金融工程与并行计算： 第一章 并行计算与金融工程的发展 Part 2

第四节 产品开发对金融计算的要求

金融市场是一个充满随机性的地方，自从BSM模型被提出之后，随机过程被用于各个金融变量之上，不论是汇率、股价、利率、商品价格，甚至信用价差，都是以适当的随机过程，进入到财务模型之中。透过金融市场的均衡条件，我们便会求得这些金融变量的随机微分方程(Stochastic Differential Equation)。这一方法以成为目前金融产品开发时，计算其价格与风险的标准程序。

随机微分方程一般化的求解方式，可以使用测度转换的方法求得。在特定条件下，少数的随机微分方程可以有解析解，如阳春型选择权。但是，就如目前市场上销售的外汇结构产品TargetRedemption Notes，大部分由于偿付条件过于复杂，且是路径相关的条件，因此无法求得简单的解析解。此时我们只有利用蒙地卡罗模拟法配合测度转换的理论，使用大数法则来计算这些产品的价格与风险。

在蒙地卡罗模拟法中，我们进行大量的模拟，每一次的模拟就是一个可能的情境路径(Scenario Path)。实务上，10万条的仿真路径是一般的要求，但这只是计算一个价格。通常我们还需要计算Delta、Gamma与Vega等参数，以做为避险的规划与涉险值的估算。由于没有解析解，因此需要使用差分来求的这些数值。保守估计，一个产品需要计算四个仿真价格，也就是40万条的仿真路径。如果在每条的情境路径上，每天走一步，产品为一年到期，则每一产品我们一共需要产生约1.5亿个模拟随机数(365╳400,000=145,600,000)来执行相关计算。

上述情况在金融计算上并非特例，在一些利率类的结构产品上，情况更为严苛。这是因为在外汇产品上，通常只需要模拟一个汇率因子。而在利率类的结构产品上，可能同时要模拟20个利率因子。至于整体公司部位的风险值计算，那就又是另外一种各加严苛的情况，以现今大型银行的资产组合规模而言，计算能量的要求只有更多了。

然而，多核的硬件结构却是当今金融计算的一个解药。传统个人计算机只有一个计算核心的CPU，因此，同时只有一个程序(Process)在执行。当CPU中的计算核心数目增加后，我们可以使用多线程(Multi-Threads)的方式，增加计算能力。也就是说在一个主程序执行后，我们可以将主程序展开程多条的线程，分别使用每一个计算核去执行各自的工作，最后再合并到主程序来结束。

然而，这样的做法前提是这些展开的线程彼此的工作有一定的独立性，可以各自工作，到最后才需整并合一，否则这样的计算流程变没有办法提升计算效率。对于前述的蒙地卡罗模拟法，就刚好满足此一要求。因为每一次的情境路径仿真，都是各自独立执行的，这可说是王八看绿豆，对上眼了。

然而，即使可以在CPU内增加计算核(Core)的数量，但是目前CPU最多也只有8个计算核(AMD)，似乎缓不济急。自然而然，就会想到GPU上大量的计算核心，是否可以成为可用的方案。这里要说明一点，CPU上的核是通用型的，除了数值运算还有逻辑运算，因此无法像GPU上的专用型核，可以制造那么多的核。

NAVIA公司于2007年正式发布其泛用GPU(General Purpose GPU)架构，计算统一装置架构(Computer Unified Device Architecture, CUDA)。在此架构下，程序员可以使用一般的C语言，撰写执行于GPU上的程序，充分利用GPU多核特性的平行运算程序。自此，摩尔定律的计算红利，又可以为金融界所共享。

 

第五节 市场上主流的GPU平行运算架构

目前市场上平行运算的软件开发架构有两大类，一类是以CPU的多核架构为主，另一类则是以GPU的多核架构为主。由于金融计算的高运算量，本文着重在后者的架构。市场上GPU的多核架构亦有两大架构，分别是NVIDIA的CUDA架构，以及由Apple公司提出并得到多家开发商支持，并由KhronosGroup设计的开放计算语言(Open Computing Language, OpenCL)。

CUDA是一个专属于NVIDIA公司的开发架构，因此只支持NVIDIA的GPU显示适配器。由于NVIDIA介入此一领域较早，因此他所提供的工具较为齐全。CUDA所提供的链接库有BLAS、FFT、Random三大类。另外，CUDA亦提供整合于微软开发软件VisualStudio的除错工具，可以在除错模式下观察GPU内变量的变化。另外，除了C语言，CUDA也提供了C++的支持链接库Thrust。整体而言，CUDA的开发资源相当地好。

