Список проголосовавших за комментарий "Михаил Михалев, <p>Ваш подход хороший, но он подтверждает важное разделение: GPU быстро считает уже подготовленную плотную массовую симуляцию. То есть CPU заранее собирает сигналы, окна, ряды и математику, а GPU получает задачу, которую можно параллелить по параметрам.</p><p>В моей статье проблема шире: не просто прогнать одну стратегию по сотням тысяч параметров, а построить исследовательский контур, где есть разные entry-ветки, фильтры, PM-семейства, отсечения, группировка входов, pruning, сохранение артефактов, правая сторона истории и повторяемость экспериментов.</p><p>Для GPU важна однородность задачи. Чем больше в расчете ветвлений, разных правил выхода, разной длины сделок, условий остановки, sparse-сценариев и логики отбора, тем сложнее это эффективно уложить в один массовый kernel. Поэтому “сотни тысяч комбинаций в секунду” и “управляемый перебор триллионной карты гипотез” — не одно и то же.</p><p>Плюс тут важно сравнивать не только скорость симуляции, а полный pipeline: подготовка данных, расчет сигналов, переносы памяти, фильтрация пустых веток, PM-прогон, метрики, сохранение результатов и повторный запуск. Если CPU-подготовка занимает существенную часть времени, то GPU ускоряет только один слой, а не всю исследовательскую систему.</p><p>GPU — отличный инструмент для плотной массовой симуляции, когда задача уже правильно разложена. Но саму проблему архитектуры исследования он не отменяет. Сначала нужно понять, что считать, что отсечь, что сохранить и как проверять на правой стороне. А уже потом выбирать, где считать: CPU, GPU, Rust, C++, Python/numba или смешанным контуром.</p>"