金融大数据挑战下的风险控制.pptx

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,金融大数据挑战下风险控制,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,第1页,金融大数据挑战下风险控制,频率越来越高金融数据,复杂度越来越高金融市场,金融大数据挑战下风险控制,基于,GPU,加速处理方案,金融大数据挑战下的风险控制,第2页,金融数据,金融大数据挑战下的风险控制,第3页,NYSE交易量,金融大数据挑战下的风险控制,第4页,外汇市场交易量,金融大数据挑战下的风险控制,第5页,Algorithmic Trading（算法交易）交易量,金融大数据挑战下的风险控制,第6页,金融数据发展趋势,信息化和全球化,越来越活跃全球金融市场,程序化交易快速普及,越来越大数据量和数据密度,金融大数据挑战下的风险控制,第7页,风险控制,金融大数据挑战下的风险控制,第8页,风险控制,Value at Risk(VaR),风险监控,风险模型开发,金融大数据挑战下的风险控制,第9页,Value at Risk(VaR),金融大数据挑战下的风险控制,第10页,风险监控,高频金融数据,复杂风险模型,多个头寸,及时、准确确实定风险敞口对计算能力和数据通讯能力要求会越来越高,金融大数据挑战下的风险控制,第11页,风险模型开发,庞大历史金融数据,复杂风险模型,模型开发、验证对计算能力要求会越来越高,金融大数据挑战下的风险控制,第12页,基于GPU加速处理方案,金融大数据挑战下的风险控制,第13页,基于,GPU,加速处理方案,蒙特卡洛模拟需要大量随机数,GPU,适合做可大规模并行化简单计算,同等功耗下相比,CPU,快几十至上百倍,金融大数据挑战下的风险控制,第14页,CUDA程序优化,Memory Coalescing,金融大数据挑战下的风险控制,第15页,CUDA程序优化,Bank访存优化,金融大数据挑战下的风险控制,第16页,CUDA程序优化,分支优化,金融大数据挑战下的风险控制,第17页,GPU,加速实例：,人民币对美元月汇率试验,金融大数据挑战下的风险控制,第18页,GPU,加速实例：,人民币对美元月汇率试验,金融大数据挑战下的风险控制,第19页,GPU,加速实例：,人民币对美元月汇率试验,对蒙特卡洛模拟,VaR,值过程进行分析，考查计算过程速度瓶颈所在。发觉随机数产生器和数组排序过程是计算速度瓶颈所在。对于随机数产生器我们使用算法是,Mersenne Twister(MT),。,MT,随机数产生算法拥有非常好维度均匀性。接合,CUDA,平行思想我们在每个线程中以不一样种子开始，每个线程计算产生一百个随机数。,金融大数据挑战下的风险控制,第20页,GPU,加速实例,人民币对美元月汇率试验结果,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),-0.00246954 0.00246429,-0.00239182 0.00232792,-0.00262451 0.0026226,-0.00276184 0.00276184,VaR(by GPU),-0.0026145 0.0026207,-0.0024533 0.00245142,-0.00246096 0.0024593,-0.00272989 0.00273037,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,计算,数据采取,-,人民币兑美元汇率,金融大数据挑战下的风险控制,第21页,谢谢大家,金融大数据挑战下的风险控制,第22页,