在现代的金融自动化交易系统中最核心模块主要是策略模块与风险量化模块,其中策略量化模块目前多利用风险价值(VaR)来作为相应资产组合风险量化的工具。VaR是否能有效实现风险的量化又取决于风险模型本身的可靠性与其算法的高效实现。风险模型用于描述对象金融产品价格波动的随机过程,其中关键在于确定价格波动的相关性亦或记忆性。不过各种的金融产品记忆性的时间维度各不相同,有的在短期存在记忆性,而有的则在长期存在记忆性。根据投资者交易频率的不同,短期或长期的记忆性对于价格波动的影响程度也各异。由于国内股票交易市场基本是按日线T+1交易,故而日间的长期记忆性分析对于相应金融产品的风险量化意义重大。本文则利用基于重标极差法计算的Hurst指数来创业板355支股票时间序列的长期记忆性。经过本文计算发现创业板股票都存在长期记忆性,并且有超过87%的股票Hurst指数处在[0.66,0.71]范围内。因而在利用VaR来量化相应金融产品风险时,可以利用上述长期记忆性来优化相应风险因子的风险模型。风险模块的高效实现主要目的是相比于竞争对手能更快的发现风险,尽早做出反应降低损失。在VaR实际计算中,基于Monte Carlo模拟的方法因为其计算成本的高昂,限制了其在大规模资产风险量化中的应用。本文针对此点,结合近些年来逐渐在超级计算领域流行的协处理器提出了基于CPU+MIC异构高性能平台来加速Monte Carlo模拟的计算过程。经过优化努力,CPU+MIC异构高性能平台相比于原来CPU单线程程序加速9.12倍。此将大幅提高投资者对风险的反应速度。