请帮我在 /home/aiuser/work/codev_userdata/9f61514c-f154-4a62-b5a2-50b26fe3937a/gpu_gp_factor_mining.ipynb 创建一个完整的 Jupyter Notebook。
该 Notebook 复现华泰金工研报《遗传规划因子挖掘的GPU加速》，使用 PyTorch 算子实现 GPU 加速的遗传规划因子挖掘框架。
## 研报核心内容
### 框架流程（图表15）
- 初始化种群
- 以剔除行业市值因子的残差收益率为优化目标，计算种群适应度
- 进化（交叉、变异）n 轮
- 判断是否有 RankICIR 大于指定阈值的因子
- 剔除相关性高且适应度低的因子，进入备选因子池
- 重新初始化种群，以剔除上一轮新因子的残差收益率为优化目标（大循环）
- 重复 m 次大循环
- 结束迭代，基于因子池构建复合因子，评估样本外效果
剔除高相关性因子的方法：
- 将新挖出的因子按 abs(RankICIR) 从高到低排序
- 按顺序将新因子依次取出，与本批次因子库中既有老因子做 corr（截面 corr 均值）
- 若新因子和任一老因子的 corr > 0.7，则不入库；否则入库
- 下一个新因子需与更新后的新因子库做 corr
### 参数设置（图表16）
- 样本内时段：2010-01-04 至 2019-12-31
- 样本外时段：2020-01-02 至 2024-01-31
- 选股域：中证全指成分股
- 种群数量：3000（每轮迭代的公式数量）
- 精英数量：500（该数量的公式被随机选中，其中适应度最高的公式能进行交叉或变异生成下一代公式）
- 大循环次数：5（每轮大循环重新开始挖掘，创立全新种群，以上一轮残差收益率为优化目标）
- 小循环次数：3（每轮大循环内部进行几次挖掘）
- 最大深度：3（公式树最高复杂度）
- 交叉概率：0.35
- 变异概率：0.25
- 优化目标：T+1 至 T+11 区间残差收益率
- 适应度函数：样本内年化 RankICIR
- 因子入库条件：适应度绝对值 > 2.5，且和已有因子相关度绝对值 < 0.7
### 31个算子（图表17）
#### 元素级运算（输入 X/Y 为时序标准化特征）
- add(X,Y): X+Y
- sub(X,Y): X-Y
- mul(X,Y): X*Y
- div(X,Y): X/Y（防除0）
- log_torch(X): log(|X|+eps)
- sqrt_torch(X): sqrt(|X|)
- neg(X): -X
- sigmoid_torch(X): 1/(1+exp(-X))
- sign_torch(X): sign(X)，输入为原始特征
#### 时序运算（X/Y 为时序标准化特征，d 为窗口期参数）
- ts_delay_torch(X,d): X 因子 d 日前的取值，d: 1-10
- ts_delta_torch(X,d): X[t] - X[t-d]，d: 1-10
- ts_delaypct_torch(X,d): (X[t]-X[t-d])/|X[t-d]|，d: 1-10
- ts_correlation_torch(X,Y,d): X,Y 在过去 d 日滚动时序上的相关系数，d: 2-10
- ts_argmin_torch(X,d): X 在过去 d 日最小值对应的日期编号（按时间倒序分别为 d,d-1,...,2,1），d: 2-10，输入为原始特征
- ts_argmax_torch(X,d): X 在过去 d 日最大值对应的日期编号，d: 2-10，输入为原始特征
- ts_rank_torch(X,d): X 在过去 d 日滚动时序上的百分比排名，d: 2-10
- ts_covariance_torch(X,Y,d): X,Y 在过去 d 日滚动时序上的协方差，d: 2-10
- ts_decay_linear_igman_torch(X,d): X 在过去 d 日加权平均（权重按时间倒序分别为 d,d-1,...,2,1），d: 2-10
- ts_SubPosDecayLinear_torch(X,Y,d): relu(X-Y) 在过去 d 日加权平均，d: 2-10
- ts_min_torch(X,d): X 在过去 d 日滚动最小值，d: 2-10
- ts_max_torch(X,d): X 在过去 d 日滚动最大值，d: 2-10
- ts_stddev_torch(X,d): X 在过去 d 日滚动标准差，d: 2-10
- ts_sum_torch(X,d): X 在过去 d 日滚动累计和，d: 2-10
- ts_rankcorr_torch(X,Y,d): X 因子的截面百分比排名与 Y 因子的截面百分比排名在过去 d 日滚动时序上的相关系数，d: 2-10
#### 分组时序运算（X 为时序标准化特征，Y 为原始特征，d: 10/15/20/40，n: 1-10）
- ts_grouping_ascsortavg_torch(X,Y,d,n): 过去 d 日滚动时序分组上，Y 最小的 n 天范围内对应的 X 的平均值
- ts_grouping_decsortavg_torch(X,Y,d,n): 过去 d 日滚动时序分组上，Y 最大的 n 天范围内对应的 X 的平均值
- ts_grouping_diffsortavg_torch(X,Y,d,n): 过去 d 日滚动时序分组上，Y 最大 n 天范围内的 X 均值 - Y 最小 n 天范围内的 X 均值
#### 截面运算（输入 X/Y 为时序标准化特征）
- rank_pct_torch(X): X 在每一时间截面上的百分比排名
