本文選題：高性能計(jì)算 + 期權(quán)定價(jià)��； 參考：《山東大學(xué)》2017年碩士論文

【摘要】：從計(jì)算機(jī)誕生開(kāi)始,人們就在不斷的追求更高的計(jì)算速度,高性能計(jì)算一直是計(jì)算機(jī)研究領(lǐng)域重要的研究?jī)?nèi)容。目前高性能計(jì)算的主流思路是采用多核并行的方式,并且隨著異構(gòu)計(jì)算的興起,利用異構(gòu)加速設(shè)備提高計(jì)算能力成為高性能計(jì)算的主流方法,越來(lái)越多的超級(jí)計(jì)算機(jī)采用了異構(gòu)加速的結(jié)構(gòu)來(lái)獲得更高的計(jì)算能力。高性能計(jì)算也在金融,生物,地理勘探,圖像處理,氣象等眾多應(yīng)用環(huán)境下發(fā)揮出了越來(lái)越重要的作用。相較于傳統(tǒng)計(jì)算,異構(gòu)計(jì)算能夠顯著提高整體的計(jì)算能力,使得復(fù)雜算法能夠的到實(shí)現(xiàn)和應(yīng)用,使得很多復(fù)雜算法得到應(yīng)用。在大數(shù)據(jù)時(shí)代的現(xiàn)在,異構(gòu)計(jì)算提供了處理超大規(guī)模數(shù)據(jù)的解決方法。在金融領(lǐng)域里,算法實(shí)時(shí)性要求很高,很多復(fù)雜的算法由于計(jì)算時(shí)間過(guò)長(zhǎng)限制了其應(yīng)用場(chǎng)景。應(yīng)用高性能計(jì)算能夠很好的解決復(fù)雜算法的時(shí)效性問(wèn)題,為算法應(yīng)用提供了一種很好的解決方法。期權(quán)作為一種重要的金融衍生物,其定價(jià)算法具有非常好的代表性。蒙特卡洛算法能夠通過(guò)對(duì)價(jià)格進(jìn)行模擬從而給出期權(quán)價(jià)格,是一種重要的期權(quán)定價(jià)的數(shù)值算法,也因?yàn)槠洳恍枰@示表達(dá)式的特點(diǎn),也被應(yīng)用于高維期權(quán)定價(jià)等問(wèn)題,取得很好的效果,但蒙特卡洛算法需要模擬非常多的路徑才能得到較為精確的算法,其計(jì)算時(shí)間過(guò)長(zhǎng)導(dǎo)致算法應(yīng)用受到限制。對(duì)于時(shí)序數(shù)據(jù),RNN算法能夠很好的發(fā)掘時(shí)間中的規(guī)律,其中采用LSTM模型的RNN結(jié)構(gòu)對(duì)于長(zhǎng)時(shí)間記憶具有較好的效果,目前越來(lái)越多的被應(yīng)用于語(yǔ)言模型,自然語(yǔ)言處理,金融時(shí)間序列分析,視頻分析等具有明顯時(shí)間特征的數(shù)據(jù)分析和預(yù)測(cè)中。本文在詳細(xì)介紹期權(quán)背景和定價(jià)算法的基礎(chǔ)上,分別針對(duì)歐式期權(quán)和美式期權(quán),使用蒙特卡洛算法進(jìn)行計(jì)算,并針對(duì)不同的蒙特卡洛算法特征提出對(duì)應(yīng)的異構(gòu)并行算法,并在混合異構(gòu)平臺(tái)上加以實(shí)現(xiàn),能夠?qū)崿F(xiàn)同時(shí)利用多種異構(gòu)眾核進(jìn)行加速,并取得了很好的加速效果。本文詳細(xì)對(duì)比了不同的異構(gòu)設(shè)備在加速時(shí)的不同特征,并針對(duì)不同設(shè)備給出了優(yōu)化方法。為了能夠更好的利用節(jié)點(diǎn)上全部的計(jì)算能力,多種平臺(tái)下的異構(gòu)計(jì)算框架,能夠同時(shí)支持CPU,MIC,GPU混合架構(gòu),并能實(shí)現(xiàn)跨節(jié)點(diǎn)的計(jì)算,獲得了很好的節(jié)點(diǎn)擴(kuò)展性。對(duì)于金融市場(chǎng)價(jià)格走勢(shì)的預(yù)測(cè)對(duì)于分析金融時(shí)間序列和指導(dǎo)投資具有重要意義,本文選擇外匯數(shù)據(jù),引入LSTM模型的RNN神經(jīng)網(wǎng)絡(luò)算法,對(duì)LSTM模型的分析,實(shí)現(xiàn)了一個(gè)能夠?qū)r(jià)格走勢(shì)進(jìn)行預(yù)測(cè)的時(shí)序模型,使用了 Adam訓(xùn)練方法,對(duì)外匯價(jià)格的漲跌進(jìn)行了預(yù)測(cè)。為了能夠更好的應(yīng)用高性能計(jì)算,對(duì)LSTM模型的算法進(jìn)行改進(jìn),通過(guò)分析LSTM算法模型的熱點(diǎn)情況,將熱點(diǎn)計(jì)算函數(shù)做了優(yōu)化。在本文提出了新的針對(duì)LSTM算法的高性能數(shù)學(xué)加速庫(kù)MPL(Math Parallel Library)。使用MPL數(shù)學(xué)庫(kù),能夠迅速完成LSTM模型在多種異構(gòu)設(shè)備下的并行加速。對(duì)MPL數(shù)學(xué)庫(kù)使用OpenCL進(jìn)行加速,并針對(duì)Intel Intergrated Graphics Card進(jìn)行優(yōu)化,達(dá)到了很好的加速效果。
[Abstract]:Since the birth of the computer, people are constantly pursuing higher computing speed. High performance computing has always been an important research content in the field of computer research. At present, the mainstream idea of high performance computing is a multi core parallel way, and with the rise of heterogeneous computing, it is high performance to use heterogeneous acceleromers to improve computing power. More and more supercomputers use heterogeneous accelerated structures to obtain higher computing power. High performance computing also plays a more and more important role in many applications, such as finance, biology, geographic exploration, image processing, meteorology and so on. Compared with traditional computing, heterogeneous computing can significantly improve the overall performance. The