Развитие информационных технологий в сфере финансовых услуг

Тип работы:
Реферат
Предмет:
Экономические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы

5. Лившиц, А. Я. Введение в рыночную экономику: учебное пособие для экон. спец вузов / А. Я. Лившиц. — М.: Высшая Школа, 1994. — С. 16.
6. Маркс, К. Капитал: критика политической экономии. Т. 1 / К. Маркс. -М.: Манн, Иванов и Фербер, 2013. — С. 95.
7. Носова, М. Ю. Взаимосвязь и взаимовлияние дифференциации товара и конкурентоспособности фирмы на отраслевых рынках в трансформируемой экономике: автореф. дис … канд. экон. наук / М. Ю. Носова. — Челябинск, 2009.
— С. 11−12.
8. Седов, В. В. Экономическая теория: В 3 ч. Ч. 1. Введение в экономическую теорию: учебное пособие / В. В. Седов. — Челябинск, 2002. -С. 56.
9. Смирнов, А. В. Основание и структура монополистической конкуренции: дис. … канд. экон. наук / А. В. Смирнов. — Тверь, 2011. — С. 79.
10. Тарануха, Ю. В. Теория отраслевых рынков / Ю. В. Тарануха. — 2-е изд., перераб. и доп. — М.: Дело и Сервис, 2009. — С. 118.
11. Траут, Дж. Дифференцируйся или умирай! Выживание в эпоху убийственной конкуренции / Дж. Траут, С. Ривкин. — 2-е изд. — СПб.: Питер, 2010. — С. 18−19.
12. Чемберлин, Э Теория монополистической конкуренции: (Реориентация теории стоимости) / Ред. Ю. Я. Ольсевич. — М.: Экономика, 1996.
— С. 93−104.
13. Чернов, М. В. Дифференциация продукта: воспроизводственный аспект: автореф. дис. … канд. экон. наук / М. В. Чернов. — Иваново, 2013. — С. 3, 10−13.
РАЗВИТИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В СФЕРЕ ФИНАНСОВЫХ УСЛУГ
Кузнецова Л. Г. — д.э.н., профессор ФГБОУ ВПО «Тихоокеанский государственный университет»
Гушул Ю. В. — к.п.н., доцент ФГБОУ ВПО «Челябинская государственная академия культуры и искусств»
В статье рассмотрен пример ускорения аналитических вычислений в модели оценивания финансовых активов Блэка-Шоулза. Высказано предложение использовать в
254
целях ускорения исчисления показателей ресурсы графического ядра от компании «Nvidia» и поточно-ориентированную архитектуру «Cuda». Обозначен алгоритм определения цены большого количества финансовых активов.
Информатизация определяет на сегодняшний день всю архитектуру современной сферы финансовых услуг, включая применяемые механизмы торговли, обращающиеся инструменты, регулирование и состав участников. Ее важнейшим следствием является то, что оперативный, не зависящий от расстояния доступ к источникам достоверной информации имеют практически все участники финансовой сферы.
Вместе с тем не следует забывать, что развитие информационных технологий означает также скорость распространения информации, что уменьшает время реакции на изменение рыночной ситуации и сжимает время на поиск оптимальных управленческих решений. Требованием сегодняшнего дня является высокая скорость аналитических и вычислительных процедур.
Выполнение данного требования возможно только в рамках применения эффективного программного обеспечения компьютеризированных систем субъектами сферы финансовых услуг. Соответственно, поиск новых программных решений по оптимизации процессов в этой сфере приобретает особую актуальность. Рассмотрим пример ускорения аналитических вычислений в модели оценивания финансовых активов Блэка-Шоулза. На современных финансовых рынках данная модель применяется изо дня в день и профессиональными трейдерами и инвесторами.
Модель была разработана американскими экономистами Фишером Блэком и Майроном Шоулзом в 1973 г. По мнению многих экономистов, модель является образцовым примером научных исследований в области современной финансовой науки. Она дает проверенные практиками максимально точные результаты, что в экономических исследованиях встречается не слишком часто. После 1973 г. было разработано множество ее вариантов, в 1997 г. авторам модели была присуждена Нобелевская премия по экономике.
Подробное описание модели, включающее математическую постановку задачи, экономические и теоретико-вероятностные интерпретации, можно найти в многочисленных источниках [1]. В целях ускорения исчисления показателей модели Блэка-Шоулза предлагается использовать ресурсы графического ядра от компании «Nvidia» и поточно-ориентированную архитектуру «Cuda».
255
Спецификой программного продукта «Cuda» является возможность реализации поставленных задач в двух обособленных, не взаимодействующих между собой модулях: первый модуль отвечает за вычисления на графическом процессоре GPU- второй модуль производит вычисления на центральном процессоре CPU.
Названные модули имеют принципиальное отличие, важное для ускорения вычислительных процедур.
