TF量化金融：基于TensorFlow的量化金融库（已归档）

[!重要] 本库已停止维护并被归档。如果您依赖于该库提供的功能，我们建议您将其fork到其他地方继续开发。

目录

1. 简介
2. 安装
3. TensorFlow训练
4. 开发路线图
5. 示例
6. 贡献
7. 开发
8. 社区
9. 免责声明
10. 许可证

简介

本库利用TensorFlow的硬件加速支持和自动微分功能，提供了高性能的组件。该库将为基础数学方法、中层方法以及特定定价模型提供TensorFlow支持。未来几个月内，我们将逐步扩大其覆盖范围。

库的结构分为三个层次：

1. 基础方法。 核心数学方法——优化、插值、求根算法、线性代数、随机及拟随机数生成等。

2. 中层方法。 ODE与PDE求解器、伊藤过程框架、扩散路径生成器、Copula采样器等。

3. 定价方法及其他量化金融专用工具。 特定定价模型（如局部波动率LV、随机波动率SV、随机局部波动率SLV、Hull-White HW模型）及其校准。利率曲线构建、收益描述和日程安排生成。

我们的目标是使库中的每个层次组件都易于访问。每一层都将附带大量示例，这些示例可以独立于更高级别的组件运行。

安装

开始使用本库最简单的方式是通过pip包管理器。

请注意，本库需要Python 3.7和TensorFlow >= 2.7。

首先，请按照TensorFlow安装指南安装最新版本的TensorFlow。例如，您可以运行以下命令来安装TensorFlow：

pip3 install --upgrade tensorflow

然后运行：

pip3 install --upgrade tf-quant-finance

您可能还需要使用--user选项。

TensorFlow训练

如果您不熟悉TensorFlow，可以从以下自学习的TensorFlow入门笔记本开始：

• TensorFlow入门第一部分——基础。
• TensorFlow入门第二部分——调试与控制流。
• TensorFlow入门第三部分——高级张量操作。

开发路线图

我们正在努力扩展库的功能覆盖范围。目前处于积极开发中的领域包括：

• 伊藤过程：用于定义伊藤过程的框架。 包括从过程中采样路径以及求解相关后向柯尔莫哥洛夫方程的方法。
• 实现以下特定过程/模型：
  • 布朗运动
  • 几何布朗运动
  • 奥恩斯坦-乌伦贝克过程
  • 单因子Hull-White模型
  • Heston模型
  • 局部波动率模型
  • 二次局部波动率模型
  • SABR模型
• Copulas：支持定义和采样Copula分布。
• 模型校准：
  • Dupire局部波动率校准
  • SABR模型校准
• 利率曲线拟合：Hagan-West算法用于收益率曲线构建，以及单调凸插值方案。
• 对日期、天数计算规则、节假日等的支持。

示例

请参阅tf_quant_finance/examples/，其中包含端到端示例。其中包括教程笔记本，例如：

• Black-Scholes模型下的美式期权定价
• 基于欧拉格式的蒙特卡洛模拟
• Black-Scholes：价格与隐含波动率
• TFF中的前向和后向模式梯度
• 使用Brent方法求根
• 优化
• 互换曲线拟合
• 向量化与XLA编译

以上链接将在Colab中打开Jupyter笔记本。

贡献

我们非常期待与您的合作！请参阅CONTRIBUTING.md，了解如何贡献代码。本项目遵循TensorFlow的行为准则。参与时，您应遵守该准则。

开发

本节面向希望为库贡献代码的开发者。如果您只是想使用该库，请按照安装部分的说明进行操作。

开发依赖项

该库具有以下依赖项：

1. Bazel
2. Python 3（Bazel 默认使用 Python 3）
3. TensorFlow 版本 ≥ 2.7
4. TensorFlow Probability 版本介于 v0.11.0 和 v0.12.1 之间
5. Numpy 版本 1.21 或更高
6. Attrs
7. Dataclasses（如果您的 Python 版本 ≥ 3.7，则不需要）

