金融科技科学计算【免费下载链接】tf-quant-financeHigh-performance TensorFlow library for quantitative finance.项目地址https://gitcode.com/gh_mirrors/tf/tf-quant-finance点击查看免费下载本文是 tf-quant-financeTFF实验性定价平台中市场数据模块的技术指南核心讲解ProcessedMarketData接口的字典实现MarketDataDict读者将掌握如何用嵌套 Python 字典描述利率曲线、历史 Fixings、波动率曲面/立方体与权益资产价格理解curve_config/volatility_config中插值方法、Day Count 与营业日约定等配置项的实际语义并能结合源码与测试用例编写可被定价引擎直接消费的市场数据。一、背景ProcessedMarketData 接口与 MarketDataDict 实现TFF 定价平台中ProcessedMarketData是定价库消费的市场数据快照抽象接口定义在 processed_market_data.py 中。该对象包含工具定价所需的最小数据集已校准的利率曲线calibrated curves、波动率曲面volatility surfaces以及历史 Fixings。接口约定如下能力date/time市场数据快照的日期与时间yield_curve(curve_type)按曲线类型返回收益率曲线对象fixings(date, fixing_type)返回指定日期的历史市场利率 Fixings 及 Day Count 约定spot(currency, asset, date)资产的即期价格volatility_surface(currency, asset)资产的波动率曲面对象forward_curve(currency, asset)资产价格的远期曲线当前版本为占位实现supported_currencies/supported_assets/dtype支持币种、资产与浮点 dtype。MarketDataDict是上述接口的一种具体实现位于 market_data_impl.py。用户只需把市场数据组织成嵌套字典传入构造函数即可无需手动构造曲线与曲面对象from tf_quant_finance.experimental.pricing_platform.framework import market_data as md market md.MarketDataDict( market_data_dictmy_dict, dtypetf.float64) # dtype 可选默认 tf.float64构造函数内部会读取字典中的reference_date并转换为DateTensor见 market_data_impl.py。dtype默认tf.float64所有 float 型 Tensor 均按此精度计算。注意文档与接口均处于开发阶段可能随版本演进发生变化使用时请以当前仓库代码为准。二、市场数据字典的整体结构字典的每个顶层键对应一个资产类别rate、equity、commodity 等当前规范覆盖rates利率与equities权益两类另有reference_date表示数据快照日期。完整骨架如下{ # 利率市场数据顶层为币种 rates: { USD: { curves: { ... }, # 该币种的利率曲线 historical_fixings: { ... }, # 历史 Fixings volatility_cube: { ... } # 波动率立方体 } }, # 权益市场数据顶层为币种 equities: { USD: { GOOG: { ... } # 具体标的 } }, # 快照日期 reference_date: date }MarketDataDict暴露supported_currencies属性它会遍历rates下的所有键只保留那些同时出现在currencies.Currency枚举中的币种见 market_data_impl.py。类似地supported_assets从equities[currency]的键中去掉币种名后即为资产列表market_data_impl.py。这意味着资产键名不应与币种名冲突。三、Rates 市场数据规范rates的顶层键是币种名如USD。每个币种下挂三类数据curves、historical_fixings与volatility_cube。3.1 curves利率曲线curves是一个字典包含定价所需的全部曲线规格。可用键名取自RateIndexTypeproto 的字段名见 rate_indices.proto当前支持 OIS、SOFR、SONIA、ESTER、SARON、LIBOROVERNIGHT/1W/1M/3M/6M/1Y、EURIBOR、STIBOR 等指数类型。此外必须提供risk_free_curve它是默认的贴现discounting曲线。每条曲线通过贴现因子discount factors与对应日期表示文档注明未来将补充相对日期rdates的替代方案。示例curves: { # 默认贴现曲线 risk_free_curve: { # 升序排序的日期 Tensor dates: [date1, date2], # 贴现因子 discounts: [discount1, discount2], # 插值配置 config: curve_config }, LIBOR_3M: { dates: [date1, date2], discounts: [discount1, discount2], # Fixing 来源 fixings_source: LIBOR_3M, # 插值配置 config: curve_config } }若需要新增缺失的曲线类型只需在RateIndexType中增加新字段即可。从源码看yield_curve(curve_type)的取值逻辑是当传入RiskFreeCurve时固定取键risk_free_curve否则取curve_type.index.type.namemarket_data_impl.py并对不支持的币种抛出ValueError、对缺失曲线抛出KeyError。曲线数据随后被包装为RateCurve对象rate_curve.py该对象提供discount_factor、discount_rate、forward_rate等估值接口。RateCurve内部的日期到时间转换使用曲线的daycount_convention插值默认发生在贴现因子空间interpolate_ratesTrue时等价于对贴现率空间插值后指数还原细节见discount_factor/discount_rate实现rate_curve.py。