本文選題：高性能計算 + 期權定價　； 參考：《山東大學》2017年碩士論文

【摘要】：從計算機誕生開始,人們就在不斷的追求更高的計算速度,高性能計算一直是計算機研究領域重要的研究內容。目前高性能計算的主流思路是采用多核并行的方式,并且隨著異構計算的興起,利用異構加速設備提高計算能力成為高性能計算的主流方法,越來越多的超級計算機采用了異構加速的結構來獲得更高的計算能力。高性能計算也在金融,生物,地理勘探,圖像處理,氣象等眾多應用環(huán)境下發(fā)揮出了越來越重要的作用。相較于傳統(tǒng)計算,異構計算能夠顯著提高整體的計算能力,使得復雜算法能夠的到實現(xiàn)和應用,使得很多復雜算法得到應用。在大數(shù)據(jù)時代的現(xiàn)在,異構計算提供了處理超大規(guī)模數(shù)據(jù)的解決方法。在金融領域里,算法實時性要求很高,很多復雜的算法由于計算時間過長限制了其應用場景。應用高性能計算能夠很好的解決復雜算法的時效性問題,為算法應用提供了一種很好的解決方法。期權作為一種重要的金融衍生物,其定價算法具有非常好的代表性。蒙特卡洛算法能夠通過對價格進行模擬從而給出期權價格,是一種重要的期權定價的數(shù)值算法,也因為其不需要顯示表達式的特點,也被應用于高維期權定價等問題,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,其計算時間過長導致算法應用受到限制。對于時序數(shù)據(jù),RNN算法能夠很好的發(fā)掘時間中的規(guī)律,其中采用LSTM模型的RNN結構對于長時間記憶具有較好的效果,目前越來越多的被應用于語言模型,自然語言處理,金融時間序列分析,視頻分析等具有明顯時間特征的數(shù)據(jù)分析和預測中。本文在詳細介紹期權背景和定價算法的基礎上,分別針對歐式期權和美式期權,使用蒙特卡洛算法進行計算,并針對不同的蒙特卡洛算法特征提出對應的異構并行算法,并在混合異構平臺上加以實現(xiàn),能夠實現(xiàn)同時利用多種異構眾核進行加速,并取得了很好的加速效果。本文詳細對比了不同的異構設備在加速時的不同特征,并針對不同設備給出了優(yōu)化方法。為了能夠更好的利用節(jié)點上全部的計算能力,多種平臺下的異構計算框架,能夠同時支持CPU,MIC,GPU混合架構,并能實現(xiàn)跨節(jié)點的計算,獲得了很好的節(jié)點擴展性。對于金融市場價格走勢的預測對于分析金融時間序列和指導投資具有重要意義,本文選擇外匯數(shù)據(jù),引入LSTM模型的RNN神經網(wǎng)絡算法,對LSTM模型的分析,實現(xiàn)了一個能夠對價格走勢進行預測的時序模型,使用了 Adam訓練方法,對外匯價格的漲跌進行了預測。為了能夠更好的應用高性能計算,對LSTM模型的算法進行改進,通過分析LSTM算法模型的熱點情況,將熱點計算函數(shù)做了優(yōu)化。在本文提出了新的針對LSTM算法的高性能數(shù)學加速庫MPL(Math Parallel Library)。使用MPL數(shù)學庫,能夠迅速完成LSTM模型在多種異構設備下的并行加速。對MPL數(shù)學庫使用OpenCL進行加速,并針對Intel Intergrated Graphics Card進行優(yōu)化,達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.
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP38

【相似文獻】

相關期刊論文 前10條

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

2 馮舜璽;;新書推薦:《算法分析導論》[J];計算機教育;2006年05期

3 張力,慕曉冬;計算機算法分析淺談[J];武警工程學院學報;2002年04期

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

5 蘇運霖;;《算法分析導論》評介[J];計算機教育;2006年07期

6 朱力強;;培養(yǎng)學生創(chuàng)新思維與能力的算法分析案例[J];計算機與信息技術;2007年11期

7 汪菊琴;;幾種常見特殊方陣的算法分析與實現(xiàn)[J];無錫職業(yè)技術學院學報;2009年05期

8 李涵;;“算法分析與設計”課程教學改革和實踐[J];中國電力教育;2010年16期

9 劉寧;管濤;;淺析案例教學法在算法分析與設計課程中的應用[J];科技風;2011年07期

10 胡峰;王國胤;;“算法分析與設計”教學模式探索[J];當代教育理論與實踐;2011年12期

相關會議論文 前10條

1 俞洋;田亞菲;;一種新的變步長LMS算法及其仿真[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

2 周顥;劉振華;趙保華;;構造型的D~2FA生成算法[A];中國通信學會通信軟件技術委員會2009年學術會議論文集[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算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（一）[C];2008年

4 劉遠新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺下物流運輸配送系統(tǒng)算法分析[A];第二十六屆中國控制會議論文集[C];2007年

5 王樹西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國學生計算語言學研討會論文集[C];2004年

6 王萬青;張曉輝;;改進的A~*算法的高效實現(xiàn)[A];2009全國測繪科技信息交流會暨首屆測繪博客征文頒獎論文集[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算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2006年

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

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實現(xiàn)基于程序結構的主變元分析[A];第五屆中國測試學術會議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計的修正Rife算法及其FPGA實現(xiàn)[A];全國第十屆信號與信息處理、第四屆DSP應用技術聯(lián)合學術會議論文集[C];2006年

相關重要報紙文章 前1條

1 科文;VIXD算法分析Web異常[N];中國計算機報;2008年

相關博士學位論文 前10條

1 魏哲學;樣本斷點距離問題的算法與復雜性研究[D];山東大學;2015年

2 劉春明;基于增強學習和車輛動力學的高速公路自主駕駛研究[D];國防科學技術大學;2014年

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

4 李紅;流程挖掘算法研究[D];云南大學;2015年

5 卜晨陽;演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究[D];中國科學技術大學;2017年

6 劉新旺;多核學習算法研究[D];國防科學技術大學;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;2006年

8 曾國強;改進的極值優(yōu)化算法及其在組合優(yōu)化問題中的應用研究[D];浙江大學;2011年

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

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

相關碩士學位論文 前10條

1 黃廈;基于改進蟻群算法的柔性作業(yè)車間調度問題研究[D];昆明理工大學;2015年

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

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

4 殷文華;移動容遲網(wǎng)絡中基于社會感知的多播分發(fā)算法研究[D];內蒙古大學;2015年

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

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

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

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

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

，

本文編號：1973431