使用GPU加速R中的期权风险分析-研究论文

【文件属性】：
文件名称：使用GPU加速R中的期权风险分析-研究论文
文件大小：151KB
文件格式：PDF
更新时间：2021-05-19 19:44:09
Stochastic Volatility Calibration R GPGPU 在本文中，我们描述了我们在GPU上加快Heston随机波动率模型校准（一种金融应用程序）的工作。 Heston波动率模型在整个资本市场中得到广泛使用，以定价和衡量交易所交易的金融期权的市场风险。 当安装到亚分钟级别的市场中间价格报价时，该模型可能需要每隔几分钟进行频繁校准。 R统计软件包易于使用，并且在金融行业的定量分析人员中很受欢迎。 但是，典型的基于R的Heston模型校准在CPU上的实现不能满足亚分钟级交易（即中高频交易）的性能要求。 Heston模型的校准是在M个选项数据点上执行的，在校准计算过程中，这些选项数据点保持固定。 这种计算的典型组织是调用带有指向ErrorFunction（）的指针的优化例程，该指针估计市场观察到的模型期权价格之间的误差。 我们在R中实现了校准计算，并观察到计算时间主要由ErrorFunction（）的计算决定。 本文介绍了针对此计算的GPU优化内核的实现，该内核可以由执行校准过程的R脚本调用。 对于M = 1024，我们通过在具有Intel Core i5处理器和NVIDIA Tesla K20c（开普勒架构）的系统（由2496个内核组成）上卸载ErrorFunction（），证明了与R顺序实施相比，总校准时间提高了760倍。 请注意，并不是所有的性能提升都归功于GPU –部分原因是由于Heston模型计算中R开销的减少。 为了进行比较，我们还使用C实现了校准代码。我们观察到，基于GPU的实现比C版本的处理速度提高了230倍，这表明3.4倍的改进是由于避免了Heston模型计算的R开销。 但是，使用基于R的优化例程并结合GPU卸载的ErrorFunction（）进行的总体校准时间与基于C GPU的校准代码相当。