行业案例 | 提速百倍！某券商基于 CPU-GPU 异构平台 Shark 实现秒级风控指标计算
本页为一篇行业案例内容，包含文章标题与发布时间信息。
What this page covers
- 培训营报名与链接信息
- 行业案例文章标题与发布日期
- 实时风控与 CPU-GPU 异构加速概述
- 风险管理计算压力与传统系统问题背景
- 原风控体系挑战与对一体化/GPU 加速的需求
- 基于 Shark 的一体化平台方案与架构能力点
- 性能对比结果与业务影响
技能认证特训营第二期报名推广
页面顶部的培训营第二期开启与限时报名链接信息。
- 技能认证特训营第二期处于“正式开启”状态。
- 提供报名链接用于报名参与。
- 页面包含“限时报名，享专属福利优惠”的优惠描述。
新闻页标识
页面的栏目/类型标识为“新闻”。
- 页面内容被归类为新闻类型。
- 该标识用于表明页面所属栏目。
行业案例文章标题与日期
行业案例文章的主标题与发布时间信息。
- 文章标题强调基于 CPU-GPU 异构平台 Shark 的风控指标计算加速。
- 文章发布时间为 2025.07.28。
导语：实时风控与CPU-GPU异构加速概述
说明高频交易下实时风控的重要性，以及券商通过DolphinDB Shark引入GPU将关键风控指标计算效率提升数十到上百倍。
- 高频交易场景强调关键风控指标的计算与盘中实时决策。
- 券商在方案中引入 GPU 用于风控指标计算。
- 关键风控指标计算效率提升到“数十到上百倍”的量级。
- 方案涉及 DolphinDB CPU-GPU 异构计算平台 Shark。
背景介绍：风险管理计算压力与传统系统问题
描述量化交易与复杂衍生品发展带来的风险管理计算压力、监管对实时风控要求提升，以及传统系统的数据与计算问题。
- 量化交易与复杂衍生品业务发展增加了风险管理计算压力。
- 监管对实时风控要求提升。
- 盘中极端行情频发使风控反应速度更重要。
- 传统风控系统存在数据不统一与指标重复建设问题。
- 传统风控系统计算周期长，难以实时响应。
面临挑战：存储I/O瓶颈、CPU算力不足、技术栈割裂
列出券商在原风控体系中的共性难题，包括存储吞吐瓶颈、计算时效滞后与技术栈复杂割裂，并提出需要GPU加速的一体化系统。
- 原有数据存储方案存在 I/O 吞吐瓶颈。
- 高频海量数据场景下存储方案表现乏力。
- 原有方案导致数据孤岛。
- 原有架构将数据存储与计算隔离。
- 计算前需要提取数据再处理，产生显著传输损耗。
- 系统依赖 CPU 承担大规模任务，计算密集型任务性能较低效。
- 通过集群扩展可缓解压力，但成本高且扩展效率有限。
- 各业务小组独立技术体系造成资源浪费与成果难共享。
- 缺乏协调 CPU 与 GPU 计算资源的平台。
- 需求指向性能更强、架构更精简、支持 GPU 加速的风控指标计算系统。
DolphinDB解决方案：基于Shark构建CPU-GPU异构一体化平台
介绍券商基于DolphinDB CPU-GPU异构计算平台Shark建设“采-存-内存-显存-计算服务”一体化平台及其架构与能力点。
- 方案构建“采-存-内存-显存-计算服务”一体化平台。
- 以 DolphinDB 分布式文件系统作为底层数据存储基座。
- 通过内存与显存之间的高效数据交互支撑计算。
- 结合 CUDA 并行架构重构计算模型。
- 架构图示说明包含高可用与事务支持的分布式文件系统能力。
- 架构图示说明提到分布式多模数据库支持 TSDB、OLAP 等引擎。
- 架构图示说明提到 CPU 内存与 GPU 显存之间的数据转换/交互层。
- 架构图示说明提到统一脚本引擎支持标准 SQL、JIT 及 @GPU 注解。
- 架构图示说明提到提供 C++、Python、Java 等语言 API。
- DolphinDB 内置 TSDB、OLAP、PKey 等多模存储引擎。
- DolphinDB 支持向量化计算以发挥 CPU 计算性能。
- Shark 支持通过在函数定义前使用 @gpu 注解来触发 GPU 编排与加速。
- DolphinDB 支持 SQL、命令式与函数式编程。
- DolphinDB 支持混合编程以协同 CPU 与 GPU 算力。
- DolphinDB 内置 10+ 流式处理引擎。
- 计算框架支持流批一体以提升开发效率与系统一致性。
方案效果：关键业务维度的性能提升与业务影响