computational ability makes the complex algorithm can be implemented and applied, and many complex algorithms are applied. In the large data age, the heterogeneous computing provides a solution to the large scale data processing. In the financial field, the real-time performance of the algorithm is very high, and many complex algorithms have limited the application due to the long time of calculation. The application of high performance computing can be a good solution to the timeliness of complex algorithms, and provides a good solution for the application of the algorithm. As an important financial derivative, the option pricing algorithm has a very good representation. An important numerical algorithm for option pricing is also applied to the problem of high option pricing because it does not need to display the characteristics of the expression. But the Monte Carlo algorithm needs to simulate a very large number of paths to get a more accurate algorithm, and its calculation time is too long to limit the application of the algorithm. Time series data, RNN algorithm can well discover the rules of time, in which the RNN structure of LSTM model has a good effect on long time memory. At present, more and more are applied to language model, Natural Language Processing, financial time series analysis, video analysis and other data analysis and prediction with obvious time characteristics. On the basis of detailed introduction of option background and pricing algorithm, the Monte Carlo algorithm is used to calculate the European option and American option, and the corresponding heterogeneous parallel algorithms are proposed for the different Monte Carlo algorithm features. It can be realized on the mixed heterogeneous platform and can be implemented simultaneously with a variety of heterogeneous crowd cores. In order to better utilize all the computing power on the node, the heterogeneous computing framework under various platforms can support the CPU, MIC, GPU hybrid architecture at the same time. It is of great significance to predict the financial market price trend and to guide investment in the analysis of the financial market price trend. This paper selects foreign exchange data, introduces the RNN neural network algorithm of the LSTM model, analyzes the LSTM model, and realizes the prediction of the price trend. The time series model uses the Adam training method to predict the rise and fall of the foreign exchange price. In order to better apply the high performance calculation, the algorithm of the LSTM model is improved. The hot computing function of the LSTM algorithm is optimized by analyzing the hot situation of the LSTM algorithm model. A new high performance mathematics for the LSTM algorithm is put forward in this paper. The acceleration library MPL (Math Parallel Library). Using the MPL math library, the parallel acceleration of the LSTM model can be speeded up in a variety of heterogeneous devices. The MPL mathematics library is accelerated with OpenCL, and the Intel Intergrated Graphics Card is optimized to achieve a good acceleration effect.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP38

