期。
- 页面将内容归类在“新闻”栏目下。
- 新闻标题为“收下这份白皮书，解锁高性能自动因子挖掘新体验！”。
- 新闻发布日期为 2024.12.11。
背景与产品/白皮书介绍（Shark 与 Shark GPLearn）
介绍因子挖掘挑战，并引出 Shark 平台与 Shark GPLearn 应用，以及白皮书覆盖的内容范围。
- 因子挖掘被描述为构建有效投资模型的核心之一。
- 传统因子挖掘方法被指出存在效率与数据处理方面的不足。
- Shark 被描述为 DolphinDB 推出的 CPU-GPU 异构计算平台。
- Shark GPLearn 被描述为基于遗传算法的自动因子挖掘应用。
- 白皮书覆盖工作原理、架构实现、功能特性与应用案例。
获取白皮书的路径指引（官网开发者中心/白皮书）
指引用户通过官网“开发者中心”进入“白皮书”栏目获取完整资料，并配有界面截图说明。
- 获取方式为访问官网“开发者中心”。
- 在“开发者中心”中进入“白皮书”栏目获取资料。
- 截图演示从“开发者中心”导航至“白皮书”。
- 截图展示“自动因子挖掘”相关选项与白皮书封面预览。
白皮书内容预览总览
该部分引出对白皮书主要内容的快速预览。
- 提供对白皮书主要内容的预览入口性说明。
- 后续章节按模块展示白皮书内容要点。
背景介绍（遗传算法与行业实践）
介绍遗传算法概念、流程与进化策略，并概述金融行业因子挖掘实践方法与挑战，包含流程图说明。
- 介绍遗传算法的概念。
- 介绍遗传算法的流程与进化策略（如交叉变异与子树变异）。
- 概述金融行业因子挖掘的实践方法（如回归分析与遗传算法）。
- 提及金融行业因子挖掘面临的挑战。
- 流程图包含“随机初始化公式”步骤。
- 流程图包含“评估并计算适应度”步骤。
- 流程图包含“判断是否满足迭代次数或适应度要求”的条件判断。
- 满足条件后输出最优因子结果；不满足则进化变异并循环。
基本概念（设计构想、原理与性能对比）
说明 Shark GPLearn 的设计构想与工作原理，并给出与传统 python gplearn 的性能对比信息。
- 说明 Shark GPLearn 高性能因子挖掘功能的设计构想。
- 说明 Shark GPLearn 的工作原理。
- 提及与传统 python gplearn 的性能对比。
- 图注说明对比基于“千万级数据”。
- 运行耗时对比：Shark GPLearn 9.5 秒。
- 运行耗时对比：python gplearn 822.01 秒。
架构实现（模块与执行流程）
介绍 Shark 的组成模块，并概述 Shark GPLearn 架构与 GPExecutor 的执行流程。
- Shark 组成模块包含数据转换层。
- Shark 组成模块包含自动因子挖掘。
- 架构图包含 GPLearnEngine 组件。
- GPLearnEngine 涵盖种群初始化、适应度计算与进化变异。
- 架构图包含 GPExecutor 组件。
- GPExecutor 接收公式并执行高性能并行计算。
功能特性（优势点）
列出 Shark GPLearn 的优势与特性要点。
- 提供更丰富的算子库。
- 支持在三维数据中挖掘因子。
- 支持单机多卡挖掘。
- 强调充分释放 GPU 计算性能。
应用案例（股票日频K线因子挖掘流程）
以股票日频 K 线数据为例，给出因子挖掘流程，并提及代码与调参说明。
- 案例基于股票日频 K 线数据进行因子挖掘。
- 流程步骤包含数据清洗。
- 流程步骤包含模型训练。
- 流程步骤包含因子评价。
- 提供可参考的代码与调参说明（以提及形式出现）。
未来规划（国产计算卡适配与功能扩展）
描述对更多计算卡的适配计划，以及算子与自定义函数能力的扩展方向。
- 未来规划包含除 NVIDIA GPU 外适配更多国产计算卡。
- 适配计划旨在满足信创需求并降低用户成本。
- 计划扩展对更多数据分析算子的支持。
- 计划允许用户通过脚本语言定义更灵活的自定义函数。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | status | 正式开启，提供限时报名入口并提示可享专属福利优惠 | medium |
| 新闻《收下这份白皮书，解锁高性能自动因子挖掘新体验！》 | publication_date | 2024.12.11 | high |
| 因子挖掘（投资模型） | importance | 因子挖掘一直是构建有效投资模型的核心之一 | low |
| 传统因子挖掘方法 | limitations | 逐渐暴露出计算效率低、无法处理复杂三维数据等不足 | medium |
| Shark | description | DolphinDB 推出的 CPU-GPU 异构计算平台 | high |
| Shark | key_application | 基于遗传算法的自动因子挖掘：Shark GPLearn | high |
| Shark GPLearn | benefit | 企业可以利用 GPU 大幅提升因子挖掘效率 | medium |
| Shark GPLearn 高性能因子挖掘白皮书 | scope | 全面介绍工作原理、架构实现、功能特性以及应用案例 | high |
| 白皮书获取方式 | access_path | 访问官网【开发者中心】-【白皮书】获取完整资料 | high |
| DolphinDB 官网界面截图（开发者中心→白皮书） | depicts | 演示通过“开发者中心”导航至“白皮书”，突出“自动因子挖掘”选项并展示《Shark 高性能因子挖掘平台白皮书》封面预览 | high |
| 白皮书“背景介绍”部分 | includes | 遗传算法的概念、流程与进化策略（交叉变异、子树变异等），以及金融行业因子挖掘实践方法（回归分析、遗传算法等）与挑战 | high |
| 遗传算法总体流程图 | described_steps | 初始化随机生成公式→评估计算适应度→判断是否达到迭代次数或满足适应度要求；不满足则选择并进化变异生成新公式循环；满足则输出最优因子结果 | high |
| 白皮书“基本概念”部分 | includes | Shark GPLearn 高性能因子挖掘功能的设计构想、工作原理，以及与传统 python gplearn 的性能对比 | high |
| Shark GPLearn vs python gplearn 运行耗时对比（千万级数据） | runtime_seconds | Shark GPLearn：9.5 秒；gplearn：822.01 秒（图注说明为千万级数据） | medium |
| 白皮书“架构实现”部分 | includes | Shark 组成模块为数据转换层和自动因子挖掘；并介绍 Shark GPLearn 基本架构和 GPExecutor 执行流程 | high |
| Shark GPLearn 架构图 | components | 包含数据转换层、GPLearnEngine（种群初始化、适应度计算、进化变异）以及 GPExecutor；GPExecutor 接收公式并执行高性能并行计算 | high |
| Shark GPLearn | advantages | 更丰富的算子库；支持在三维数据中挖掘因子；支持单机多卡挖掘；充分释放 GPU 计算性能 | medium |
| Shark GPLearn 应用案例 | example | 基于股票日频 K 线数据的因子挖掘 | high |
| Shark GPLearn 因子挖掘流程（案例） | process | 数据清洗→模型训练→因子评价，并提供可参考的代码和调参说明 | high |
| Shark GPLearn 未来规划 | hardware_support | 除支持 NVIDIA GPU 外，将适配更多国产计算卡，以满足信创需求并降低用户成本 | medium |
| Shark GPLearn 未来规划 | capability_expansion | 扩展对更多数据分析算子的支持，并允许用户通过脚本语言定义更灵活的用户自定义函数 | medium |