IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Simulacoes Financeiras em GPUDissertacao de Mestrado

Tharsis T. P. Souzat.souza@usp.br

Instituto de Matematica e EstatısticaUniversidade de Sao Paulo

26 de abril de 2013

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Simulacao Estocastica

Stochastic Simulation and Modelling (Prodan, 2001):

Figura : Nıveis de Simulacao.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Simulacao Estocastica em GPU

On 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.”

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

GPU Computing - Bloomberg

Figura : Estudo de caso GPU Tesla: Precificacao de produtos - Bloomberg (NVIDIA,2009b).

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

GPU Computing - BNP Paribas

Figura : Estudo de caso GPU Tesla: Precificacao de produtos - BNP-Paribas(NVIDIA, 2009b).

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Objetivos

Utilizar um modelo de hardware e programacao para GPU,apresentando essa plataforma como um verdadeiroco-processador generico.

Estudo de geradores de numeros aleatorios sequencias eparalelos.

Apresentacao de ferramental matematico fundamental paramodelagem estocastica em financas.

Resolver problemas reais em financas ao aplicar a teoriaapresentada.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

CPU X GPU

Figura : Poder computacional (GFLOP/s) e Throughput (GB/s) CPU X GPU(Brodtkorb et al., 2012).

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

CPU X GPU

Figura : Representacao de Chip CPU X GPU.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

GPGPU

Figura : GPGPU - Evolucao.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Arquitetura CUDA

Figura : CUDA: Compute Unified Device Architecture

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Modelo de Programacao

Figura : Hierarquia de Threads

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Modelo de Memoria

Figura : Hierarquia de Memoria

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Arquitetura Fermi

Detalhamento da Fermi (alvo do trabalho):

CUDA Cores

Warps

Streaming Multiprocessor

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Otimizacao de Codigo e Boas Praticas

Como medir tempo

Execucao concorrente assıncrona

Otimizacao de Memoria

Coalesced MemoryMemoria Compartilhada, Local, Global

Controle de Fluxo

Ocupacao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

CUDADemais Topicos

Geradores de Numeros aleatorios e Modelos de Distribuicao

PRNGs: Linear Congruential Generator, Multiple RecursiveGenerator, Lagged Fibonacci Generator, Mersenne Twister

QRNGs: Van Der Corput, Halton, Faure, Sobol

Geracao de Distribuicoes nao-Uniformes: Metodo de Inversao,Metodo de Aceitacao e Rejeicao, Metodo de Box-Muller

Portabilidade em GPU dos geradores: Sobol e MRG32k3a

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Simulacao de Monte Carlo

Metodo de Monte Carlo

Tecnicas de Reducao de Variancia

Variavel de ControleVariaveis AntiteticasAmostragem Estratificada

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Processos Estocasticos

Processos Estocasticos

Processo de WienerProcesso de Ornstein-Uhlenbeck

Equacoes Diferenciais Estocasticas

Lema de ItoDiscretizacao de Euler-MaruyamaDiscretizacao de Milstein

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

GPU

CUDA Cnvcc (CUDA Toolkit v.3.1)-use fast math

Figura : NVIDIA GeForce GT 525M

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

GPU

Placa Grafica GeForce GT 525M

Nucleos CUDA 96

Compute Capability 2.1

Streaming Multiprocessors 2

Dimensoes maximas de um bloco 1024 x 1024 x 64

Numero maximo de threads por bloco 1024

Numero maximo de registradores por bloco 32768

Memoria Global 961 MB

Memoria Compartilhada 48 KB

Memoria Constante 64 KB

Tabela : Caracterısticas da placa grafica NVIDIA GeForce GT 525M.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

CPU

C/C++, compilador Microsoft (R) C/C++ OptimizingCompiler Version 16.00.30319.01 for x64

Processador Intel Core i5-2430M

Programas em CPU foram construıdos utilizando uma unicathread

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Metodo

Dados Disponıveis:

Ativo objeto ITUB4

Perıodo de amostragem: 15/06/2011 a 31/05/2012

Geracao de Numeros Aleatorios:

Em CPU, o gerador padrao utilizado foi o Mersenne Twistercom implementacao retirada de (Matsumoto e Nishimura,2009).

