並行計算在 Quant 中是如何應用的？

11-29

具體的說風險資本這塊吧. 經常面臨的一個問題就是一個大的portfolio, 幾十或上百萬個instrument ,用蒙特卡羅生成數萬甚至數十萬場景,並在每個場景下計算每個instrument的價值變化，最終生成整個portfolio的PnL分布來計算資本率。注意很多金融產品都是複雜的exotic derivatives,因此單純的基於delta, duration 這樣的靈敏度因子是不夠的，需要使用full revaluation model。這樣的數據每天都需要生成，自然需要考慮並行化。
並行架構，金融機構常使用的是IBM Platform Computing 開發的Platform Symphony, 基於格點計算，通過API介面可以很方便地在Linux Cluster上實現分散式計算。開發者只需指定高端的並行策略，比如是計算任務劃分是基於蒙特卡羅路徑還是instrument set,而無需考慮資源調配，結點通信等的具體實現細節。
具體應用：資本計算（監管和經濟資本），對手風險（CVA/FVA), Margin的計算。

P Quant需要用到很多的machine learning和optimzation演算法，基於GPU的並行計算可以加快執行速度。 2006年時用過基於GPU的Neural network和Clustering Analysis, 感覺真是效率大大提高。

首先投行的quant library 基本都是單線程的。進程級別的並行計算一般是IT的活。因為quant team 必須分清楚自己該專註的事情是 pricing, risk, calibration 這些事情。並行的問題在大多銀行中都是交由 library 用戶之一的 IT來解決。當然還有原因是大多數quant (雖然都以為自己編程很牛)根本不怎麼懂編程，更不用說並行計算了。。。

接下來簡單講講並行計算如何應用在quant library上。很簡單，基本就是把大任務合理地切成小任務，拋到網格中並行計算，然後再把結果收集合併起來。

portfolio可以切成trade; trade 可以切成 legs;整條利率曲線可以切成很多個基準點
;delta 要算兩個點，Gamma 要算三個點，這些點可以並行。等等等。當然你要考慮很多其他細節問題，比如，如果歷史數據顯示某個小任務比較慢，你因該會想到先把它拋到網格上計算。又比如果模型calibrate 需要很長時間，而trade 算起來很快，這個時候你就會考慮把同一模型的很多這樣的trade打包一起算

網格系統有銀行自己開發的有第三方的，第三方比較出名的比如DataSynapse(現在被收購了)。

我來講個在家就能設置的現成的解決方案。Matlab有parallel computing toolbox：

這個工具箱高度兼容用戶已經寫好的代碼。假設用戶在使用for loop結構重複模擬，那麼只需要在安裝好這個toolbox後把for 改為parfor就可以了！完全傻瓜式實現並行計算。

再用幾個簡單語句，還可以調用gpu運算，把例如隨機數字生成等單個計算量大的function用gpu執行。gpu實際上就是一個多個核心的處理器。

還可以在區域網中幾個安裝有matlab的機器運算，可以使用專門的介面連接亞馬遜雲計算服務。

費用不高，在澳洲好像賣1400澳幣。

以趨勢投機的程序化交易策略後驗（programming trading backtesting）為例，一個簡單的應用是參數尋優，如果每個取值都調用一次K線數據，這樣串聯計算的參數尋優效率會非常低。如果採取並行計算，一次K線驅動，可以後驗一堆參數，這是並行計算在Quant實戰中最經典的應用。複雜一些場景比如跨周期後驗，需要同時對1分鐘，2分鐘，3分鐘，……30分鐘K線周期檢驗策略有效性，這時候可以用1分鐘驅動，並行計算，其它周期用1分鐘數據合成，從而該效率完成任務。

學期權課程的時候，用OpenCL寫過Monte Carlo，這個應該是最簡單的了.