Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Simulacao Estocastica Financeira em GPU

624 views

Published on

Published in: Economy & Finance
  • Be the first to comment

Simulacao Estocastica Financeira em GPU

  1. 1. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasSimula¸c˜oes Financeiras em GPUDisserta¸c˜ao de MestradoTh´arsis T. P. Souzat.souza@usp.brInstituto de Matem´atica e Estat´ısticaUniversidade de S˜ao Paulo26 de abril de 2013Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  2. 2. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  3. 3. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  4. 4. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasSimula¸c˜ao Estoc´asticaStochastic Simulation and Modelling (Prodan, 2001):Figura : N´ıveis de Simula¸c˜ao.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  5. 5. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasSimula¸c˜ao Estoc´astica em GPUOn the utility of graphics cards to perform massively parallelsimulation of advanced Monte Carlo methods (Lee et al., 2010):“We believe the speedup we observe should motivatewider use of parallelizable simulation methods andgreater methodological attention to their design.”Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  6. 6. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasGPU Computing - BloombergFigura : Estudo de caso GPU Tesla: Precifica¸c˜ao de produtos - Bloomberg (NVIDIA,2009b).Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  7. 7. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasGPU Computing - BNP ParibasFigura : Estudo de caso GPU Tesla: Precifica¸c˜ao de produtos - BNP-Paribas(NVIDIA, 2009b).Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  8. 8. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasObjetivosUtilizar um modelo de hardware e programa¸c˜ao para GPU,apresentando essa plataforma como um verdadeiroco-processador gen´erico.Estudo de geradores de n´umeros aleat´orios sequˆencias eparalelos.Apresenta¸c˜ao de ferramental matem´atico fundamental paramodelagem estoc´astica em finan¸cas.Resolver problemas reais em finan¸cas ao aplicar a teoriaapresentada.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  9. 9. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  10. 10. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  11. 11. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosCPU X GPUFigura : Poder computacional (GFLOP/s) e Throughput (GB/s) CPU X GPU(Brodtkorb et al., 2012).Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  12. 12. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosCPU X GPUFigura : Representa¸c˜ao de Chip CPU X GPU.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  13. 13. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosGPGPUFigura : GPGPU - Evolu¸c˜ao.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  14. 14. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  15. 15. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosArquitetura CUDAFigura : CUDA: Compute Unified Device ArchitectureTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  16. 16. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosModelo de Programa¸c˜aoFigura : Hierarquia de ThreadsTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  17. 17. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosModelo de Mem´oriaFigura : Hierarquia de Mem´oriaTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  18. 18. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  19. 19. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosArquitetura FermiDetalhamento da Fermi (alvo do trabalho):CUDA CoresWarpsStreaming MultiprocessorTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  20. 20. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosOtimiza¸c˜ao de C´odigo e Boas Pr´aticasComo medir tempoExecu¸c˜ao concorrente ass´ıncronaOtimiza¸c˜ao de Mem´oriaCoalesced MemoryMem´oria Compartilhada, Local, GlobalControle de FluxoOcupa¸c˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  21. 21. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasCUDADemais T´opicosGeradores de N´umeros aleat´orios e Modelos de Distribui¸c˜aoPRNGs: Linear Congruential Generator, Multiple RecursiveGenerator, Lagged Fibonacci Generator, Mersenne TwisterQRNGs: Van Der Corput, Halton, Faure, SobolGera¸c˜ao de Distribui¸c˜oes n˜ao-Uniformes: M´etodo de Invers˜ao,M´etodo de Aceita¸c˜ao e Rejei¸c˜ao, M´etodo de Box-MullerPortabilidade em GPU dos geradores: Sobol e MRG32k3aTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  22. 22. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  23. 23. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasSimula¸c˜ao de Monte CarloM´etodo de Monte CarloT´ecnicas de Redu¸c˜ao de VariˆanciaVari´avel de ControleVari´aveis Antit´eticasAmostragem EstratificadaTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  24. 24. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasProcessos Estoc´asticosProcessos Estoc´asticosProcesso de WienerProcesso de Ornstein-UhlenbeckEqua¸c˜oes Diferenciais Estoc´asticasLema de ItˆoDiscretiza¸c˜ao de Euler-MaruyamaDiscretiza¸c˜ao de MilsteinTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  25. 25. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  26. 26. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  27. 27. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoGPUCUDA Cnvcc (CUDA Toolkit v.3.1)-use fast mathFigura : NVIDIA GeForce GT 525MTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  28. 28. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoGPUPlaca Gr´afica GeForce GT 525MN´ucleos CUDA 96Compute Capability 2.1Streaming Multiprocessors 2Dimens˜oes m´aximas de um bloco 1024 x 1024 x 64N´umero m´aximo de threads por bloco 1024N´umero m´aximo de registradores por bloco 32768Mem´oria Global 961 MBMem´oria Compartilhada 48 KBMem´oria Constante 64 KBTabela : Caracter´ısticas da placa gr´afica NVIDIA GeForce GT 525M.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  29. 29. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoCPUC/C++, compilador Microsoft (R) C/C++ OptimizingCompiler Version 16.00.30319.01 for x64Processador Intel Core i5-2430MProgramas em CPU foram constru´ıdos utilizando uma ´unicathreadTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  30. 30. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoM´etodoDados Dispon´ıveis:Ativo objeto ITUB4Per´ıodo de amostragem: 15/06/2011 a 31/05/2012Gera¸c˜ao de N´umeros Aleat´orios:Em CPU, o gerador padr˜ao utilizado foi o Mersenne Twistercom implementa¸c˜ao retirada de (Matsumoto e Nishimura,2009).Em GPU foi utilizada a biblioteca padr˜ao NVIDIA CURAND.Nos experimentos que utilizaram o gerador Sobol, aimplementa¸c˜ao foi obtida em (Joe e Kuo, 2008).Para transformada gaussiana foi utilizado o m´etodo deBox-Muller.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  31. 31. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  32. 32. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoStopsEm negocia¸c˜ao de ativos, uma estrat´egia de Stop define valoreslimites do pre¸co do ativo objeto a partir do qual uma a¸c˜ao deve sertomada.Stop Loss: Limite m´aximo de movimenta¸c˜ao adversa de pre¸code um ativo.Stop Gain: Limite superior para o valor do ativo denegocia¸c˜ao.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  33. 33. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoFormula¸c˜ao do Problema de StopsSuponha que uma part´ıcula se move aleatoriamente em umsub-conjunto D ⊂ Rn. No instante t sua posi¸c˜ao ´e xt. Desejamosescolher o Tempo de Parada t do movimento de modo amaximizar o ganho esperado E[g(xt)], onde g(x) representa oganho correspondente a x ∈ D.Figura : O problema de StopTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  34. 34. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoFormula¸c˜ao do Problema de Stops ´OtimosO problema de Stop ´Otimo pode ser formalizado como:max Ex0[g(xτ )] (1)sujeito a τ tempo de paradaTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  35. 35. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoFormula¸c˜ao do Problema de Stops ´OtimosFigura : Exemplos de Tempo de ParadaTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  36. 36. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoSolu¸c˜ao do Problema de Stops ´OtimosSuponha que a vari´avel aleat´oria que representa o pre¸co do ativoobjeto siga o seguinte processodS = µSdt + σSdW , (2)onde µ e σ s˜ao constantes e dW ´e um processo de Wiener.Ent˜ao, pelo Lema de Itˆo, podemos chegar na seguinte recorrˆenciageral para o valor do ativo objeto no tempoSi+1 = Si e(µ−σ2/2)δt+σ√δtz, z ∼ N(0, 1). (3)Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  37. 37. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoSolu¸c˜ao do Problema de Stops ´OtimosTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  38. 38. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoSolu¸c˜ao do Problema de Stops ´OtimosSeja f (K) = E[S(K)], ent˜ao o valor K = K∗ tal que f (K) = 0 ´eum ponto de extremo de Stop. Assim, a obten¸c˜ao de Stop ´otimose reduz a um problema de obten¸c˜ao de raiz de fun¸c˜ao, que podeser resolvido, por exemplo, pelo m´etodo de otimiza¸c˜ao de bisec¸c˜ao´aurea de Brent (W. H. Press e Flannery, 2007).Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  39. 39. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Simula¸c˜ao de caminhos do processo log-normal.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  40. 40. