finanças quantitativas tf

TF Quant Finance: Biblioteca Quant Finance baseada em TensorFlow

Índice

1. Introdução
2. Instalação
3. Treinamento TensorFlow
4. Roteiro de desenvolvimento
5. Exemplos
6. Contribuindo
7. Desenvolvimento
8. Comunidade
9. Isenções de responsabilidade
10. Licença

Introdução

Esta biblioteca fornece componentes de alto desempenho aproveitando o suporte de aceleração de hardware e a diferenciação automática do TensorFlow. A biblioteca fornecerá suporte do TensorFlow para métodos matemáticos básicos, métodos de nível médio e modelos de precificação específicos. A cobertura será ampliada nos próximos meses.

A biblioteca está estruturada em três níveis:

1. Métodos fundamentais . Métodos matemáticos básicos - otimização, interpolação, localizadores de raízes, álgebra linear, geração de números aleatórios e quase aleatórios, etc.

2. Métodos de nível médio . Solucionadores ODE e PDE, estrutura de processo Ito, geradores de caminho de difusão, amostradores de cópula, etc.

3. Métodos de precificação e outros serviços públicos específicos de financiamento quantitativo . Modelos específicos de Pricing (ex., Vol Local (LV), Vol Estocástico (SV), Vol Estocástico Local (SLV), Hull-White (HW)) e sua calibração. Construção de curva de taxas, descrições de payoffs e geração de cronograma.

Nosso objetivo é que os componentes da biblioteca sejam facilmente acessíveis em cada nível. Cada camada será acompanhada por muitos exemplos que podem ser executados independentemente de componentes de nível superior.

Instalação

A maneira mais fácil de começar a usar a biblioteca é por meio do pacote pip.

Observe que a biblioteca requer Python 3.7 e Tensorflow >= 2.7.

Primeiro, instale a versão mais recente do TensorFlow seguindo as instruções de instalação do TensorFlow. Por exemplo, você pode instalar o TensorFlow

pip3 install --upgrade tensorflow

Então corra

pip3 install --upgrade tf-quant-finance

Talvez você também precise usar a opção --user .

Treinamento TensorFlow

Se você não estiver familiarizado com o TensorFlow, um excelente lugar para começar é com a seguinte introdução de auto-estudo aos notebooks do TensorFlow:

• Introdução ao TensorFlow Parte 1 – Noções básicas.
• Introdução ao TensorFlow Parte 2 - Depuração e controle de fluxo.
• Introdução ao TensorFlow Parte 3 - Manipulação avançada de tensor.

Roteiro de desenvolvimento

Estamos trabalhando para ampliar a cobertura da biblioteca. As áreas em desenvolvimento ativo são:

• Processos Ito: Estrutura para definição de processos Ito. Inclui métodos para amostragem de caminhos de um processo e para resolver a equação de Kolmogorov inversa associada.
• Implementação dos seguintes processos/modelos específicos:
  • Movimento Browniano
  • Movimento Browniano Geométrico
  • Ornstein-Uhlenbeck
  • Modelo casco-branco de um fator
  • Modelo Heston
  • Modelo de volatilidade local.
  • Modelo Quadrático Vol Local.
  • Modelo SABR
• Cópulas: Suporte para definição e amostragem de cópulas.
• Calibração do modelo:
  • Calibração vol local Dupire.
  • Calibração do modelo SABR.
• Ajuste da curva de taxas: algoritmo Hagan-West para inicialização da curva de juros e esquema de interpolação Monotone Convex.
• Suporte para datas, convenções de contagem de dias, feriados, etc.

Exemplos

Consulte tf_quant_finance/examples/ para exemplos completos. Inclui cadernos de tutoriais como:

• Preços de opções americanas sob o modelo Black-Scholes
• Monte Carlo via esquema de Euler
• Black Scholes: preço e volume implícito
• Gradientes de modo para frente e para trás em TFF
• Pesquisa raiz usando o método de Brent
• Otimização
• Trocar ajuste de curva
• Vetorização e compilação XLA

Os links acima abrirão Jupyter Notebooks no Colab.

Contribuindo

Estamos ansiosos para colaborar com você! Consulte CONTRIBUTING.md para obter um guia sobre como contribuir. Este projeto segue o código de conduta do TensorFlow. Ao participar, espera-se que você cumpra este código.

Desenvolvimento

Esta seção é para desenvolvedores que desejam contribuir com código para a biblioteca. Se você estiver interessado apenas em usar a biblioteca, siga as instruções na seção Instalação.

Dependências de desenvolvimento

Esta biblioteca possui as seguintes dependências:

1. Bazel
2. Python 3 (Bazel usa Python 3 por padrão)
3. Versão do TensorFlow >= 2.7
4. Versão de probabilidade do TensorFlow entre v0.11.0 e v0.12.1
5. Numpy versão 1.21 ou superior
6. Atributos
7. Dataclasses (não necessárias se sua versão Python >= 3.7)

Esta biblioteca requer o sistema de compilação Bazel. Siga as instruções de instalação do Bazel para sua plataforma.

Você pode instalar o TensorFlow e dependências relacionadas usando o comando pip3 install :

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

Comandos comumente usados

Clone o repositório GitHub:

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

Depois de correr

 cd tf_quant_finance

você pode executar testes usando o comando bazel test . Por exemplo,

bazel test tf_quant_finance/math/random_ops/sobol:sobol_test

executará testes em sobol_test.py .

Os testes são executados usando Python versão 3. Certifique-se de que você pode executar import tensorflow no shell do Python 3. Caso contrário, os testes poderão falhar.

Construindo um pacote pip personalizado

Os comandos a seguir criarão um pacote pip personalizado a partir do código-fonte e o instalarão:

 # 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

Comunidade

1. Repositório GitHub: relate bugs ou faça solicitações de recursos.

2. Blog do TensorFlow: mantenha-se atualizado sobre o conteúdo da equipe do TensorFlow e os melhores artigos da comunidade.

3. [email protected]: Lista de discussão aberta para discussão e perguntas desta biblioteca.

4. Probabilidade do TensorFlow: esta biblioteca aproveitará métodos do TensorFlow Probability (TFP).

Isenções de responsabilidade

O Google não oferece suporte oficial a este produto. Esta biblioteca está em desenvolvimento ativo e as interfaces podem mudar a qualquer momento.

Licença

Esta biblioteca está licenciada sob a licença Apache 2 (consulte LICENÇA). Esta biblioteca usa polinômios primitivos Sobol e números de direção iniciais que são licenciados sob a licença BSD.