- rank_sub_torch(X,Y): X 截面百分比排名 - Y 截面百分比排名
- rank_div_torch(X,Y): X 截面百分比排名 / Y 截面百分比排名
- rank_add_torch(X,Y): X 截面百分比排名 + Y 截面百分比排名
### 29个初始特征（图表18）
注：特征名称对齐 cn_stock_prefactors 实际字段名
时序标准化特征（滚动60日标准化）：
- close: 收盘价（后复权）→ cn_stock_prefactors.close
- open1: 开盘价（后复权）→ cn_stock_prefactors.open
- high: 最高价（后复权）→ cn_stock_prefactors.high
- low: 最低价（后复权）→ cn_stock_prefactors.low
- vwap: 均价（后复权）→ 由 amount/volume 计算（cn_stock_prefactors 中无 vwap，amount 字段对应成交额）
- volume: 成交量 → cn_stock_prefactors.volume
- amt: 成交额 → cn_stock_prefactors.amount
- turn: 换手率 → cn_stock_prefactors.turn
- bp: 市净率倒数 → 1/cn_stock_prefactors.pb
- ep: 市盈率TTM倒数 → 1/cn_stock_prefactors.pe_ttm
- ocfp: 经营现金流TTM/总市值 → cn_stock_prefactors.ocfp（若不存在则跳过或用替代）
- dp: 近12个月股息率 → cn_stock_prefactors.dp（若不存在则跳过）
- adv20: 过去20日成交量均值 → 用 m_mean(volume,20) 计算
- adv60: 过去60日成交量均值 → 用 m_mean(volume,60) 计算
原始特征（不做时序标准化）：
- close_ori: 收盘价
- open1_ori: 开盘价
- high_ori: 最高价
- low_ori: 最低价
- vwap_ori: 均价
- volume_ori: 成交量
- amt_ori: 成交额
- turn_ori: 换手率
- bp_ori: 市净率倒数
- ep_ori: 市盈率倒数
- ocfp_ori: 经营现金流/市值
- dp_ori: 股息率
- return1_ori: 当日收益率 → cn_stock_prefactors.daily_return
- adv20_ori: 20日均量
- adv60_ori: 60日均量
## Notebook 结构要求
请生成一个完整的 Jupyter Notebook，包含以下 cells：
### Cell 1: 标题和说明（Markdown）
说明这是复现华泰金工研报《遗传规划因子挖掘的GPU加速》的代码
### Cell 2: 导入依赖
```python
import torch
import numpy as np
import pandas as pd
from dai import DataSource
import warnings
warnings.filterwarnings('ignore')
```
### Cell 3: 参数配置
所有超参数都定义在这里，严格对齐研报参数
### Cell 4: 数据获取
使用 BigQuant DAI 从 cn_stock_prefactors 获取所需数据
### Cell 5-7: 所有31个 PyTorch 算子实现（分三组：元素级、时序、截面）
### Cell 8: 特征预处理（时序标准化）
### Cell 9: 公式树数据结构定义（Node类）
### Cell 10: 遗传规划核心算法（初始化、交叉、变异、适应度计算）
### Cell 11: 因子入库和相关性过滤
### Cell 12: 主循环（大循环+小循环）
### Cell 13: 结果分析
## 关键实现细节
1. **数据格式**: 使用 shape=(T, N) 的 2D PyTorch tensor，T 为时间维度，N 为股票维度
2. **时序标准化**: 对每支股票的每个特征做滚动60日 z-score 标准化
3. **RankICIR**: 在样本内时段计算，RankIC = 因子截面排名与未来收益截面排名的相关系数，ICIR = mean(IC)/std(IC) * sqrt(250)（年化）
4. **残差收益率**: 通过对未来11日收益率对行业和市值因子做横截面回归，取残差
5. **公式树**: 递归树结构，每个节点是算子或终端节点（特征）
6. **GPU并行**: 整个种群（3000个公式）的评估要并行化
7. **大循环逻辑**: 每轮大循环的目标收益率 = 上一轮收益率的残差（剔除已找到因子的影响）
## 实际代码要点
1. 算子函数全部接受 PyTorch tensor 输入，返回 PyTorch tensor
2. 公式随机生成时需要控制最大深度为3
3. 交叉：随机选取两棵树的子树进行交换
4. 变异：随机替换某节点为新的随机子树
5. 适应度 = 样本内年化 RankICIR
请生成完整、可运行的 Jupyter Notebook 文件内容（JSON格式），保存到指定路径。确保代码完整、注释清晰、严格对齐研报。
特别注意：
- 文件必须保存为有效的 .ipynb JSON 格式
- 所有代码必须放在 code cells 中
- 说明文字放在 markdown cells 中
- 代码要完整，不能有 TODO 或省略号