回测慢，一半原因不是算力，是「数据读不出来」。
结论：逐笔数据的三大问题：容量、读取速度、时间对齐。回测引擎从逐笔数据随机读时，GPU 往往在等 IO。
先建对的数据底座（列式/时序 + 本地 NVMe 缓存），再加算力才有意义。
链路是「行情接入 → 清洗与标准化 → 落库（逐笔/快照）→ 回放 → 回测/训练」。GPU 在回测计算；数据读取决定 GPU 利用率。
第二段是回放：精确回放需要事件时间序与多源对齐，存储模型设计比硬件更关键。
| 环节 | 吃显存还是吃算力 | 精度口径 | 关键硬件特性 | 说明 |
|---|---|---|---|---|
| 数据落库与清洗 | CPU + IO | — | CPU、NVMe 写带宽 | 写吞吐常是瓶颈 |
| 回放与读取 | IO | — | 读带宽、IOPS、缓存 | 决定回测速度 |
| 回测计算 | 算力 | FP32/FP64 | 算力、显存 | 视回测类型 |
| 训练 | 算力 + 显存 | FP16/FP32 | 显存容量 | 因子与模型 |
| 型号 | 显存 | FP32 算力 | 功耗 | 在本场景里承担什么 |
|---|---|---|---|---|
| A100 PCIe 80 GB | 80 GB HBM2e | 19.49 TFLOPS | 300 W | 80GB，大规模回测与训练。 |
| L40S | 48 GB GDDR6 | 91.61 TFLOPS | 300 W | 48GB，回测与推理共用。 |
| RTX 6000 Ada Generation | 48 GB GDDR6 | 91.06 TFLOPS | 300 W | 48GB，研究平台。 |
| RTX A5000 | 24 GB GDDR6 | 27.77 TFLOPS | 230 W | 24GB，开发与小规模回测。 |
点型号进详情页看完整规格与替代型号；不确定档位可以先看 分类 或 场景选型。
以上型号来自本站参数库，仅用于规格横向比较；实际供货以厂商中国区可售清单与合规要求为准，受出口管制的型号不在常规供货范围。
按日均数据量 × 保留年限 × 副本估算。全市场逐笔数据年增可达数十 TB，需分层归档。
常见原因是逐笔数据随机读慢、回测引擎逐行处理、以及多源数据对齐开销。先做端到端分解。
强烈建议。逐笔与快照数据用列式/时序库，随机读与聚合性能远好于行存。
扫码关注