3.2 historical_fixings历史 Fixings每个曲线索引可通过fixing_dates、fixing_rates与fixing_daycount提供历史 Fixingshistorical_fixings: { LIBOR_3M: { # 升序排序的 Fixing 日期 Tensor fixing_dates: [fixing_date1, fixing_date2, fixing_date3], # Fixing 利率以年化单利annualized simple rates表示 fixing_rates: [rate1, rate2, rate3], # Fixing 的 Day Count必须是 core.DayCountConventions 之一 # 一旦指定了 fixings 则必须提供 fixing_daycount: ACTUAL_360, # 营业日约定 business_convention: FOLLOWING, # 假日日历 holiday_calendar: US } }语义要点见 market_data_impl.py 的fixings()实现若某曲线未提供 fixings 数据则任何日期的 Fixing 视为 0源码中返回全零 Tensor 与Nonedaycount否则 Fixings 被当作时间的左连续分段常数函数left-continuous piecewise-constantfixing_dates未覆盖的日期取最近一个已提供值实现通过tf.searchsorted在升序 fixing_dates 中定位查询日期并tf.gather取出对应 Fixing 值若提供了fixing_dates/fixing_rates却缺少fixing_daycount会抛出ValueError。3.3 volatility_cube波动率立方体volatility_cube容纳不同波动率立方体类型例如 SWAPTION 或 CAP文档注明立方体类型尚未标准化属 TODO 项。每个立方体包含期权到期、Swap 期限、Strikes 与对应隐含波动率volatility_cube: { SWAPTION: { # 期权到期日 expriries: [date1, date2], # 每个到期日对应的 Swap 期限二维数组 # 每行末尾值可重复表示期限网格边界 tenors: 2d array, # 与每个 tenors 条目对应的 Strikes三维数组 strikes: 3d array, # 与每个 strikes 条目对应的隐含波动率三维数组 implied_volatilities: 3d array, # 插值配置 config: volatility_config }, CAP: { ... } }四、Equities 市场数据规范equities的顶层是币种名其下是各标的如GOOG。每个标的必须提供spot_price与volatility_surface可选提供historical_spots历史价格equities: { USD: { GOOG: { spot_price: 1700, historical_spot_prices: { dates: [date1, date2], values: [price1, price2] }, currency: USD, volatility_surface: { dates: [date1, date2], # 每个日期对应的 Strikes二维数组每行末尾值可重复例如 # [[1650, 1700, 1750, 1800, 1800], # [1650, 1700, 1750, 1770, 1790]] strikes: 2d array, # 与日期和 Strikes 对应的隐含波动率二维数组 implied_volatilities: 2d array, # 插值配置 config: volatility_config } } } }从源码看MarketDataDict.spot()按币种/资产列表逐项取spot_price并转为self._dtypevolatility_surface()则逐资产收集dates、strikes、implied_volatilities利用math.pad对齐不同资产的网格后构造VolatilitySurface对象market_data_impl.py。若资产缺失或未提供volatility_surface会分别抛出ValueError。VolatilitySurfacevolatility_surface.py内部将到期日期按 daycount 换算为到期时间默认使用Interpolation2D到期时间 × Strikes 的二维插值对任意(strike, expiry)查询隐含波动率提供volatility()、node_expiries()、node_strikes()、node_volatilities()等访问接口。五、Market data config插值与日历配置市场数据配置用于指定插值方法与 Day Count 约定。曲线配置当前支持如下格式curve_config {interpolation_method: LINEAR, interpolate_rates: False, daycount_convention: ACTUAL_365, # 营业日约定 business_convention: FOLLOWING, # 假日日历 holiday_calendar: US}各字段语义字段取值说明interpolation_methodLINEAR/CUBIC/CONSTANT_FORWARD曲线插值方法对应 interpolation_method.py 中的InterpolationMethod枚举interpolate_ratesTrue/False布尔值指定插值是在利率空间还是贴现因子空间进行。注意源码默认值为True即默认在贴现因子空间插值daycount_convention见下Day Count 约定对应 daycount_conventions.protobusiness_conventionFOLLOWING等营业日约定对应 business_days.protoholiday_calendarUS/UK假日日历对应同一 proto 中的BankHolidays枚举business_days.protoDay Count 约定可选值ACTUAL_ACTUAL_ISDA、ACTUAL_360、ACTUAL_365、CONVENTION_30_360。营业日约定可选值NO_ADJUSTMENT、PREVIOUS、FOLLOWING、MODIFIED_PREVIOUS、MODIFIED_FOLLOWING、EOM_NO_ADJUSTMENT、EOM_PREVIOUS、EOM_FOLLOWING。