Quiero saber qué tipo de aplicaciones financieras se pueden implementar utilizando una GPGPU. Estoy al tanto de la fijación de precios de Opción/Estimación del precio de las acciones utilizando la simulación de Monte Carlo en GPGPU usando CUDA. Alguien puede enumerar las diversas posibilidades de utilización de GPGPU para cualquier aplicación en el dominio de Finanzas,Aplicaciones financieras en GPGPU
F # se utiliza mucho en las finanzas, por lo que puede consultar los siguientes enlaces
¿Cómo puede usarse mucho dado que es un lenguaje de 1 a 2 años? – Meh
@Adal: F # se basa parcialmente en OCaml, que es utilizado y conocido en el negocio de las finanzas. Además, si miran, el primer lanzamiento de F # para la comunidad tiene alrededor de 5 años, por lo que muchas personas ya lo han investigado. – Stringer
Contestador el complemento de su pregunta: cualquier cosa que implique contabilidad no se puede hacer en GPGPU (o punto flotante binario, para el caso)
Sí, así que quiero saber cuáles son las aplicaciones financieras típicas que pueden trasladarse a una plataforma GPGPU –
Se inician las GPU de gama alta para ofrecer memoria ECC (una consideración seria para aplicaciones financieras y, eh, militares) y de alta precisión.
Pero realmente todo se trata de Monte Carlo en este momento.
Puede ir al workshops y, a partir de sus descripciones, ver que se centrará en Monte Carlo.
Es "Monte" no "Monty", el famoso casino. – Ross
Básicamente, cualquier cosa que requiera mucha matemática paralela para funcionar. Como declaró originalmente, la simultaneidad de opciones de Monte Carlo que no se puede valorar con soluciones de forma cerrada son excelentes candidatos. Todo lo que implique grandes matrices y operaciones sobre ellos será ideal; después de todo, los gráficos 3D usan muchas matemáticas matriciales. Dado que muchos escritorios de trader a veces tienen GPU de clase de estación de trabajo con el fin de controlar varios monitores, posiblemente con alimentadores de video, gráficos 3D limitados (superficies de volatilidad, etc.) tendría sentido ejecutar algunos de los análisis de precios en el GPU, en lugar de llevar la responsabilidad a una grilla de cómputo; en mi experiencia, las redes de cómputos con frecuencia tienen dificultades bajo el peso de TODOS en el banco que intentan usarlas, y algunos de los productos de computación en grillas dejan mucho que desear.
Fuera de este problema en particular, no hay mucho más que se puede lograr fácilmente con las GPU, ya que el conjunto de instrucciones y las tuberías son más limitados en su alcance funcional en comparación con una CPU CISC regular.
El problema con la adopción ha sido la estandarización; NVidia tenía CUDA, ATI tenía Stream. La mayoría de los bancos tienen suficiente acceso de proveedores para encargarse sin enganchar sus análisis derivados (que muchos consideran IP extremadamente sensible) en la tecnología de aceleración de un proveedor de tarjetas gfx. Supongo que con la disponibilidad de OpenCL como estándar abierto esto puede cambiar.
Un buen comienzo sería probablemente para visitar el sitio Web de NVIDIA:
Hay muchas aplicaciones financieras que se pueden ejecutar en la GPU en varios campos, incluyendo el precio y riesgo Hay algunos enlaces de la página de NVIDIA Computational Finance.
Es cierto que Monte Carlo es el punto de partida más obvio para muchas personas. Monte Carlo es una clase muy amplia de aplicaciones, muchas de las cuales son compatibles con la GPU. También se pueden ejecutar muchos problemas basados en celosía en la GPU.Los métodos explícitos de diferencias finitas funcionan bien y son simples de implementar, muchos ejemplos en el sitio de NVIDIA, así como en el SDK, también se usa en Oil &. Los códigos de gas son muy abundantes. Los métodos implícitos de diferencias finitas también pueden funcionar bien dependiendo de la naturaleza exacta del problema, Mike Giles tiene un solucionador 3D ADI en su site que también tiene otras cosas útiles de finanzas.
Las GPU también son buenas para los problemas del tipo de álgebra lineal, especialmente cuando puede dejar los datos en la GPU para hacer un trabajo razonable. NVIDIA proporciona cuBLAS con CUDA Toolkit y también puede obtener cuLAPACK.
El uso de una GPU introduce limitaciones a la arquitectura, la implementación y el mantenimiento de su aplicación. Piense dos veces antes de invertir esfuerzos en dicha solución. P. ej. si está ejecutando en un entorno virtual, se requerirá que todas las máquinas físicas tengan hardware de GPU instalado y un hardware y software de vGPU especiales que admitan + licencias. ¿Qué sucede si decide alojar su servicio en la nube (por ejemplo, Azure, Amazon)? En muchos casos, vale la pena construir su arquitectura con anticipación para permitir escalar y ser flexible y escalable (con algunos gastos indirectos por supuesto) en lugar de escalar y exprimir todo lo que pueda de su hardware.
También proporcione los enlaces a cualquier material/recurso para el mismo –