Оптимизация на портфейл с cuOpt и cuML върху GX10

01Какво ще научиш

• Каква е разликата между класическия модел „средна стойност – дисперсия“ и модела Mean-CVaR, който гледа най-лошите сценарии.
• Как cuML генерира сценарии с оценка на плътността (KDE) на видеокартата и как cuOpt решава оптимизацията.
• Какви ограничения влизат в реалния портфейл: концентрация, ливъридж, оборот, брой позиции.
• Как да пуснеш готовата тетрадка на NVIDIA на машина от класа GB10 и как да четеш резултатите.
• Какво е тест на миналите данни (backtest) и защо добър резултат върху минали данни не гарантира нищо за бъдещето.

02Преди да започнеш

• Машина от класа NVIDIA GB10 (например ASUS Ascent GX10 или DGX Spark) с NVIDIA DGX OS и работещи драйвери за NVIDIA и CUDA.
• Docker и Git. Умения с терминал, Docker, Jupyter и Python.
• Поне 40 GB свободна обща памет за контейнера и 30 GB място на диска (по плейбука на NVIDIA).
• Основно разбиране за борсата и акциите, за данни и машинно обучение. По желание: опит в количествени финанси.
• Добре е да си минал урока за CUDA-X Data Science, но не е задължително.

03Стъпки

1. Как се подрежда задачата

   Идеята на плейбука е конвейер от три части. Защо видеокарта? При CVaR задачата става линейна програма, чийто размер расте с броя на сценариите. При хиляди сценарии и стотици активи процесорите бавно я решават — тук идва ускорението.

   Част	Какво прави	Инструмент
   1. Сценарии	Оценява как се разпределят доходностите и генерира много възможни бъдещи „дни“	cuML · KDE на GPU
   2. Оптимизация	Намира теглата, които минимизират CVaR при зададена доходност и ограничения	cuOpt · LP/MILP
   3. Тест и преглед	Пуска стратегията върху минали данни, сравнява подходите за презареждане на портфейла	CUDA-X Data Science

2. Какво е CVaR на практика

   Малък пример с измислени числа, който показва двете мерки. Той е наш за илюстрация (не е от плейбука на NVIDIA) и не сме го пускали.

   pythonкопирай

   import numpy as np
   
   rng = np.random.default_rng(0)
   returns = rng.normal(0.0005, 0.01, size=10_000)   # измислени дневни доходности
   loss = -returns                                   # загуба = минус доходност
   
   alpha = 0.95
   var = np.quantile(loss, alpha)        # VaR: загуба, надвишавана в 5% от сценариите
   cvar = loss[loss >= var].mean()       # CVaR: средна загуба в тези най-лоши 5%
   print(f'VaR {var:.4f}   CVaR {cvar:.4f}')

   Четеш го така: ако VaR е праг, който загубата надвишава само в 5% от сценариите, то CVaR е средната стойност на тези най-лоши 5%. Тя винаги е не по-малка от VaR. Оптимизаторът търси тегла, при които тази „опашка“ е възможно най-малка.

   ✅

   Ограничения от реалния свят

   Плейбукът показва и четири вида ограничения: концентрация (най-много X% в един актив), ливъридж, оборот (колко се сменя на всяка стъпка) и брой позиции (cardinality). Последното прави задачата цялочислена (MILP) и по-тежка.

3. Провери машината

   Първо провери, че имаш видеокарта, Git и Docker.

   bash · на машинатакопирай

   nvidia-smi
   git --version
   docker --version

   Очакваш таблица на видеокартата и версии на Git и Docker. Ако Docker липсва или дава грешка за права, плейбукът препраща към инструкциите на Docker за инсталиране и добавяне на потребителя в групата docker.

4. Стартирай плейбука

   Скриптът сам изтегля контейнера на RAPIDS, строи средите и пуска JupyterLab. Първото пускане е най-дългото. Остави терминала отворен, докато работиш.

   bash · на машинатакопирай

   git clone https://github.com/NVIDIA/dgx-spark-playbooks
   cd dgx-spark-playbooks/nvidia/portfolio-optimization/assets
   bash ./setup/start_playbook.sh

   Скриптът start_playbook.sh по плейбука на NVIDIA: (1) изтегля контейнера RAPIDS 25.10 Notebooks, (2) строи нужните среди чрез setup_playbook.sh, (3) стартира JupyterLab.