该库需要使用 Bazel 构建系统。请按照适用于您平台的 Bazel 安装说明 进行安装。

您可以使用 pip3 install 命令安装 TensorFlow 及相关依赖项：

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

常用命令

克隆 GitHub 仓库：

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

运行

cd tf_quant_finance

之后，您可以使用 bazel test 命令执行测试。例如，

bazel test tf_quant_finance/math/random_ops/sobol:sobol_test

将运行位于 sobol_test.py 中的测试。

测试使用 Python 3 版本运行。请确保您可以在 Python 3 的交互式 shell 中成功执行 import tensorflow。否则，测试可能会失败。

构建自定义 pip 包

以下命令将从源代码构建自定义 pip 包并将其安装：

# sudo apt-get install bazel git python python-pip rsync # 适用于 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

社区

1. GitHub 仓库：报告错误或提出功能请求。
2. TensorFlow 博客：及时了解 TensorFlow 团队的内容以及社区中的优秀文章。
3. tf-quant-finance@googlegroups.com：用于讨论和提问的开放邮件列表。
4. TensorFlow Probability：该库将利用来自 TensorFlow Probability (TFP) 的方法。

免责声明

Google 不正式支持本产品。该库目前处于积极开发中，接口可能会随时发生变化。

许可证

本库采用 Apache 2 许可证授权（参见 LICENSE）。本库使用 Sobol 原始多项式和初始方向数，这些内容采用 BSD 许可证授权。

tf-quant-finance 快速上手指南

⚠️ 重要提示：该库已停止维护并归档（ARCHIVED）。如果您依赖此库的功能，建议 Fork 该项目并在其他地方继续开发。以下内容仅作为历史版本的使用参考。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需配置相应 Python 环境)
• Python 版本：>= 3.7
• 核心依赖：
  • TensorFlow >= 2.7
  • (可选开发依赖) Bazel, NumPy >= 1.21, TensorFlow Probability (v0.11.0 - v0.12.1)

国内加速建议：由于该库托管于 Google 相关生态，国内用户在安装 TensorFlow 或访问 Colab 示例时可能会遇到网络问题。建议使用国内镜像源安装基础依赖，或通过代理工具加速连接。

安装步骤

最便捷的方式是通过 pip 进行安装。

1. 安装/升级 TensorFlow

首先安装或升级 TensorFlow 至最新版本（推荐使用国内镜像源加速）：

pip3 install --upgrade tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 tf-quant-finance

接着安装量化金融库：

pip3 install --upgrade tf-quant-finance -i https://pypi.tuna.tsinghua.edu.cn/simple

注：如果遇到权限问题，请在命令末尾添加 --user 参数。

基本使用

该库提供了从基础数学方法到具体定价模型的三层架构。以下是一个最简单的使用示例，演示如何利用该库计算 Black-Scholes 模型下的期权价格。

您可以直接在 Python 脚本或 Jupyter Notebook 中运行以下代码：

import tensorflow as tf
import tf_quant_finance as tff

# 定义市场参数
spots = tf.constant([100.0])       # 标的资产现价
strikes = tf.constant([100.0])     # 行权价
expiries = tf.constant([1.0])      # 到期时间 (年)
volatilities = tf.constant([0.2])  # 波动率
rates = tf.constant([0.05])        # 无风险利率
dividends = tf.constant([0.0])     # 股息率

# 调用 Black-Scholes 定价引擎
prices = tff.black_scholes.option_price(
    volatilities=volatilities,
    spots=spots,
    strikes=strikes,
    expiries=expiries,
    rates=rates,
    dividends=dividends
)

# 输出结果
print("Option Price:", prices.numpy())

更多学习资源

由于库已归档，官方 Colab 链接可能加载缓慢或失效。建议查看本地安装后的示例目录获取完整教程：

• 路径：tf_quant_finance/examples/jupyter_notebooks/
• 包含内容：美式期权定价、蒙特卡洛模拟、利率曲线构建等端到端示例。