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。

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

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