展示Shark相对原系统在期权定价、风控指标计算、蒙特卡洛模拟等方面的耗时下降与倍数提升，并描述对实时风控与数据底座统一的影响。
- 期权定价用例的耗时降至 40ms 以内，并给出 20-100 倍提升区间。
- 多交易对手多合约风控指标计算从超过 1 小时压缩至 40s 以内。
- 多交易对手多合约风控指标计算给出“提升逾 100 倍”的表述。
- 多维蒙特卡洛模拟耗时从 4.2s 缩短至 20ms。
- 风控指标从“交易结束后生成”转向更实时的盘中计算与响应。
- 全市场交易对手风险指标计算从小时级压缩至秒级。
- 平台统一数据底座以减少信息孤岛。
- 指标计算实现复用与成果共享。
- Shark 平台目前已支持 NVIDIA GPU。
- Shark 平台正在适配海光等国产 GPU。
咨询与联系方式
引导了解完整方案并提供微信与电话联系方式，以及联系信息卡片说明与二维码添加指引。
- 提供微信小助手账号：dolphindb1。
- 提供联系电话：133-0651-0479。
- 联系信息卡片包含公司名称/标识信息：DolphinDB 智臾科技。
- 联系信息卡片描述产品为实时计算平台（基于高性能时序数据库，支持复杂分析与流式处理）。
- 联系信息卡片提到包含官方联系邮箱与官网链接（未展开具体值）。
- 联系信息卡片提到办公地点覆盖多个城市（例如杭州、北京、上海）。
- 提供通过扫码添加“DolphinDB小助手”的咨询方式。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 状态 | 正式开启 | high |
| 技能认证特训营第二期 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 技能认证特训营第二期 | 优惠描述 | 限时报名，享专属福利优惠 | low |
| 行业案例文章 | 发布日期 | 2025.07.28 | high |
| 某券商 | 应用场景 | 高频交易场景下关键风控指标计算与盘中实时决策 | high |
| DolphinDB Shark | 定位 | DolphinDB CPU-GPU 异构计算平台 Shark | high |
| 某券商使用DolphinDB Shark引入GPU | 效果（效率提升） | 将关键风控指标计算效率提升数十到上百倍 | medium |
| 风险管理部门 | 压力来源 | 量化交易与复杂衍生品业务发展导致计算压力提升；监管对实时风控要求提升；盘中极端行情频发使风控反应速度重要 | high |
| 传统风控系统 | 问题 | 数据不统一、指标重复建设、计算周期长、无法实时响应 | high |
| 原有架构的数据存储方案 | 瓶颈 | I/O 吞吐能力存在瓶颈；高频海量数据下表现乏力；导致数据孤岛 | high |
| 原有架构的数据与计算 | 架构问题 | 数据存储与计算隔离；每次计算需先提取数据再处理；存在显著传输损耗，拖慢整体计算效率 | high |
| 原有系统计算资源 | 计算时效问题 | 依赖CPU完成大规模任务；百万级计算任务应对吃力；可用集群扩展缓解但成本高且扩展效率有限；计算密集型任务性能相对低效 | high |
| 原有技术栈与系统 | 复杂性与割裂 | 各业务小组各自构建独立技术体系（语言/框架差异）导致资源浪费和成果难共享；缺乏能协调CPU与GPU计算资源的平台；复杂技术栈拉长业务链条并延长复杂指标开发上线周期 | high |
| 某券商风控指标计算系统 | 需求 | 需要性能更强、架构更精简、能实现GPU加速的风控指标计算系统 | high |
| DolphinDB Shark平台方案 | 平台形态 | 构建“采-存-内存-显存-计算服务”一体化平台 | high |
| DolphinDB Shark平台方案 | 底层存储 | 以 DolphinDB 分布式文件系统为底层数据存储基座 | high |
| DolphinDB Shark平台方案 | 数据交互与计算模型 | 通过内存与显存之间高效数据交互，结合 CUDA 并行架构重构计算模型 | high |
| 复杂风险指标计算（原依赖CPU） | 耗时改善 | 将原本需耗时数小时的计算压缩至秒级甚至毫秒级，实现定价与风控指标实时计算与监控 | medium |