Em GPU foi utilizada a biblioteca padrao NVIDIA CURAND.

Nos experimentos que utilizaram o gerador Sobol, aimplementacao foi obtida em (Joe e Kuo, 2008).

Para transformada gaussiana foi utilizado o metodo deBox-Muller.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Stops

Em negociacao de ativos, uma estrategia de Stop define valoreslimites do preco do ativo objeto a partir do qual uma acao deve sertomada.

Stop Loss: Limite maximo de movimentacao adversa de precode um ativo.

Stop Gain: Limite superior para o valor do ativo denegociacao.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Formulacao do Problema de Stops

Suponha que uma partıcula se move aleatoriamente em umsub-conjunto D ⊂ Rn. No instante t sua posicao 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 Stop

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Formulacao do Problema de Stops Otimos

O problema de Stop Otimo pode ser formalizado como:

max Ex0 [g(xτ )] (1)

sujeito a τ tempo de parada

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Formulacao do Problema de Stops Otimos

Figura : Exemplos de Tempo de Parada

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Solucao do Problema de Stops Otimos

Suponha que a variavel aleatoria que representa o preco do ativoobjeto siga o seguinte processo

dS = µSdt + σSdW , (2)

onde µ e σ sao constantes e dW e um processo de Wiener.Entao, pelo Lema de Ito, podemos chegar na seguinte recorrenciageral para o valor do ativo objeto no tempo

Si+1 = Si e(µ−σ2/2)δt+σ

√δtz , z ∼ N (0, 1). (3)

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Solucao do Problema de Stops Otimos

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Solucao do Problema de Stops Otimos

Seja f (K ) = E[S(K )], entao o valor K = K ∗ tal que f ′(K ) = 0 eum ponto de extremo de Stop. Assim, a obtencao de Stop otimose reduz a um problema de obtencao de raiz de funcao, que podeser resolvido, por exemplo, pelo metodo de otimizacao de biseccaoaurea de Brent (W. H. Press e Flannery, 2007).

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Simulacao de caminhos do processo log-normal.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Esperanca de retorno de Stop Gain. Analise da variacao damedia µ.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Esperanca de retorno de Stop Gain. Analise da variacao davolatilidade σ.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Com o aumento da media µ, temos uma esperanca maior parao valor da barreira configurado.

Em contraposicao, um valor maior de volatilidade sugere anecessidade de configuracao de um valor mais alto para o stop.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Esperanca de retorno otimo em funcao da taxa de juros.Configuracao µ = 0, 0521139% e σ = 2, 4432633%.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Podemos observar uma estimativa de ganho otimo de 9,91%sobre uma taxa de juros de 11%, na configuracao analisada.

Retorno otimo e negativo para rf > 13%.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Tempo computacional gasto em calculo da esperanca de ganhode um Stop Gain em funcao do numero de simulacoes. Configuracao:Stop = 65, µ = −0, 00055%, σ = 2%.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Tempo computacional gasto em calculo da esperanca de ganhode um Stop Gain. Configuracao: numero de simulacoes = 38.400,µ = −0, 00055%, σ = 2%.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Speedup de mais de 12 vezes para um numero de simulacoesigual a 51.200.

Solucao em GPU escalavel para o numero de simulacoes evariacao de stop gain.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Risco de Mercado

Risco de Mercado e aquele relacionado com perdas no fluxode caixa da organizacao causadas por flutuacoes nos precos deativos e passivos da empresa (Kimura et al., 2010).

Para gestao desse risco, uma metrica particularmentedifundida e o Value-at-Risk (VaR), que visa a obter umamedida de perda maxima da instituicao.

