金融大数据挑战下的风险控制.pptVIP

金融大数据挑战下的风险控制 周晓辉 西安邮电大学 陕西省高性能计算研究中心 金融大数据挑战下的风险控制 频率越来越高的金融数据 复杂度越来越高的金融市场 金融大数据挑战下的风险控制 基于GPU加速的解决方案 金融数据 NYSE交易量 外汇市场交易量 Algorithmic Trading（算法交易）交易量 金融数据发展趋势 信息化和全球化 越来越活跃的全球金融市场 程序化交易迅速普及 越来越大的数据量和数据密度 风险控制 风险控制 Value at Risk (VaR) 风险监控 风险模型开发 Value at Risk (VaR) 风险监控 高频金融数据 复杂的风险模型 多个头寸 及时、准确的确定风险敞口对计算能力和数据通讯能力的要求会越来越高 风险模型开发 庞大的历史金融数据 复杂的风险模型 模型的开发、验证对计算能力的要求会越来越高 基于GPU加速的解决方案 基于GPU加速的解决方案 蒙特卡洛模拟需要大量随机数 GPU适合做可大规模并行化的简单计算 同等功耗下相比CPU快几十至上百倍 CUDA程序优化 Memory Coalescing CUDA程序优化 Bank访存优化 CUDA程序优化 分支优化 GPU加速实例：人民币对美元月汇率实验 GPU加速实例：人民币对美元月汇率实验 GPU加速实例：人民币对美元月汇率实验 对蒙特卡洛模拟VaR值的过程进行分析，考察计算过程的速度瓶颈所在。发现随机数产生器和数组排序的过程是计算速度瓶颈所在。对于随机数产生器我们使用的算法是Mersenne Twister(MT)。MT 随机数产生算法拥有非常好维度均匀性。接合CUDA的平行思想我们在每个线程中以不同的种子开始，每个线程计算产生一百个随机数。 GPU加速实例人民币对美元月汇率实验结果   冒泡算法（100000数据量） 冒泡算法（1000000数据量） 统计比较算法（100000数据量） 统计比较算法（1000000数据量） 置信度 5% 5% 5% 5% VaR(by CPU) [-00 [-00 [-00.0026226] [-00 VaR(by GPU) [-0.0026145 0.0026207] [-0.0024533 0 [-00.0024593] [-00 CPU消耗时间 24.566s 1902.2s 46.086s 4913.2s GPU消耗时间 0.11271s 5.79s 0.11171s 5.7963s GPU：CPU加速比 217.96 328.53 412.55 847.64 使用GPU加速蒙特卡洛法VaR的计算 数据采用2002-2012人民币兑美元汇率 谢谢大家