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Esperan¸ca de retorno de Stop Gain. An´alise da varia¸c˜ao dam´edia µ.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  41. 41. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Esperan¸ca de retorno de Stop Gain. An´alise da varia¸c˜ao davolatilidade σ.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  42. 42. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosCom o aumento da m´edia µ, temos uma esperan¸ca maior parao valor da barreira configurado.Em contraposi¸c˜ao, um valor maior de volatilidade sugere anecessidade de configura¸c˜ao de um valor mais alto para o stop.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  43. 43. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Esperan¸ca de retorno ´otimo em fun¸c˜ao da taxa de juros.Configura¸c˜ao µ = 0, 0521139% e σ = 2, 4432633%.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  44. 44. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosPodemos observar uma estimativa de ganho ´otimo de 9,91%sobre uma taxa de juros de 11%, na configura¸c˜ao analisada.Retorno ´otimo ´e negativo para rf > 13%.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  45. 45. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Tempo computacional gasto em c´alculo da esperan¸ca de ganhode um Stop Gain em fun¸c˜ao do n´umero de simula¸c˜oes. Configura¸c˜ao:Stop = 65, µ = −0, 00055%, σ = 2%.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  46. 46. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Tempo computacional gasto em c´alculo da esperan¸ca de ganhode um Stop Gain. Configura¸c˜ao: n´umero de simula¸c˜oes = 38.400,µ = −0, 00055%, σ = 2%.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  47. 47. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosSpeedup de mais de 12 vezes para um n´umero de simula¸c˜oesigual a 51.200.Solu¸c˜ao em GPU escal´avel para o n´umero de simula¸c˜oes evaria¸c˜ao de stop gain.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  48. 48. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  49. 49. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoRisco de MercadoRisco de Mercado ´e aquele relacionado com perdas no fluxode caixa da organiza¸c˜ao causadas por flutua¸c˜oes nos pre¸cos deativos e passivos da empresa (Kimura et al., 2010).Para gest˜ao desse risco, uma m´etrica particularmentedifundida ´e o Value-at-Risk (VaR), que visa a obter umamedida de perda m´axima da institui¸c˜ao.Para o c´alculo do mesmo, o gestor de risco deve ser capaz decalcular o valor de mercado de seus produtos, para assimconseguir avaliar as poss´ıveis varia¸c˜oes na carteira da empresa.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  50. 50. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoOp¸c˜oesUma op¸c˜ao confere, ao titular, o direito sobre um determinadoativo por um valor determinado, enquanto o vendedor ´eobrigado a concluir a transa¸c˜ao.Op¸c˜ao de Call: fornece ao titular o direito de compra do ativoobjeto a um valor determinado (strike).Op¸c˜ao de Put: fornece ao titular o direito de venda do ativoobjeto a um valor determinado.Op¸c˜ao Europeia ´e aquela que pode ser exercida somente emsua data de vencimento.Para ter o direito, o titular deve pagar o pre¸co da op¸c˜ao,tamb´em chamado de prˆemio.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  51. 51. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoPrecifica¸c˜ao de Op¸c˜oes via Simula¸c˜aoPosi¸c˜ao comprada em uma op¸c˜ao de Call: max(ST − X, 0).Posi¸c˜ao vendida em uma op¸c˜ao de Call: −max(ST − X, 0).Posi¸c˜ao comprada em uma op¸c˜ao de Put: max(X − ST , 0).Posi¸c˜ao vendida em uma op¸c˜ao de Put: −max(X − ST , 0).O prˆemio (cT ) de uma Op¸c˜ao Europeia de Call pode ser calculadoa partir de um valor esperado de seu retorno, conforme:cT = e−rTE[max(ST − X, 0)]. (4)Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  52. 52. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoPrecifica¸c˜ao de Op¸c˜oes via Simula¸c˜aoFigura : Payoffs das posi¸c˜oes em op¸c˜oes europeias: (a) compra de Call;(b) venda de Call; (c) compra de Put; (d) venda de Put (Hull, 2012).Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  53. 53. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoPrecifica¸c˜ao de Op¸c˜oes via Simula¸c˜aoParidade Put-Callc + Xe−rT= p + S0. (5)De posse da equa¸c˜ao 5, podemos estimar a esperan¸ca do prˆemiode uma op¸c˜ao de call E[c] como:E[c] = E[p] + S − Xe−rT(6)Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  54. 54. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoRedu¸c˜ao de variˆancia da Precifica¸c˜aoEm geral, a variˆancia de uma op¸c˜ao de put ´e menor do queuma op¸c˜ao de call j´a que no primeiro caso o payoff ´e limitado.Dessa forma, o pre¸co da op¸c˜ao de put se torna uma vari´avelde controle para o c´alculo do prˆemio da op¸c˜ao de call e,assim, obtemos um estimador de c com variˆanciapotencialmente reduzida.Al´em disso, podemos utilizar vari´aveis antit´eticas comot´ecnica de redu¸c˜ao de variˆancia.