金融量化科学计算最佳实践
产品
解决方案
文档与社区
免费试用
定价
云市场
合作伙伴
支持与服务
了解阿里云
备案
控制台
登录/注册
<< 返回机器学习平台PAI官网
金融量化科学计算最佳实践
金融量化科学计算大量依赖 NumPy、pandas 等库来处理数据。数据科学家们运用符合直觉的处理方式来分析数据和提炼有用信息。然而，大量的金融量化数据在大规模计算上常常遇到性能瓶颈。本最佳实践将为大家带来如何基于PAI-DSW、Mars和PAI-Eflops进行大规模科学计算的加速。
立即尝试
使用文档
查看定价
立即购买
合作咨询
业务特点
方案优势
使用场景
使用步骤
金融量化业务特点
金融量化科学计算大量依赖 Numpy、pandas 等库来处理数据，NumPy、pandas 等库使用方便，它们使得用户可以将注意力放在数据本身，运用符合直觉的处理方式来分析数据和提炼有用信息。 然而，金融量化数据有几个特点
数据计算量大
数据计算量大，如高频交易数据可能产生大量的数据
对性能要求高
对性能要求高，时间就是金钱，任何的计算的延迟导致的可能是金钱的损失
开发资源不够集中
数据量大，工程化开发成本高，开发资源不能集中精力在数据分析和处理上
方案优势
敏捷开发
Mars 本身和 NumPy 和 pandas API 兼容，用户只需要很小的改动可使用
性能加速
Mars 单机可以相比 NumPy、pandas 提升4倍左右性能，还可以利用分布式和 GPU 硬件的方式来进一步加速
操作便捷
PAI-DSW 交互式建模和 Mars 深度集成，用户在 PAI-DSW 中可以直接使用 Mars
敏捷开发
性能加速
操作便捷