   JupyterLab е на http://127.0.0.1:8888, ако работиш на самата машина. Ако си на друг компютър, най-безопасно е да пренасочиш порта през SSH и да отвориш http://127.0.0.1:8888 при себе си (плейбукът показва и вариант с директен адрес в мрежата — не го препоръчваме, докато не си сигурен кой има достъп до нея):

   bash · на твоя компютъркопирай

   ssh -L 8888:localhost:8888 <потребител>@<адрес-на-машината>

5. Пусни тетрадката cvar_basic

   В JupyterLab ще видиш cvar_basic.ipynb и папките cudf, cuml, cugraph с допълнителни примери. Отвори тетрадката с двоен клик.

   ⚠️

   Смени ядрото преди да пускаш

   Преди първата клетка смени ядрото (kernel) на „Portfolio Optimization“ — както е указано в самата тетрадка. Ако не го направиш, втората клетка с код дава грешки. Ако вече си почнал: избери правилното ядро, рестартирай го и започни отново.

   Клетките се пускат една по една със Shift + Enter или всички наведнъж с Run → Run All. По плейбука целият конвейер отнема около 7 минути.

   Папката playbook е само за четене в контейнера без права на администратор. Когато работиш в нея, ползвай копие за собствените си промени.

6. Запази работата си преди да излезеш

   Контейнерът няма право да пише обратно на машината. Файловете, които искаш да пазиш, се свалят от JupyterLab (десен клик → Download).

   ⚠️

   Излизането изтрива всичко несвалено

   За да спреш плейбука, в терминала натисни Ctrl + C, после потвърди с y и Enter (или Ctrl + C пак). По думите на NVIDIA така се изтрива всичко, което не е свалено от контейнера.

7. Какво е следващото: ефективна граница и презареждане

   След основната тетрадка NVIDIA препраща към хранилището NVIDIA AI Blueprints: portfolio-optimization (лиценз Apache 2.0) с две допълнителни тетрадки:

   • efficient_frontier.ipynb — решава много задачи и чертае ефективната граница между риск и доходност.
   • rebalancing_strategies.ipynb — тест върху минали данни на различни стратегии за презареждане (по график, по праг) и ефекта на таксите за сделки.

   Честно за мащаба: хранилището препоръчва за най-добра производителност по-мощен хардуер — видеокарта от класа H100 и по-нова, 32+ процесорни ядра и 64+ GB оперативна памет. NVIDIA заявява ускорение „до 160ד при оптимизацията и „до 100ד при генерирането на сценарии спрямо процесорни решаващи програми — това е за големи задачи на този хардуер. Върху GB10 не сме мерили, затова не обещаваме тези числа.

04Проверка

• nvidia-smi, git --version и docker --version дават очакван изход.
• JupyterLab се отваря (директно или през SSH тунела) и виждаш cvar_basic.ipynb.
• Ядрото е сменено на „Portfolio Optimization“ и тетрадката минава докрай.
• Можеш да обясниш с твои думи разликата между VaR и CVaR.
• Знаеш, че излизането от контейнера трие несвалените файлове, и си ги свалил предварително.

Тест

05Какво следва

06Източници

1. NVIDIA: плейбук „Portfolio Optimization“ · инструкции · отстраняване на неизправности — изисквания, команди, ядро, изтриване при изход (последна промяна 21.01.2026).
2. NVIDIA AI Blueprints: portfolio-optimization — тетрадки, препоръчван хардуер, заявени ускорения, лиценз Apache 2.0.
3. NVIDIA cuOpt · документация — решаващи програми за LP/MILP.
4. RAPIDS cuML — оценка на плътността и сценарии на GPU.
5. Rockafellar, R. T., Uryasev, S. (2000). „Optimization of conditional value-at-risk“. Journal of Risk, 2, 21–42 — основата на CVaR оптимизацията.
6. Markowitz, H. (1952). „Portfolio Selection“. The Journal of Finance, 7(1), 77–91 — класическият модел „средна стойност – дисперсия“.