tf keuangan kuantitas

TF Quant Finance: Perpustakaan Quant Finance berbasis TensorFlow

Daftar isi

1. Perkenalan
2. Instalasi
3. Pelatihan TensorFlow
4. Peta jalan pembangunan
5. Contoh
6. Berkontribusi
7. Perkembangan
8. Masyarakat
9. Penafian
10. Lisensi

Perkenalan

Library ini menyediakan komponen berperforma tinggi yang memanfaatkan dukungan akselerasi hardware dan diferensiasi otomatis TensorFlow. Library ini akan memberikan dukungan TensorFlow untuk metode matematika dasar, metode tingkat menengah, dan model penetapan harga tertentu. Cakupannya akan diperluas dalam beberapa bulan ke depan.

Perpustakaan disusun dalam tiga tingkatan:

1. Metode dasar . Metode matematika inti - optimasi, interpolasi, pencari akar, aljabar linier, pembuatan bilangan acak dan kuasi-acak, dll.

2. Metode tingkat menengah . Pemecah ODE & PDE, kerangka proses Ito, Generator Jalur Difusi, sampler Copula, dll.

3. Metode penetapan harga dan utilitas spesifik pembiayaan kuantitas lainnya . Model Penetapan Harga Tertentu (misalnya, Vol Lokal (LV), Vol Stochastic (SV), Vol Lokal Stochastic (SLV), Hull-White (HW)) dan kalibrasinya. Pembuatan kurva tarif, deskripsi pembayaran, dan pembuatan jadwal.

Kami bertujuan agar komponen perpustakaan mudah diakses di setiap level. Setiap lapisan akan disertai dengan banyak contoh yang dapat berjalan secara independen dari komponen tingkat yang lebih tinggi.

Instalasi

Cara termudah untuk memulai perpustakaan adalah melalui paket pip.

Perhatikan bahwa perpustakaan memerlukan Python 3.7 dan Tensorflow >= 2.7.

Pertama, silakan instal TensorFlow versi terbaru dengan mengikuti petunjuk instalasi TensorFlow. Misalnya, Anda dapat menginstal TensorFlow

pip3 install --upgrade tensorflow

Lalu lari

pip3 install --upgrade tf-quant-finance

Anda mungkin juga harus menggunakan opsi --user .

Pelatihan TensorFlow

Jika Anda belum mengenal TensorFlow, cara terbaik untuk memulainya adalah dengan pengenalan belajar mandiri tentang notebook TensorFlow berikut:

• Pengantar TensorFlow Bagian 1 - Dasar-dasar.
• Pengantar TensorFlow Bagian 2 - Debugging dan Aliran Kontrol.
• Pengantar TensorFlow Bagian 3 - Manipulasi Tensor Tingkat Lanjut.

Peta jalan pembangunan

Kami sedang berupaya memperluas cakupan perpustakaan. Area yang sedang dikembangkan secara aktif adalah:

• Proses Ito: Kerangka untuk mendefinisikan proses Ito. Mencakup metode pengambilan sampel jalur dari suatu proses dan untuk menyelesaikan persamaan Kolmogorov terbelakang yang terkait.
• Implementasi proses/model spesifik berikut:
  • Gerak Brown
  • Gerak Brown Geometris
  • Ornstein-Uhlenbeck
  • Model Hull-Putih Satu Faktor
  • Model Heston
  • Model volatilitas lokal.
  • Model Vol Lokal Kuadrat.
  • model SABR
• Kopula: Dukungan untuk mendefinisikan dan mengambil sampel dari kopula.
• Kalibrasi Model:
  • Dupire kalibrasi vol lokal.
  • Kalibrasi model SABR.
• Penyesuaian kurva tingkat: Algoritma Hagan-West untuk bootstrapping kurva hasil dan skema interpolasi Monotone Convex.
• Dukungan untuk tanggal, konvensi penghitungan hari, hari libur, dll.

Contoh

Lihat tf_quant_finance/examples/ untuk contoh menyeluruh. Ini termasuk buku catatan tutorial seperti:

• Penetapan harga Opsi Amerika berdasarkan model Black-Scholes
• Monte Carlo melalui Skema Euler
• Black Scholes: Harga dan Tersirat Vol
• Gradien mode Maju dan Mundur di TFF
• Pencarian root menggunakan metode Brent
• Optimasi
• Pemasangan Kurva Swap
• Vektorisasi dan kompilasi XLA

Tautan di atas akan membuka Jupyter Notebooks di Colab.

Berkontribusi

Kami sangat ingin berkolaborasi dengan Anda! Lihat CONTRIBUTING.md untuk panduan tentang cara berkontribusi. Proyek ini mematuhi kode etik TensorFlow. Dengan berpartisipasi, Anda diharapkan menjunjung tinggi kode ini.

Perkembangan

Bagian ini ditujukan untuk pengembang yang ingin menyumbangkan kode ke perpustakaan. Jika Anda hanya tertarik menggunakan perpustakaan, silakan ikuti petunjuk di bagian Instalasi.

Ketergantungan pembangunan

Perpustakaan ini memiliki dependensi berikut:

1. Bazel
2. Python 3 (Bazel menggunakan Python 3 secara default)
3. Versi TensorFlow >= 2.7
4. Versi Probabilitas TensorFlow antara v0.11.0 dan v0.12.1
5. Numpy versi 1.21 atau lebih tinggi
6. Attr
7. Kelas data (tidak diperlukan jika versi Python Anda >= 3.7)

Perpustakaan ini memerlukan sistem build Bazel. Silakan ikuti petunjuk instalasi Bazel untuk platform Anda.

Anda dapat menginstal TensorFlow dan dependensi terkait menggunakan perintah pip3 install :

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

Perintah yang umum digunakan

Kloning repositori GitHub:

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

Setelah kamu lari

 cd tf_quant_finance

Anda dapat menjalankan tes menggunakan perintah bazel test . Misalnya,

bazel test tf_quant_finance/math/random_ops/sobol:sobol_test

akan menjalankan tes di sobol_test.py .

Pengujian dijalankan menggunakan Python versi 3. Pastikan Anda dapat menjalankan import tensorflow di shell Python 3. Jika tidak, pengujian mungkin gagal.

Membangun paket pip khusus

Perintah berikut akan membuat paket pip khusus dari sumber dan menginstalnya:

 # 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

Masyarakat

1. Repositori GitHub: Laporkan bug atau buat permintaan fitur.

2. Blog TensorFlow: Ikuti terus konten terbaru dari tim TensorFlow dan artikel terbaik dari komunitas.

3. [email protected]: Buka milis untuk diskusi dan pertanyaan tentang perpustakaan ini.

4. Probabilitas TensorFlow: Library ini akan memanfaatkan metode dari TensorFlow Probability (TFP).

Penafian

Google tidak secara resmi mendukung produk ini. Perpustakaan ini sedang dalam pengembangan aktif, dan antarmuka dapat berubah kapan saja.

Lisensi

Perpustakaan ini dilisensikan di bawah lisensi Apache 2 (lihat LISENSI). Library ini menggunakan polinomial primitif Sobol dan nomor arah awal yang dilisensikan di bawah lisensi BSD.