有做空的必然也有承接盘， 特别是像课程表这类大盘股，除了部分做空机构会做多对冲风险外，还有国家队、大机构以及一些券商们，都在趁着做空机构发布看空的时候，悄悄吸筹。
这也导致了课程表股价在200元左右反复拉扯，一会跌破了200港元，一会又被做多的拉到了210。
总之这场突如其来的金融暗战，课程表团队沦为了看客，或者并未主动参与其郑
3月14日-15日，人大选举产生了新一届的国家领导班子。
随着新一届领导班子的诞生，此届人大会议也渐渐进入了尾声。
与此同时，申城交大那边的cUdA决赛个人赛也已经结束，只剩下最后一组团队赛还未进行评审。
“今已经有了两组选择了量化交易，看来你们对这个领域是非常看好啊”
张明拿起话筒，笑呵呵道。
从上午的个人赛到下午的团队赛，整整一，他也见识到了不少技术高手。
特别是团队赛这边，除了之前的两组选择了量化交易系统外，还有团队做出了跨境金融数据实时并行分析与风险预警系统。
这都还能理解，毕竟金融领域对于计算的需求一直都比较旺盛，而当看到计算机与医学结合的ct影像系统时，还是超出了他的预期。
他根本就没想到学生团队能把GpUdirect技术与医疗重建算法融合得这么成熟，这完全达到了商用级。
看来这次大赛还真是炸出了不少牛人了。
崔意团队将提交物上交，包含了系统完整可运行原型、技术白皮书、性能检测报告以及1年历史数据回测报告和商业白皮书。
随着cUdA组委会的工作人员开始针对系统进行技术测试，重点检查超高频行情优化。
“你的技术白皮书上可以支持45万笔\/秒的行情处理？”
“是的，老师”
“是最高承压45万？还是稳定支持这个数？”
张明继续问道。
“稳定运行40万笔\/秒，高并发处理可以达到45万笔\/秒”
崔意回道。
“今关于量化交易这块，你们的数据是最高的，请问你们的系统如何基于cUdA 5实现45 万笔\/秒的高并发处理？相比cpU集群，GpU优化的核心突破点在哪里？”
“核心通过三层cUdA优化实现高并发”
他沉思数秒，开始作答。
“一是利用动态并行技术，主内核根据行情类型自主启动子内核，如套利策略子内核、数据清洗子内核，无需cpU调度，减少上下文切换耗时”
“二是针对Fermi架构优化线程布局，线程块设为256，适配32线程arp特性，共享内存按数据类型分区缓存，避免bank conflict，内存带宽利用率提升至78%”
“三是通过GpU流，实现数据预处理与策略计算异步并行，隐藏数据传输延迟”
“突破点呢？”
张明记录下选手的回答，接着问道。
这个问题比较简单，崔意只是略做思考，便给出了答案。
“相比cpU集群，核心突破点在单节点效率”
“cpU集群依赖节点间通信，延迟高且易出现负载不均，而我们的双GpU协同方案，可以通过cUdA memcpypeer实现GpU间直接数据传输，单节点处理能力达cpU集群8节点水平，且硬件成本仅为其1\/3”
“Fermi m2090GpU显存仅4Gb，如何支撑45万笔\/秒行情的实时存储与计算，又避免显存溢出？”
“我们采用三级内存分层管理方案解决显存瓶颈”
崔意思路片刻，继续答道。
“首先是常量内存存储策略参数，如套利阈值、VAR系数，这些不会超过128mb”
“其次是共享内存缓存高频访问的行情数据，单线程块分配32Kb，总占用不超过2Gb”
“最后是全局内存仅存储核心计算结果与待处理行情，通过异步清理机制释放无效数据，显存占用稳定控制在3.2Gb以内”
“嗯，明白了，我没有问题了”
张明听完了他的作答，点零头。
其实关于cUdA平台的技术要点也就这么多，无非就是看你会不会运用，能运用到什么程度。
随着技术问答结束，关于商业落地性的提问又开始了。
“如果验证通过，请问你们跟国际量化机构的核心差距在哪？”
杨静轻咳一声，问道。
“主要是硬件跟数据”
“分别陈述一下吧”
“硬件这块，机构采用FpGA+GpU集群，延迟达微秒级，而我们的GpU方案延迟为毫秒级，无法覆盖超高频场景”
“数据方面，机构可获取付费Level-3行情，而我们目前用的是免费的Level-2行情，数据颗粒度略粗”
崔意答道。
“你的意思是只要硬件跟上，再加上数据升级，你的这套系统就可以落地商业化？”
杨静沉吟片刻问道。
“不止”
“还需要券商合作以及完成合规备案”
“我们需要获取机构级交易通道，降低交易成本，同时也需要在金融监管那边对接风控接口”
“oK”
随着提问的结束，所有饶目光都聚焦在工作人员的测试屏幕上，等待最终验证结果，确认系统是否真能稳定触及45万笔 \/ 秒的行情处理能力。
崔意看着指导老师以及金融专业的队友们，递过去一个放心的眼神。
虽然今已经有两组选择了量化交易，但从交易行情处理上看，无疑是他们浙大这组的优势更明显。
另外两组的处理能力只能是高校水准，而他们已经达到了中私募的水平，距离顶级机构还有差距，但这个差距并非单纯的技术原因。
而是现实条件的制约。
除了之前提到的硬件与数据的两个原因外，最大的制约条件就是他们是学生团队，无法像专业机构那样做到7*24时的工程化迭代。
王卓是在晚上收到了相关邮件。
对于此次没能亲自到场参加，真的，还是挺遗憾的。
翻看着关于此次的获奖名单，他不由得将目光移到了交大获奖团队身上。
影视渲染与游戏引擎优化系统！！！
这特么是个现金奶牛啊！
投资做影视或许赚钱，但不稳定。
可帮这些影视公司做特效，那是稳赚不赔。
另外游戏引擎的优化也是一块不的市场，特别是手游马上就要迎来爆发，到时候肯定会诞生无数游戏厂商，可这些公司是无法单独开发游戏引擎的。
一旦将这个团队收编，依托课程表的资金和客户资源，深耕影视渲染与手游引擎优化，届时每年最少也能贡献数亿利润，妥妥的现金奶牛！
这场决赛还真有惊喜啊！
喜欢重生一年，家里资产破亿请大家收藏：(m.37kanshu.com)重生一年，家里资产破亿三七看书网更新速度最快。