在中国金融市场持续改革创新的过程中,金融产品价值波动幅度难以预测,市场越来越开放,同时风险也越来越大。随着金融市场参与者不断增多以及金融产品越来越丰富,金融风险计算所需的计算资源也逐步变大。因此,本课题尝试将高性能计算技术,尤其是GPU异构计算技术应用到利率类产品的金融风险计算领域,使其具备利用高性能计算资源的能力,以提升其计算性能,更快更精准的进行金融风险估计。本课题主要关注风险价值的计算及利率期限结构拟合工作,对其中常用的四个算法:基于BDT的含权债估值模型、历史模拟法VaR算法、三次样条插值算法和平滑B样条算法进行了算法并行化、GPU移植及针对算法特性和GPU架构的性能优化。针对金融风险计算任务计算密集、任务数量多的特性,我们对四个算法均设计了任务级别并行和更细粒度的并行方案以充分GPU多核心的计算能力。此外,结合算法特性以及GPU的硬件特性,我们对移植后的程序进行的优化工作包括:(1)Shared Memory的使用。如把算法中频繁访存的数据放入Shared Memory和将Shared Memory作为高速缓存使用等。(2)合并访存的实现。通过调整内存布局及线程任务分配,使线程束中各线程对内存的访存是连续的,以合并访存的方式减少访存操作数量。(3)Multi-stream多任务流优化。当任务数量较多时,将计算任务分块并以多个批次的形式启动GPU计算任务,从而掩盖部分数据准备及传输时间。经过移植优化工作后,四个算法均在NVIDIA K80 GPU上取得高于双路E5-2693v3 CPU平台上的计算性能。相较于单线程CPU程序,四个算法均取得41x以上的加速比;相较于多线程CPU程序,四个算法均取得2.1x以上的加速比。我们的实验结果表明,利率类产品的金融风险计算工作能够通过基于GPU平台的异构加速技术获得明显的性能提升。