Бэктестинг торговых стратегий на Python с помощью Numba. Когда перевод расчетов на GPU действительно оправдан?

Я считал на gpu P100 в Kaggle

Бэктестинг торговых стратегий на Python с помощью Numba. Когда перевод расчетов на GPU действительно оправдан?

Покупка и холд дают больше на растущем рынке, на падающем рынке же будет наоборот)

Участники вне рынка на сильных движениях, потому что заканчиваются свободные средства на депозите для покупок при падениях цены, либо быстро заканчиваются активные позиции при росте цены и продавать больше просто нечего.
Данная стратегия использовалась в качестве ознакомительной и учебной. Не финансовый совет конечно, но можно использовать варианты различных дополнительных условий а-ля начинать покупки не сразу после падений, а например после падения и начала отскока. И продолжать смотреть на тесты. Только тесты разных параметров смогут определить эффективность стратегии

Бэктестинг торговых стратегий на Python с помощью Numba. Когда перевод расчетов на GPU действительно оправдан?

ООП остался)
В функции run_trading_simulation_cuda создается объект FastGridTrading для прохода циклом по ключевым точкам.
То, что в компилируемых функциях ООП нет - это верно подмечено. Да он там и не нужен, добавит только объем кода и накладные расходы увеличит. К слову, если вы заметили, функции buy_position и sell_position декорируются с параметром inline='always', чтобы компилятор встраивал код этих функций прямо в место вызова, не увеличивая накладные расходы на вызов функций.
А @cuda.jit и вовсе не поддерживает многие абстракции Python, в том числе и классы.