14金融大数据挑战下的风险控制

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AlgorithmicTrading（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•ValueatRisk(VaR)•风险监控•风险模型开发ValueatRisk(VaR)•VaR=头寸的当前价值×头寸相对于相关风险因素改变量的敏感度×风险因素的可能变化幅度。•Prob∆p𝑉𝑎𝑅=1−c=α，其中Prob为资产组合在持有期∆t内的价值损失额，VaR为置信度α下处于风险中的价值，c为置信度•对于某一金融机构来说，它所持有的金融资产在未来一周内，置信度为99%，市场正常波动的情况下，其VaR值为150万元，则表示该机构的金融资产在一周内，由于市场价格变化而带来的最大损失额超过150万元的概率为1％，换句话说，也就是有99％的概率在未来一周的损失额不会超过150万元。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MemoryCoalescingCUDA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由于金融研究关注更多的是价格变动和收益率而非价格本身，因此需要把人民币汇率的价格序列转化为几何收益率序列。即：Rt=pt-pt-1其中，pt=lnPt为我国外汇市场人民币对外币的中间汇率。几何布朗假定资产价值的变化在时间上是不相关的：d𝑃𝑡=𝜇𝑡𝑃𝑡𝑑𝑡+𝛿𝑡𝑃𝑡𝑑𝑧其中，dz是服从均值为0、方差为dt的正态分布的随机变量，dz不依赖于过去的信息，它是价格随机波动的原因；参数𝜇𝑡和𝛿𝑡，代表时刻的期望和波动。它们随时间变化。在简单情况下，可假定它们为常量，同时将上式离散化为：GPU加速实例：人民币对美元月汇率实验∆ln𝑃𝑡=𝜇−𝛿2∆𝑡+𝛿∆𝑡𝘀其中，𝘀为服从标准正态分布的随机变量。那么t+1时刻的价格该为𝑃𝑡+1=𝑃𝑡∗exp𝜇−𝜎2∆𝑡+𝜎∆𝑡𝘀经过反复大量的模拟，可以得到T时刻的价格Pt.在置信度为α的VaR应该为VaR=Pt=Pt(α)即根据选定的置信水平，由分位数估计出相应的VaR值。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MersenneTwister(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(byCPU)[-0.002469540.00246429][-0.002391820.00232792][-0.002624510.0026226][-0.002761840.00276184]VaR(byGPU)[-0.00261450.0026207][-0.00245330.00245142][-0.002460960.0024593][-0.002729890.00273037]CPU消耗时间24.566s1902.2s46.086s4913.2sGPU消耗时间0.11271s5.79s0.11171s5.7963sGPU：CPU加速比217.96328.53412.55847.64•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