Para o calculo do mesmo, o gestor de risco deve ser capaz decalcular o valor de mercado de seus produtos, para assimconseguir avaliar as possıveis variacoes na carteira da empresa.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Opcoes

Uma opcao confere, ao titular, o direito sobre um determinadoativo por um valor determinado, enquanto o vendedor eobrigado a concluir a transacao.

Opcao de Call: fornece ao titular o direito de compra do ativoobjeto a um valor determinado (strike).

Opcao de Put: fornece ao titular o direito de venda do ativoobjeto a um valor determinado.

Opcao Europeia e aquela que pode ser exercida somente emsua data de vencimento.

Para ter o direito, o titular deve pagar o preco da opcao,tambem chamado de premio.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Precificacao de Opcoes via Simulacao

Posicao comprada em uma opcao de Call : max(ST − X , 0).

Posicao vendida em uma opcao de Call : −max(ST − X , 0).

Posicao comprada em uma opcao de Put: max(X − ST , 0).

Posicao vendida em uma opcao de Put: −max(X − ST , 0).

O premio (cT ) de uma Opcao Europeia de Call pode ser calculadoa partir de um valor esperado de seu retorno, conforme:

cT = e−rTE[max(ST − X , 0)]. (4)

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Precificacao de Opcoes via Simulacao

Figura : Payoffs das posicoes em opcoes europeias: (a) compra de Call ;(b) venda de Call ; (c) compra de Put; (d) venda de Put (Hull, 2012).

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Precificacao de Opcoes via Simulacao

Paridade Put-Call

c + Xe−rT = p + S0. (5)

De posse da equacao 5, podemos estimar a esperanca do premiode uma opcao de call E[c] como:

E[c] = E[p] + S − Xe−rT (6)

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Reducao de variancia da Precificacao

Em geral, a variancia de uma opcao de put e menor do queuma opcao de call ja que no primeiro caso o payoff e limitado.

Dessa forma, o preco da opcao de put se torna uma variavelde controle para o calculo do premio da opcao de call e,assim, obtemos um estimador de c com varianciapotencialmente reduzida.

Alem disso, podemos utilizar variaveis antiteticas comotecnica de reducao de variancia.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Precificacao de Opcoes via Simulacao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Value-at-Risk

(Choudhry e Tanna, 2007) define o VaR1−α como a perda maximaque pode ocorrer em um grau de confianca (1− α) e perıodo detempo (T ) determinados.Se assumirmos que F e a funcao de distribuicao acumulada doretorno da carteira da instituicao, podemos definir o VaR como

F (VaR) = α (7)

onde e α a probabilidade correspondente ao nıvel de confiancaestabelecido. Ao utilizar a funcao de densidade dos retornos f ,podemos definir o VaR de modo equivalente como

α =

∫ VaR

−∞f (x)dx . (8)

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Value-at-Risk

Como obter uma funcao f de distribuicao dos retornos para umhorizonte de tempo definido?

Figura : Resumo comparativo de metodologias de calculo de VaR.Retirado de (Jorion, 2003)

.Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

VaR via Metodo de Monte Carlo

Seja Π0 = (S10 , S

20 , . . . ,S

n0 ) o valor de um portfolio composto por n

ativos em t0. Desejamos calcular o VaR1−α de Π0 para um perıodoT . A seguir, apresentamos os passos para resolucao desseproblema via Simulacao de Monte Carlo:

1 Escolha e configure um modelo estocastico para projecao dosprecos dos ativos do portfolio.

2 Simule os precos dos ativos para projetar seus valores em T :S1

T , S2T , . . . ,S

nT

3 Calcule o valor do portfolio ΠT = (S1T , S

2T , . . . ,S

nT )

4 Repita os passos 2 e 3 um numero (N) de vezes tao grandequanto se queira

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

VaR via Metodo de Monte Carlo

1 Ordene de modo crescente os valores dos portfolios obtidos eobtenha a distribuicao: (Π1

T ,Π2T , . . . ,Π

NT )

