有人说“金融市场是无情的”。
各种期权条款、市场股票数据，复杂、奇异、多资产的期权定价问题，大规模风险管理问题、多阶段投资组合问题、高频数据交易分析等等，当你了解的越多，越感受到金融市场的“无情”，它无法通过经验来判断，也难以仅凭理论来推导。
金融创新对计算的需求“超乎想象”
若要试图掌握金融市场的规律，需基于大规模历史数据的积累，通过相关软件及算法模型，依托大量的计算支撑，进行预测与研究。金融行业的效率提升及创新发展，对计算力的需求远超人们想象。而其中的“门道”可深了。
打个比方，如果要预估一个投资组合的风险值，需考虑各种参数的变化，金融系数、利率、汇率等因素都可能随时改变，这些变化会是一个巨大的组合。再乘上金融组合数，所需要的计算量非常之大。
同时，金融计算离不开数据、模型、计算平台和人。这四大要素中，数据排第一。金融时间序列是经济与金融领域中最重要的数据之一，根据历史规律及变化趋势对该类数据实现有效预测，对投资管理决策具有重要意义。而现有预测模型无法保留金融时间序列数据非线性、非平稳以及序列相关等复杂特征且无法捕获长期的时间依赖关系，如何基于较高精度的预测模型实现金融时间序列预测已成为提升金融投资机构资产管理能力的关键环节。
曙光计算服务助力金融时间序列研究
中国科学院科研团队针对常见软件包难以求解的非凸问题，设计高效求解算法，并基于异构计算实现并行加速。目前，该团队已实现大规模基金中基金（FundofFund，FOF）养老金资产配置模型和大规模RiskParity非凸投资组合优化模型的并行求解，可在短时间内实现投资组合权重快速计算，为FOF养老金产品以及投资决策的构建提供强有力的计算支撑。之后，该研究成果将结合实际业务场景需求，基于曙光计算服务平台实现代码移植，探索其在异构计算平台的科学性和可行性。
另一同样来自于中科院的团队将使用基于曙光提供的计算服务构建的金融时间序列预测模型（TiSeGAN）实现金融时间序列预测研究，选题具有极高的科学意义和应用前景。该模型针对资产收益时序数据非线性及非平稳的特征，基于经验模态分解（EmpiricalModeDe