1、金融大數(shù)據(jù)挑戰(zhàn)下的風(fēng)險控制周曉輝西安郵電大學(xué)陜西省高性能計算研究中心金融大數(shù)據(jù)挑戰(zhàn)下的風(fēng)險控制頻率越來越高的金融數(shù)據(jù)復(fù)雜度越來越高的金融市場金融大數(shù)據(jù)挑戰(zhàn)下的風(fēng)險控制基于GPU加速的解決方案金融數(shù)據(jù)NYSE交易量外匯市場交易量Algorithmic Trading（算法交易）交易量金融數(shù)據(jù)發(fā)展趨勢信息化和全球化越來越活躍的全球金融市場程序化交易迅速普及越來越大的數(shù)據(jù)量和數(shù)據(jù)密度風(fēng)險控制風(fēng)險控制Value at Risk (VaR)風(fēng)險監(jiān)控風(fēng)險模型開發(fā)Value at Risk (VaR)風(fēng)險監(jiān)控高頻金融數(shù)據(jù)復(fù)雜的風(fēng)險模型多個頭寸及時、準確的確定風(fēng)險敞口對計算能力和數(shù)據(jù)通訊能力的要求會越來越高風(fēng)

2、險模型開發(fā)龐大的歷史金融數(shù)據(jù)復(fù)雜的風(fēng)險模型模型的開發(fā)、驗證對計算能力的要求會越來越高基于GPU加速的解決方案基于GPU加速的解決方案蒙特卡洛模擬需要大量隨機數(shù)GPU適合做可大規(guī)模并行化的簡單計算同等功耗下相比CPU快幾十至上百倍CUDA程序優(yōu)化Memory CoalescingCUDA程序優(yōu)化Bank訪存優(yōu)化CUDA程序優(yōu)化分支優(yōu)化GPU加速實例：人民幣對美元月匯率實驗GPU加速實例：人民幣對美元月匯率實驗GPU加速實例：人民幣對美元月匯率實驗對蒙特卡洛模擬VaR值的過程進行分析，考察計算過程的速度瓶頸所在。發(fā)現(xiàn)隨機數(shù)產(chǎn)生器和數(shù)組排序的過程是計算速度瓶頸所在。對于隨機數(shù)產(chǎn)生器我們使用的算法是M

3、ersenne Twister(MT)。MT 隨機數(shù)產(chǎn)生算法擁有非常好維度均勻性。接合CUDA的平行思想我們在每個線程中以不同的種子開始，每個線程計算產(chǎn)生一百個隨機數(shù)。GPU加速實例人民幣對美元月匯率實驗結(jié)果冒泡算法（100000數(shù)據(jù)量）冒泡算法（1000000數(shù)據(jù)量）統(tǒng)計比較算法（100000數(shù)據(jù)量）統(tǒng)計比較算法（1000000數(shù)據(jù)量）置信度5%5%5%5%VaR(by CPU)-0.00246954 0.00246429-0.00239182 0.00232792-0.00262451 0.0026226-0.00276184 0.00276184VaR(by GPU)-0.0026145 0.0026207-0.0024533 0.00245142-0.00246096 0.0024593-0.00272989 0.00273037CPU消耗時間24.566s1902.2s46.086s4913.2sGPU消耗時間0.11271s5.79s0.11171s5.7963sGPU：CPU加速比217.96328.5