2 Compute o VaR a partir do quantil (1− α) de interesse:

VaR1−α = Πb(1−α)NcT − Π0

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

VaR via Metodo de Monte Carlo

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Aplicacao de tecnicas de reducao de variancia na simulacao dopremio de uma opcao de call europeia utilizando Sobol como RNG.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Melhoria de mais de 4 vezes no erro padrao da simulacao paraprecificacao de opcoes.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : O portfolio Π0 gerado com um total de 2 mil opcoes, o queresultou em um valor total de R$191.740. Valor obtido para o VaR95% de1 dia foi de aproximadamente -R$896.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Numero de Simulacoes Tempo CPU (s) Tempo GPU (s)

1280 2,91 0,07

3200 7,178 0,16

6400 14,79 0,31

12800 28,59 0,60

25600 56,58 1,19

38400 84,03 1,81

51200 112,02 2,43

Tabela : Tempo Computacional gasto em CPU e GPU no calculo de VaRem funcao do numero de simulacoes. Numero de opcoes fixo em 2.000.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Numero de Opcoes Tempo CPU (s) Tempo GPU (s)

500 28,03 0,99

750 42,54 1,23

1000 56,31 1,47

1250 70,41 1,70

1500 84,95 1,95

1750 99,17 2,18

2000 112,02 2,43

2500 146,76 2,90

Tabela : Tempo Computacional gasto em CPU e GPU no calculo de VaRem funcao do numero de opcoes no portfolio. Numero de simulacoes fixoem 51200.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Speedup no calculo de VaR de uma carteira com 2000 opcoesem funcao do numero de simulacoes.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Figura : Speedup no calculo de VaR em funcao do numero de opcoes noportfolio. Numero de simulacoes fixo em 51200.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

MetodoStops OtimosRisco de Mercado

Experimentos

Aceleracao de mais de 50 vezes do calculo de Value-at-Riskvia Simulacao de Monte Carlo

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Agenda

1 Introducao

2 GPU ComputingCUDADemais Topicos

3 Modelagem Matematica

4 Estudo de Casos em FinancasMetodoStops OtimosRisco de Mercado

5 Conclusao

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Conclusao

Apresentamos a GPU como uma plataforma de computacaode proposito geral.

Estudo de diferentes tipos de PRNGs e QRNGs emarquiteturas sequencial e paralela.

Descricao de solucoes exatas e numericas de EquacoesDiferenciais Estocasticas.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Conclusao

Stops (nessa apresentacao):

Resolucao do problema de obtencao de Stop Otimo.

Em analise experimental, as implementacoes em GPUmostraram ser mais escalaveis em relacao ao algoritmosequencial.

Para o algoritmo de obtencao de esperanca de retorno de umStop Gain, foi alcancado um speedup de mais de 12 vezes.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Conclusao

Stops (vide dissertacao):

Revisamos o modelo trinomial proposto por(Warburtona e Zhang, 2006) e propomos um algoritmoalternativo para o mesmo via simulacao utilizando umatecnica de aceitacao e rejeicao para probabilidade de transicaodos precos de (Cox et al., 1979).

O algoritmo sugerido e, comparativamente, de facilimplementacao e naturalmente portavel para GPU.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Conclusao

Risco de Mercado:

Melhoria de mais de 4 vezes no erro padrao da simulacao paraprecificacao de opcoes.

Calculo de Value-at-Risk via Simulacao de Monte Carlo comaceleracao de mais de 50 vezes.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Referencias Bibliograficas I

Brodtkorb 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.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Referencias Bibliograficas II

Joe e Kuo(2008) S. Joe e F. Y. Kuo. Codigo 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 referenciapara a gestao 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.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Referencias Bibliograficas III

Lee 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, paginas 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 computacao em financas 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.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao

IntroducaoGPU Computing

Modelagem MatematicaEstudo de Casos em Financas

ConclusaoReferencias

Referencias Bibliograficas IV

W. 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 edicao. 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.

Tharsis T. P. Souza Defesa de Mestrado - Ciencia da Computacao