| DolphinDB Shark技术架构（图示说明） | 文件系统能力 | 最底层分布式文件系统具备高可用与事务支持 | medium |
| DolphinDB Shark技术架构（图示说明） | 数据库引擎类型 | 分布式多模数据库支持 TSDB、OLAP 等引擎 | medium |
| DolphinDB Shark技术架构（图示说明） | CPU与GPU交互层 | 通过数据转换层实现 CPU 内存与 GPU 显存之间的高效交互 | medium |
| DolphinDB Shark技术架构（图示说明） | 脚本/查询支持 | 提供统一脚本引擎，支持标准 SQL、JIT 及 @GPU 注解 | medium |
| DolphinDB Shark技术架构（图示说明） | 语言API | 提供 C++、Python、Java 等多种语言 API | medium |
| DolphinDB Shark技术架构（图示说明） | 目标 | 通过 CPU 与 GPU 算力协同，满足高性能计算与实时风控需求 | low |
| DolphinDB | 多模态存储引擎 | 内置 TSDB、OLAP、PKey 等多模存储引擎，可在同一平台内存储高频行情、静态属性、风险因子等金融数据 | high |
| DolphinDB | 计算能力 | 支持向量化计算，可充分发挥 CPU 计算性能 | high |
| Shark | GPU并行加速方式 | 研究员在函数定义前加上 @gpu 注解，Shark 可在 GPU 上编排调度脚本计算任务并利用 GPU 加速计算 | high |
| DolphinDB | 编程方式 | 支持 SQL、命令式编程、函数式编程；内置向量化计算语法与分布式任务调度框架；支持混合编程以同时发挥CPU与GPU算力 | high |
| DolphinDB | 流式处理引擎数量 | 内置10+流式处理引擎 | medium |
| DolphinDB计算框架 | 流批一体 | 支持流批一体；研究与实盘、批量与实时任务可通过一套代码逻辑实现，以提升开发效率与系统一致性 | medium |
| 雪球期权定价（Shark平台对比原系统） | 耗时与提升 | 耗时从秒级降至 40ms 以内；提升 20-100 倍 | medium |
| 多交易对手多合约风控指标计算（Shark平台对比原系统） | 耗时与提升 | 从超过 1 小时压缩至 40s 以内；提升逾 100 倍 | medium |
| 多维蒙特卡洛模拟（Shark平台对比原系统） | 耗时变化 | 从 4.2s 缩短至 20ms | medium |
| Shark平台性能表现（图表说明） | 结论性表述 | 在三个关键金融业务维度中表现出数量级优势；数据“充分证明”其在高算力/高密集计算任务中的卓越性能 | low |
| 某券商风控业务模式 | 变化 | 过去风控指标多在交易结束后生成，缺乏实时响应；如今全市场交易对手风险指标计算从小时级压缩至秒级，实现盘中实时风控 | medium |
| 数据底座与协作 | 影响 | 平台统一各小组数据底座，消除信息孤岛，实现指标计算复用与成果共享 | medium |
| Shark平台 | GPU支持现状 | 目前已支持 NVIDIA GPU | high |
| Shark平台 | 国产GPU适配 | 正在适配海光等国产 GPU | medium |
| DolphinDB | 微信小助手 | dolphindb1 | high |
| DolphinDB | 联系电话 | 133-0651-0479 | high |
| DolphinDB（联系信息卡片说明） | 公司名称/标识 | DolphinDB 智臾科技 | medium |
| DolphinDB（联系信息卡片说明） | 产品定位描述 | 基于高性能时序数据库、支持复杂分析与流式处理的实时计算平台 | low |
| DolphinDB（联系信息卡片说明） | 提供的联系信息类型 | 包含官方联系邮箱与官网链接（具体值未在文本中展开） | low |
| DolphinDB（联系信息卡片说明） | 办公地点 | 杭州、北京、上海等多个城市（未列出完整清单） | low |
| DolphinDB小助手 | 获取咨询方式 | 扫描二维码添加“DolphinDB小助手” | high |