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬安光;;棋子問(wèn)題的算法分析——2003年第11期題解[J];程序員;2004年01期

2 馮舜璽;;新書(shū)推薦:《算法分析導(dǎo)論》[J];計(jì)算機(jī)教育;2006年05期

3 張力,慕曉冬;計(jì)算機(jī)算法分析淺談[J];武警工程學(xué)院學(xué)報(bào);2002年04期

4 馬安光;;飛彈問(wèn)題的算法分析——2003年第10期題解[J];程序員;2003年12期

5 蘇運(yùn)霖;;《算法分析導(dǎo)論》評(píng)介[J];計(jì)算機(jī)教育;2006年07期

6 朱力強(qiáng);;培養(yǎng)學(xué)生創(chuàng)新思維與能力的算法分析案例[J];計(jì)算機(jī)與信息技術(shù);2007年11期

7 汪菊琴;;幾種常見(jiàn)特殊方陣的算法分析與實(shí)現(xiàn)[J];無(wú)錫職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年05期

8 李涵;;“算法分析與設(shè)計(jì)”課程教學(xué)改革和實(shí)踐[J];中國(guó)電力教育;2010年16期

9 劉寧;管濤;;淺析案例教學(xué)法在算法分析與設(shè)計(jì)課程中的應(yīng)用[J];科技風(fēng);2011年07期

10 胡峰;王國(guó)胤;;“算法分析與設(shè)計(jì)”教學(xué)模式探索[J];當(dāng)代教育理論與實(shí)踐;2011年12期

相關(guān)會(huì)議論文 前10條

1 俞洋;田亞菲;;一種新的變步長(zhǎng)LMS算法及其仿真[A];通信理論與信號(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

2 周顥;劉振華;趙保華;;構(gòu)造型的D~2FA生成算法[A];中國(guó)通信學(xué)會(huì)通信軟件技術(shù)委員會(huì)2009年學(xué)術(shù)會(huì)議論文集[C];2009年

3 賴桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類(lèi)算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

4 劉遠(yuǎn)新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺(tái)下物流運(yùn)輸配送系統(tǒng)算法分析[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 王樹(shù)西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國(guó)學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2004年

6 王萬(wàn)青;張曉輝;;改進(jìn)的A~*算法的高效實(shí)現(xiàn)[A];2009全國(guó)測(cè)繪科技信息交流會(huì)暨首屆測(cè)繪博客征文頒獎(jiǎng)?wù)撐募痆C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類(lèi)算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實(shí)現(xiàn)敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實(shí)現(xiàn)基于程序結(jié)構(gòu)的主變?cè)治鯷A];第五屆中國(guó)測(cè)試學(xué)術(shù)會(huì)議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計(jì)的修正Rife算法及其FPGA實(shí)現(xiàn)[A];全國(guó)第十屆信號(hào)與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前1條

1 科文;VIXD算法分析Web異常[N];中國(guó)計(jì)算機(jī)報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 魏哲學(xué);樣本斷點(diǎn)距離問(wèn)題的算法與復(fù)雜性研究[D];山東大學(xué);2015年

2 劉春明;基于增強(qiáng)學(xué)習(xí)和車(chē)輛動(dòng)力學(xué)的高速公路自主駕駛研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 張敏霞;生物地理學(xué)優(yōu)化算法及其在應(yīng)急交通規(guī)劃中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

4 李紅;流程挖掘算法研究[D];云南大學(xué);2015年

5 卜晨陽(yáng);演化約束優(yōu)化及演化動(dòng)態(tài)優(yōu)化求解算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

6 劉新旺;多核學(xué)習(xí)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

7 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學(xué);2006年

8 曾國(guó)強(qiáng);改進(jìn)的極值優(yōu)化算法及其在組合優(yōu)化問(wèn)題中的應(yīng)用研究[D];浙江大學(xué);2011年

9 肖永豪;蜂群算法及在圖像處理中的應(yīng)用研究[D];華南理工大學(xué);2011年

10 陳耿;面向中觀審計(jì)的規(guī)則發(fā)現(xiàn)算法研究[D];東南大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 黃廈;基于改進(jìn)蟻群算法的柔性作業(yè)車(chē)間調(diào)度問(wèn)題研究[D];昆明理工大學(xué);2015年

2 李平;基于Hadoop的信息爬取與輿情檢測(cè)算法研究[D];昆明理工大學(xué);2015年

3 趙官寶;基于位表的關(guān)聯(lián)規(guī)則挖掘算法研究[D];昆明理工大學(xué);2015年

4 殷文華;移動(dòng)容遲網(wǎng)絡(luò)中基于社會(huì)感知的多播分發(fā)算法研究[D];內(nèi)蒙古大學(xué);2015年

5 徐翔燕;人工魚(yú)群優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2015年

6 李德福;基于小世界模型的啟發(fā)式尋路算法研究[D];華中師范大學(xué);2015年

7 鄭海彬;一種面向MAPREDUCE的DATASHUFFLE的優(yōu)化方法[D];蘇州大學(xué);2015年

8 趙曉寒;輪換步長(zhǎng)PSO算法及SMVSC參數(shù)優(yōu)化[D];沈陽(yáng)理工大學(xué);2015年

9 安豐洋;基于無(wú)線網(wǎng)絡(luò)的廣播算法研究[D];曲阜師范大學(xué);2015年

10 李智明;基于改進(jìn)FastICA算法的混合語(yǔ)音盲分離[D];上海交通大學(xué);2015年

，

本文編號(hào)：1973431