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  55. 55. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoPrecifica¸c˜ao de Op¸c˜oes via Simula¸c˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  56. 56. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoValue-at-Risk(Choudhry e Tanna, 2007) define o VaR1−α como a perda m´aximaque pode ocorrer em um grau de confian¸ca (1 − α) e per´ıodo detempo (T) determinados.Se assumirmos que F ´e a fun¸c˜ao de distribui¸c˜ao acumulada doretorno da carteira da institui¸c˜ao, podemos definir o VaR comoF(VaR) = α (7)onde ´e α a probabilidade correspondente ao n´ıvel de confian¸caestabelecido. Ao utilizar a fun¸c˜ao de densidade dos retornos f ,podemos definir o VaR de modo equivalente comoα =VaR−∞f (x)dx. (8)Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  57. 57. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoValue-at-RiskComo obter uma fun¸c˜ao f de distribui¸c˜ao dos retornos para umhorizonte de tempo definido?Figura : Resumo comparativo de metodologias de c´alculo de VaR.Retirado de (Jorion, 2003)Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  58. 58. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoVaR via M´etodo de Monte CarloSeja Π0 = (S10 , S20 , . . . , Sn0 ) o valor de um portf´olio composto por nativos em t0. Desejamos calcular o VaR1−α de Π0 para um per´ıodoT. A seguir, apresentamos os passos para resolu¸c˜ao desseproblema via Simula¸c˜ao de Monte Carlo:1 Escolha e configure um modelo estoc´astico para proje¸c˜ao dospre¸cos dos ativos do portf´olio.2 Simule os pre¸cos dos ativos para projetar seus valores em T:S1T , S2T , . . . , SnT3 Calcule o valor do portf´olio ΠT = (S1T , S2T , . . . , SnT )4 Repita os passos 2 e 3 um n´umero (N) de vezes t˜ao grandequanto se queiraTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  59. 59. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoVaR via M´etodo de Monte Carlo1 Ordene de modo crescente os valores dos portf´olios obtidos eobtenha a distribui¸c˜ao: (Π1T , Π2T , . . . , ΠNT )2 Compute o VaR a partir do quantil (1 − α) de interesse:VaR1−α = Π(1−α)NT − Π0Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  60. 60. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoVaR via M´etodo de Monte CarloTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  61. 61. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Aplica¸c˜ao de t´ecnicas de redu¸c˜ao de variˆancia na simula¸c˜ao doprˆemio de uma op¸c˜ao de call europeia utilizando Sobol como RNG.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  62. 62. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosMelhoria de mais de 4 vezes no erro padr˜ao da simula¸c˜ao paraprecifica¸c˜ao de op¸c˜oes.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  63. 63. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : O portf´olio Π0 gerado com um total de 2 mil op¸c˜oes, o queresultou em um valor total de R$191.740. Valor obtido para o VaR95% de1 dia foi de aproximadamente -R$896.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  64. 64. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosN´umero de Simula¸c˜oes Tempo CPU (s) Tempo GPU (s)1280 2,91 0,073200 7,178 0,166400 14,79 0,3112800 28,59 0,6025600 56,58 1,1938400 84,03 1,8151200 112,02 2,43Tabela : Tempo Computacional gasto em CPU e GPU no c´alculo de VaRem fun¸c˜ao do n´umero de simula¸c˜oes. N´umero de op¸c˜oes fixo em 2.000.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  65. 65. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosN´umero de Op¸c˜oes Tempo CPU (s) Tempo GPU (s)500 28,03 0,99750 42,54 1,231000 56,31 1,471250 70,41 1,701500 84,95 1,951750 99,17 2,182000 112,02 2,432500 146,76 2,90Tabela : Tempo Computacional gasto em CPU e GPU no c´alculo de VaRem fun¸c˜ao do n´umero de op¸c˜oes no portf´olio. N´umero de simula¸c˜oes fixoem 51200.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  66. 66. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Speedup no c´alculo de VaR de uma carteira com 2000 op¸c˜oesem fun¸c˜ao do n´umero de simula¸c˜oes.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  67. 67. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosFigura : Speedup no c´alculo de VaR em fun¸c˜ao do n´umero de op¸c˜oes noportf´olio. N´umero de simula¸c˜oes fixo em 51200.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  68. 68. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasM´etodoStops ´OtimosRisco de MercadoExperimentosAcelera¸c˜ao de mais de 50 vezes do c´alculo de Value-at-Riskvia Simula¸c˜ao de Monte CarloTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  69. 69. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasAgenda1 Introdu¸c˜ao2 GPU ComputingCUDADemais T´opicos3 Modelagem Matem´atica4 Estudo de Casos em Finan¸casM´etodoStops ´OtimosRisco de Mercado5 Conclus˜aoTh´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  70. 70. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasConclus˜aoApresentamos a GPU como uma plataforma de computa¸c˜aode prop´osito geral.Estudo de diferentes tipos de PRNGs e QRNGs emarquiteturas sequencial e paralela.Descri¸c˜ao de solu¸c˜oes exatas e num´ericas de Equa¸c˜oesDiferenciais Estoc´asticas.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  71. 71. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasConclus˜aoStops (nessa apresenta¸c˜ao):Resolu¸c˜ao do problema de obten¸c˜ao de Stop ´Otimo.Em an´alise experimental, as implementa¸c˜oes em GPUmostraram ser mais escal´aveis em rela¸c˜ao ao algoritmosequencial.Para o algoritmo de obten¸c˜ao de esperan¸ca de retorno de umStop Gain, foi alcan¸cado um speedup de mais de 12 vezes.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  72. 72. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasConclus˜aoStops (vide disserta¸c˜ao):Revisamos o modelo trinomial proposto por(Warburtona e Zhang, 2006) e propomos um algoritmoalternativo para o mesmo via simula¸c˜ao utilizando umat´ecnica de aceita¸c˜ao e rejei¸c˜ao para probabilidade de transi¸c˜aodos pre¸cos de (Cox et al., 1979).O algoritmo sugerido ´e, comparativamente, de f´acilimplementa¸c˜ao e naturalmente port´avel para GPU.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  73. 73. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasConclus˜aoRisco de Mercado:Melhoria de mais de 4 vezes no erro padr˜ao da simula¸c˜ao paraprecifica¸c˜ao de op¸c˜oes.C´alculo de Value-at-Risk via Simula¸c˜ao de Monte Carlo comacelera¸c˜ao de mais de 50 vezes.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  74. 74. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasReferˆencias Bibliogr´aficas IBrodtkorb et al.(2012) A. R. Brodtkorb, T. R. Hagen e Ma. L.Saetra. Graphics processing unit (gpu) programming strategiesand trends in gpu computing. Journal of Parallel and DistributedComputing.Choudhry e Tanna(2007) M. Choudhry e K. Tanna. AnIntroduction to Value-at-Risk. Securities Institute. Wiley. ISBN9780470033777.Cox et al.(1979) J. Cox, S. Ross e M. Rubenstein. Option pricing:a simplified approach. Journal of Financial Economics.Hull(2012) J. Hull. Options, Futures, and Other Derivatives andDerivaGem CD Package. Prentice Hall. ISBN 9780132777421.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  75. 75. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasReferˆencias Bibliogr´aficas IIJoe e Kuo(2008) S. Joe e F. Y. Kuo. C´odigo fonte: Sobolsequence generator, 2008. URLhttp://web.maths.unsw.edu.au/~fkuo/sobol/. ´Ultimoacesso em 29/01/2013.Jorion(2003) P. Jorion. Value at risk: a nova fonte de referˆenciapara a gest˜ao do risco financeiro. Bolsa de Mercadorias &Futuros. ISBN 9788574380070.Kimura et al.(2010) H. Kimura, A. S. Suen, L. C. J. Perera eL. F. C. Basso. Value at Risk - Como Entender e Calcular oRisco pelo VaR. INSIDE BOOKS. ISBN 9788560550074.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  76. 76. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasReferˆencias Bibliogr´aficas IIILee et al.(2010) A. Lee, C. Yau, M. B. Giles, A. Doucet e C. C.Holmes. On the utility of graphics cards to perform massivelyparallel simulation of advanced monte carlo methods. Journal ofComputational and Graphical Statistics, p´aginas 769–789.Matsumoto e Nishimura(2009) M. Matsumoto e T. Nishimura.A c-program for mt19937, 2009. URL http://www.math.sci.hiroshima-u.ac.jp/~m-mat/MT/emt.html. ´Ultimo acesso em29/01/2013.NVIDIA(2009b) NVIDIA. Site de computa¸c˜ao em finan¸cas danvidia, 2009b. URL http://www.nvidia.com/object/computational_finance.html.´Ultimo acesso em 29/01/2013.Prodan(2001) A. Prodan. Stochastic simulation and modelling.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao
  77. 77. Introdu¸c˜aoGPU ComputingModelagem Matem´aticaEstudo de Casos em Finan¸casConclus˜aoReferˆenciasReferˆencias Bibliogr´aficas IVW. H. Press e Flannery(2007) W. T. Vetterling W. H. Press, S.A. Teukolsky e B. P. Flannery. Numerical Recipes 3rd Edition:The Art of Scientific Computing. Cambridge University Press,New York, NY, USA, 3 edi¸c˜ao. ISBN 0521880688,9780521880688.Warburtona e Zhang(2006) A. Warburtona e Z. G. Zhang. Asimple computational model for analyzing the properties ofstop-loss, take-profit, and price breakout trading strategies.Computers and Operations Research.Th´arsis T. P. Souza Defesa de Mestrado - Ciˆencia da Computa¸c˜ao

×