tf finanzas cuantitativas

TF Quant Finance: Biblioteca Quant Finance basada en TensorFlow

Tabla de contenido

1. Introducción
2. Instalación
3. Entrenamiento TensorFlow
4. Hoja de ruta de desarrollo
5. Ejemplos
6. Contribuyendo
7. Desarrollo
8. Comunidad
9. Descargos de responsabilidad
10. Licencia

Introducción

Esta biblioteca proporciona componentes de alto rendimiento que aprovechan el soporte de aceleración de hardware y la diferenciación automática de TensorFlow. La biblioteca proporcionará soporte de TensorFlow para métodos matemáticos fundamentales, métodos de nivel medio y modelos de precios específicos. La cobertura se ampliará durante los próximos meses.

La biblioteca está estructurada en tres niveles:

1. Métodos fundacionales . Métodos matemáticos básicos: optimización, interpolación, buscadores de raíces, álgebra lineal, generación de números aleatorios y cuasi aleatorios, etc.

2. Métodos de nivel medio . Solucionadores de ODE y PDE, marco de proceso Ito, generadores de ruta de difusión, muestreadores de cópula, etc.

3. Métodos de fijación de precios y otras utilidades específicas de financiación cuantitativa . Modelos de precios específicos (por ejemplo, Vol local (LV), Vol estocástico (SV), Vol estocástico local (SLV), Hull-White (HW)) y su calibración. Construcción de curvas de tarifas, descripciones de pagos y generación de cronogramas.

Nuestro objetivo es que los componentes de la biblioteca sean fácilmente accesibles en cada nivel. Cada capa irá acompañada de muchos ejemplos que pueden ejecutarse independientemente de los componentes de nivel superior.

Instalación

La forma más sencilla de comenzar con la biblioteca es mediante el paquete pip.

Tenga en cuenta que la biblioteca requiere Python 3.7 y Tensorflow >= 2.7.

Primero, instale la versión más reciente de TensorFlow siguiendo las instrucciones de instalación de TensorFlow. Por ejemplo, podrías instalar TensorFlow

pip3 install --upgrade tensorflow

Entonces corre

pip3 install --upgrade tf-quant-finance

Quizás también tengas que usar la opción --user .

Entrenamiento TensorFlow

Si no está familiarizado con TensorFlow, un excelente lugar para comenzar es con la siguiente introducción de autoaprendizaje a los cuadernos de TensorFlow:

• Introducción a TensorFlow Parte 1: Conceptos básicos.
• Introducción a TensorFlow Parte 2: Depuración y control de flujo.
• Introducción a TensorFlow Parte 3: Manipulación avanzada de tensores.

Hoja de ruta de desarrollo

Estamos trabajando para ampliar la cobertura de la biblioteca. Las áreas en desarrollo activo son:

• Procesos Ito: Marco para la definición de procesos Ito. Incluye métodos para muestrear rutas de un proceso y para resolver la ecuación de Kolmogorov hacia atrás asociada.
• Implantación de los siguientes procesos/modelos específicos:
  • Movimiento browniano
  • Movimiento browniano geométrico
  • Ornstein-Uhlenbeck
  • Modelo de casco blanco de un factor
  • modelo heston
  • Modelo de volatilidad local.
  • Modelo cuadrático de volumen local.
  • modelo SABR
• Cópulas: Soporte para definir y muestrear a partir de cópulas.
• Calibración del modelo:
  • Dupire calibración de volumen local.
  • Calibración del modelo SABR.
• Ajuste de la curva de tipos: algoritmo de Hagan-West para el arranque de la curva de tipos y el esquema de interpolación monótono convexo.
• Soporte para fechas, convenciones de conteo de días, feriados, etc.

Ejemplos

Consulte tf_quant_finance/examples/ para ver ejemplos de un extremo a otro. Incluye cuadernos tutoriales como:

• Precios de opciones americanas según el modelo Black-Scholes
• Montecarlo a través del esquema Euler
• Black Scholes: precio y volumen implícito
• Gradientes de modo hacia adelante y hacia atrás en TFF
• Búsqueda de raíces mediante el método de Brent.
• Mejoramiento
• Intercambiar ajuste de curva
• Vectorización y compilación XLA.

Los enlaces anteriores abrirán Jupyter Notebooks en Colab.

Contribuyendo

¡Estamos ansiosos por colaborar con usted! Consulte CONTRIBUTING.md para obtener una guía sobre cómo contribuir. Este proyecto se adhiere al código de conducta de TensorFlow. Al participar, se espera que respete este código.

Desarrollo

Esta sección es para desarrolladores que desean contribuir con código a la biblioteca. Si solo está interesado en utilizar la biblioteca, siga las instrucciones en la sección Instalación.

Dependencias de desarrollo

Esta biblioteca tiene las siguientes dependencias:

1. Bazel
2. Python 3 (Bazel usa Python 3 de forma predeterminada)
3. Versión de TensorFlow >= 2.7
4. Versión de probabilidad de TensorFlow entre v0.11.0 y v0.12.1
5. Numpy versión 1.21 o superior
6. atributos
7. Clases de datos (no necesarias si su versión de Python >= 3.7)

Esta biblioteca requiere el sistema de compilación Bazel. Siga las instrucciones de instalación de Bazel para su plataforma.

Puede instalar TensorFlow y las dependencias relacionadas usando el comando pip3 install :

pip3 install --upgrade tf-nightly tensorflow-probability==0.12.1 numpy==1.21 attrs dataclasses

Comandos de uso común

Clona el repositorio de GitHub:

git clone https://github.com/google/tf-quant-finance.git

después de correr

 cd tf_quant_finance

puede ejecutar pruebas usando el comando bazel test . Por ejemplo,

bazel test tf_quant_finance/math/random_ops/sobol:sobol_test

ejecutará pruebas en sobol_test.py.

Las pruebas se ejecutan con Python versión 3. Asegúrese de poder ejecutar import tensorflow en el shell de Python 3. De lo contrario, las pruebas podrían fallar.

Construyendo un paquete pip personalizado

Los siguientes comandos crearán un paquete pip personalizado desde el código fuente y lo instalarán:

 # sudo apt-get install bazel git python python-pip rsync # For Ubuntu.
git clone https://github.com/google/tf-quant-finance.git
cd tf-quant-finance
bazel build :build_pip_pkg
./bazel-bin/build_pip_pkg artifacts
pip install --user --upgrade artifacts/ * .whl

Comunidad

1. Repositorio de GitHub: informe errores o realice solicitudes de funciones.

2. Blog de TensorFlow: manténgase actualizado sobre el contenido del equipo de TensorFlow y los mejores artículos de la comunidad.

3. [email protected]: lista de correo abierta para debates y preguntas sobre esta biblioteca.

4. TensorFlow Probability: esta biblioteca aprovechará los métodos de TensorFlow Probability (TFP).

Descargos de responsabilidad

Google no admite oficialmente este producto. Esta biblioteca está en desarrollo activo y las interfaces pueden cambiar en cualquier momento.

Licencia

Esta biblioteca tiene la licencia Apache 2 (ver LICENCIA). Esta biblioteca utiliza polinomios primitivos de Sobol y números de dirección iniciales que tienen la licencia BSD.