Преобладающую долю в структуре графического процессора GPU занимают блоки, ответственные за выполнение арифметических и логических задач. Контроль над выполнением этих задач вынесен за рамки процессора и осуществляется из единого мультипроцессорного блока управления. Наоборот, большую часть структуры процессора CPU занимает блок, реализующий контроль по операциям арифметико-логических устройств. Сами же устройства, выполняющие арифметико-логические операции, занимают в CPU небольшую часть.
На всех мальтипроцессорах GPU располагается набор из М-скалярных процессоров, выполняющих в каждый момент времени одну и ту же инструкцию. Благодаря этому работа GPU соответствует правилу «одна инструкция, множество данных». Все перечисленное свидетельствует о том, что для случаев, требующих параллельной обработки данных большого объема, в расчетах лучше использовать GPU. На другом процессоре CPU, задача решается через последовательное рассмотрение каждого вычисляемого элемента по порядку, в отдельности, что, несомненно, увеличивает время на проведение расчетов.
Алгоритм определения цены большого количества финансовых активов включает в себя следующие этапы:
1) выделение памяти по массивы данных-
2) перенос данных в память GPU-
3) запуск функции для расчетов-
4) возвращение данных из памяти GPU в оперативную-
5) запуск функции для расчетов на CPU-
6) нахождение ошибки в результатах.
В общем массиве аналитических данных, рассматриваемых в рамках модели оценивания финансовых активов Блэка-Шоулза, были выделены те, в отношении которых производилось наибольшее число обращений участников
256
финансовой сферы. Выделенные данные были перенесены из глобальной в текстурную память GPU. Перенос позволил сократить время расчетов, поскольку текстурная память быстрее глобальной, которая в связи с ее техническими характеристиками (скоростью считывания и записи) является самой медлительной из всех типов компьютерной памяти.
«Узким» местом предложенного алгоритма является возвращение данных из памяти GPU в оперативную. Для возвращения вычисленных в GPU данных в оперативную память Cuda требуется создание двух информационных массивов большого размера, запись в которые занимает много времени. При этом структура CUDA не позволяет вести запись в оба массива одновременно. Для сокращения затрат времени в этой ситуации предлагается использовать программное выравнивание типов данных, которое позволит интегрировать запрос в глобальной памяти в одну команду.
В целях сравнения скорости расчетов на процессорах GPU и CPU замерялось время расчетов цены финансового актива на том и другом. Из всех видов финансовых активов были выбраны опционы, рыночные сделки с которыми занимают в сфере финансовых услуг наибольшую долю. Данные для расчетов генерировались случайным образом с максимальным приближением к реальным. Стартовое число опционов составляло 8 000. Количество опционов постепенно увеличивалось для выявления зависимости скорости расчетов от количества входных данных. Результаты 16 проведенных опытов представлены в таблице 1.
Таблица 1 — Время расчета цены финансового актива на CPU и GPU
Номер опыта Количество опционов Расчеты на CPU, сек. Расчеты на GPU, сек.
1 8 000 0,3 073 0,83 344
2 20 000 0,766 0,83 237
3 30 000 0,11 488 0,84 267
4 60 000 0,22 937 0,8 622
5 120 000 0,25 913 0,8 849
6 240 000 0,92 403 0,149 328
7 480 000 0,123 847 0,183 847
257
8 960 000 0,197 028 0,367 504
9 1 920 000 0,735 784 0,306 781
10 3 840 000 1,474 781 0,526 843
11 7 680 000 3,941 194 0,990 568
12 15 360 000 8,882 033 1,930 328
13 30 720 000 14,761 275 3,777 453
14 50 720 000 23,452 099 5,186 622
15 58 720 000 24,537 971 6,692 031
16 70 000 000 34,492 924 8,623 231
Огромный массив представленных в таблице 1 цифр по количеству опционов свидетельствует, что в ситуации относительно малого объема финансового актива время для расчетов с помощью процессора GPU превышает время на процессоре CPU. В проведенной серии опытов время для расчетов на GPU было больше, по сравнению с CPU в опытах с 1 по 8, пока количество опционов не приблизилось к 2 млн штук. В опыте 16 для расчета цены 70 млн опционов время для расчета на CPU составило 34, 49 сек., а на GPU — 8,62 сек. Скорость исчислений снизилась в 4 раза.
Таким образом, применение представленного алгоритма показало, что вычисление цены финансового актива можно производить в несколько раз быстрее, имея в качестве обеспечения аналитических процедур те же самые программные продукты, которые находятся в распоряжении других участников сферы финансовых услуг. При этом существенный прирост скорости расчетов возможно достигнуть только в высокочастотном трейдинге при совершении огромного количества сделок с финансовыми активами.
Список литературы:
1. Кузнецова, Л. Г. Структура и операции финансового рынка: теоретический и институциональный анализ / Л. Г. Кузнецова. — Хабаровск: Изд-во «Риотип», 2005. — С. 356−400.
258

ПоказатьСвернуть
Заполнить форму текущей работой