2. 金融模型基础
在讨论多硬件兼容与回归测试之前，必须先建立对“被测试对象”的统一认知。金融模型并不是单一形态的软件，它同时具有业务语义、数学结构、工程实现和运行环境四个维度。理解这四个维度，才能判断同一模型在不同硬件上是否“等价”，以及回归测试究竟应该比对什么。
一、核心原理：三类金融模型的本质差异
金融模型按业务目标通常分为定价、风控与量化三类，它们的计算特征差异显著，直接决定了硬件加速策略。
- 定价模型：以衍生品估值为主，如 Black-Scholes、Heston、蒙特卡洛模拟、有限差分 PDE。核心是高频浮点运算与随机数生成，对双精度、并行度和内存带宽敏感。
- 风控模型：包括 VaR、CVaR、信用敞口、压力测试、CVA 等。特点是批量组合计算、场景矩阵庞大，常需在限定时间窗口内完成全量重估，对吞吐和批处理能力要求高。
- 量化模型：涵盖因子模型、统计套利、机器学习选股、时序预测。计算形态混合，既有矩阵运算，也有特征工程与推理，对低精度加速和流水线效率更敏感。
定价看“单点精度与路径数”，风控看“批量吞吐与场景覆盖”，量化看“特征吞吐与推理延迟”。三者对硬件的偏好并不一致，这是多硬件兼容测试必须分类设计用例的根本原因。
二、模型生命周期与部署形态
一个金融模型从研究到生产，通常经历研究原型、回测验证、生产部署、监控回归四个阶段。每个阶段对硬件的要求不同：研究阶段偏好灵活性与调试能力，生产阶段偏好确定性延迟与资源隔离。
部署形态主要分为三类：
- CPU 批处理：适合风控全量重估、日终定价，强调稳定与可审计。
- GPU 加速：适合蒙特卡洛、深度学习推理，强调大规模并行。
- 异构混合：CPU 负责调度与逻辑，GPU/FPGA 负责热点内核，常见于低延迟交易与实时风控。
部署形态一旦变化，数值路径、随机数序列、归约顺序都可能改变，从而引入微小但可累积的差异。回归测试的核心任务，就是判定这些差异是否在业务容忍范围内。
三、硬件加速需求与典型应用场景
不同模型对硬件的诉求可以通过一组关键指标来刻画：浮点精度、并行粒度、内存带宽、随机数质量、确定性要求。下表给出典型映射关系，可作为回归测试用例设计的输入。
| 模型类型 | 典型场景 | 关键硬件需求 | 回归关注点 |
|---|---|---|---|
| 定价（蒙特卡洛） | 期权估值、路径依赖产品 | GPU 并行、双精度、RNG 质量 | 路径数一致性、随机种子复现 |
| 定价（PDE） | 利率曲线、局部波动率 | 内存带宽、网格并行 | 网格收敛、边界条件一致 |
| 风控（VaR） | 日终全量重估、压力测试 | CPU 集群吞吐、批处理调度 | 场景覆盖、聚合顺序差异 |
| 风控（CVA） | 交易对手敞口实时计算 | 异构低延迟、FPGA 卸载 | 时间步对齐、插值误差 |
| 量化（因子） | 多因子选股、组合优化 | 矩阵运算、内存复用 | 排序稳定性、缺失值处理 |
| 量化（推理） | 时序预测、信号生成 | GPU/NPU、低精度推理 | 精度阈值、算子兼容性 |
四、误区与复盘：兼容性问题的常见来源
常见误区一：认为“数学公式相同，结果就应完全一致”。实际上，浮点归约顺序、并行粒度、随机数生成器实现差异都会导致末位偏差，进而在风控聚合中被放大。
常见误区二：只比对最终输出，忽略中间状态。定价模型的中间路径、风控的场景矩阵、量化的特征向量，都是定位硬件差异的关键观测点。
复盘一个典型场景：某团队将蒙特卡洛定价从 CPU 迁移到 GPU 后，单笔期权价格差异在 1e-6 量级，看似可接受。但在组合层面，由于路径归约顺序改变，组合 Greeks 出现 0.3% 的偏移，触发了风控阈值告警。最终定位到 GPU 归约树与 CPU 串行累加的浮点误差累积差异。
# 典型回归比对配置示例
tolerance:
price_abs: 1.0e-6
price_rel: 1.0e-8
greeks_abs: 1.0e-4
var_rel: 1.0e-3
compare_points:
- final_output
- intermediate_paths
- scenario_matrix
- feature_vector
hardware_targets:
- cpu_x86_64
- gpu_cuda
- gpu_rocm
- fpga_accel
建立“模型—硬件—精度—场景”四维矩阵，是后续章节设计多硬件兼容测试与回归基线的前提。先分类，再定容差，最后固化用例，才能让回归测试既灵敏又稳定。
综上，金融模型的类型决定了计算特征，生命周期决定了部署形态，部署形态又决定了硬件加速需求。只有把这三层关系梳理清楚，才能在后续的多硬件兼容与回归测试中，准确判断“差异是否可接受”，并设计出真正有效的测试基线。