OpenCL是近来由Khronos所推出的一个异质性计算的开放架构(注六)，他可以同时使用CPU与GPU的资源，他也不限于单一公司的硬件架构，因此不论是AMD、NVIDIA的GPU或是Intel、IBM的多核CPU，都可以支持使用于此架构之下。然而，OpenCL在链接库的支持方面，相较于CUDA比较不完整。但是基本的BLAS与FFT程序代码，依然可以由AMD的网站上免费取得。另外，AMD也推出C++语言的支持链接库Bolt。

不论是CUDA或是OpenCL都是以C或C++语言为基础的开发工具，对于已.NET平台为主的微软平台，整合度都不是很理想。幸运的是，网络上都有提供相对应的.NET版的开发工具，ManagedCUDA与OpenCL.NET。这两套工具皆以C#语言封装原来的链接库，可以完整的整合到Windows平台系统。

上述的软件皆是免费的工具，至于付费的商用软件也有很多选择，尤其是CUDA的部分，NVIDA的网站https://developer.nvidia.com/cuda-tools-ecosystem有相当多的信息可供查询。

 

第六节 一个比较范例

相较于CPU，使用GPU做为特定运算的运算中心，其优势是相当明显的。下面作者以一个阳春式选择权作为范例，比较这两种方法的计算速度，以及计算得精准度，由于此种选择权有解析解，因此可以解析解的质为比较的根据。

此选择权的契约条件如下，一年后到期买权，令期初资产价格S₀=100，执行价格K=100，波动性σ=30%，融资成本4%，资产收益2%。。令K表执行价格，S_T为到期日价格，C_T表到期日选择权的的偿付，

，

使用BSM公式解，可得权利金价格为12.567697。

在实作条件上，我们使用简单的几何布朗运动程序，每天仿真一步，因此一条情境路径需要走365步。每一次的计算模拟262,144条情境路径。

首先，我们以CPU执行单线程的传统程序，作者使用的硬件开发环境为IntelCore i7-3770@3.4GHz，8G RAM，操作系统为Windows 7专业版32位的作业环境，以C#为程序语言，使用Mersenne Twister随机数生成器，编译后执行三次结果如下，

	计算时间(ms)	权利金
1	8720.4163	12.825382
2	8689.2153	12.825382
3	8798.4354	12.825382
平均	8736.0223	12.825382

 

由于使用相同的随机数种子，因此三次计算的权利金皆相同。三次计算的平均时间为8.7360223秒。

接着，我们使用CUDA架构来测试平行运算的执行效果，测试的GPU为NVIDIAGeforce GT640，3GB RAM，CUDA Driver 6.0/Runtime 5.5。使用C#语言搭配ManagedCUDA做为开发工具，其他环境与前面相同。在随机数生成器方面，使用CUDA内建的CudaRand链接库。此处的计算时间不包含CUDA程序的编译时间。

	计算时间(ms)	权利金
1	1170.0016	12.859942
2	1180.0016	12.859942
3	1160.0016	12.859942
平均	1170.0016	12.859942

 

由于使用相同的随机数种子，因此三次计算的权利金皆相同。三次计算的平均时间为1.1700016秒。相对计算效率约为7.5倍(8.7360223/1.1700016=7.4666)。

最后，我们使用OpenCL架构来测试平行运算的执行效果，测试的GPU为NVIDIAGeforce GT640，3GB RAM，OpneCL Driver 1.0。使用C#语言搭配OpenCL.Net做为开发工具，其他环境与前面相同。在随机数生成器方面，我们使用Random123随机数生成器。此处的计算时间不包含OpenCL程序的编译时间。

	计算时间(ms)	权利金
1	620.0008	12.691024
2	620.0009	12.691024
3	620.0009	12.691024
平均	620.0009	12.691024

 

由于使用相同的随机数种子，因此三次计算的权利金皆相同。三次计算的平均时间为0.1433335秒。相对计算效率约为14.1倍(8.7360223/0.6200009=14.0903)。

整理摘要如下，多核运算有明显的效益，相对单核的模拟，多核的模拟误差并不会明显的增加。在OpenCL的模拟中，使用Random123的随机数生成器，甚至可减低模拟误差到1%以内。

	计算价格	平均时间(s)	误差百分比	效率提升
CPU模拟	12.825382	8.7360223	2.0504%	1X
CUDA模拟	12.859942	1.1700016	2.3254%	7.5X
OpenCL模拟	12.691024	0.6200009	0.9813%	14.1X

  *使用BSM公式解，可得权利金价格为12.567697。