《金融大数据挑战下的风险控制》由会员分享，可在线阅读，更多相关《金融大数据挑战下的风险控制（22页珍藏版）》请在金锄头文库上搜索。
1、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),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
2、度风险因素的可能变化幅度。 Prob p =1c=，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、
3、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,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： d = +
4、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 和 ，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,ln = 2 + 其中，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 +1 = exp 2 + 经过反复大量的模拟，可以得到T时刻的价格Pt.在置信度为的VaR应该为 VaR=Pt=Pt() 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,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,