这些约定在 utils.py 中被映射为dateslib的 daycount 函数与营业日调整函数含月末EOM标志未映射的约定会抛出KeyError。默认行为当曲线未提供config或未指定插值方法时RateCurve默认采用贴现因子空间的三次样条cubic插值Day Count 约定默认ACTUAL_365见 rate_curve.pyVolatilitySurface同样默认ACTUAL_365并使用二维插值volatility_surface.py。波动率曲面/立方体的配置同样支持 daycount、营业日与日历规格格式与曲线配置一致curve_config {daycount_convention: ACTUAL_365, # 营业日约定 business_convention: FOLLOWING, # 假日日历 holiday_calendar: US}此外market_data_config.py 定义了面向数据装配场景的RateConfigdataclass 与RateBootstrapOption/RateVolBootstrapOption枚举FROM_CSV、FROM_JSON、FROM_BQ、BOOTSTRAP其中RateConfig含file_id、bootstrap_instrumetns、interpolation_method默认CUBIC、interpolate_rates默认True、daycount_convention默认ACTUAL_365等字段可用于描述从外部数据源引导曲线的方式。六、Fixings数据来源与更新机制利率/即期的 Fixing 信息可以通过两条路径提供市场数据historical_fixings/ 曲线内嵌fixing_*字段或工具定义本身。此外Fixing 信息可在工具定价阶段通过 metadata 更新。文档给出的典型流程如下以 TikZ 图示意原图见 market_data.mdmarket_data ──▶ market_data_1 ──▶ market_data_2 │ │ ▼ ▼ price_1 price_2 │ │ └──────▶ aggregate(price_1, price_2) ▲ │ metadataprice_1 ──▶ price_2 传递即市场数据被逐步演化例如模拟估值日期推进每个阶段执行一次定价Fixing 既可以是市场数据的组成部分也可以通过定价config单独提供——例如config中可以包含障碍期权的敲出事件knock-out event。metadata 通过如下方式被定价方法使用Instrument.from_protos(proto_list, configInstrumentConfig(**metadata))Instrument.from_protos是工具接口的类方法定义见 instrument.pyInstrumentConfig(**metadata)将 metadata 作为配置注入。默认规则定价方法首先检查工具 metadata 中是否包含所需的 Fixing 数据若没有则回退到市场数据中提取 Fixings。这一工具优先、市场数据兜底的层级机制正是 market_data_test.py 中test_fixings所验证的行为——未提供 fixings 的曲线如 OIS返回 0而提供了fixing_dates/fixing_rates的 LIBOR_3M 则按分段常数规则返回对应值market_data_test.py。七、端到端示例与测试验证结合仓库测试用例market_data_test.py一个真实可用的市场数据字典形如valuation_date [(2020, 6, 24)] fixing_dates [(2020, 2, 24), (2020, 3, 12), (2020, 4, 14), (2020, 5, 21)] fixing_rates [0.01, 0.02, 0.03, 0.025] dates [[2021, 2, 8], [2022, 2, 8], [2023, 2, 8], [2025, 2, 8], [2027, 2, 8], [2030, 2, 8], [2050, 2, 8]] discounts [0.97197441, 0.94022746, 0.91074031, 0.85495089, 0.8013675, 0.72494879, 0.37602059] market_data_dict { rates: { USD: { risk_free_curve: { dates: [[2021, 2, 8], [2022, 2, 8], [2023, 2, 8], [2025, 2, 8], [2050, 2, 8]], discounts: [0.97197441, 0.94022746, 0.91074031, 0.85495089, 0.37602059], }, OIS: {dates: dates, discounts: discounts}, LIBOR_3M: { dates: dates, discounts: discounts, fixing_dates: fixing_dates, fixing_rates: fixing_rates, fixing_daycount: ACTUAL_365, config: { interpolation_method: LINEAR } }, }, }, equities: { USD: { GOOG: { spot: 1500, volatility_surface: { dates: vol_dates, strikes: strikes, implied_volatilities: volatilities } } } }, reference_date: valuation_date, }测试覆盖了三类核心能力可作为验证与二次开发的参考test_discount_curve通过MarketDataDict.yield_curve()分别取RiskFreeCurve(currencyUSD)与RateIndexCurve(currencyUSD, indexRateIndex(typeLIBOR_3M))断言discount_factor_nodes与输入贴现因子一致market_data_test.pytest_volatility构造VolatilitySurface后以expiry_datesstrike查询插值波动率与期望值对比market_data_test.pytest_fixings验证 LIBOR_3M 的 Fixing 查询返回分段常数取值如 2020-05-24 → 0.025、2020-03-24 → 0.03及 OIS 默认返回 0market_data_test.py。八、使用注意事项与当前限制基于文档与源码使用本模块时有几点值得注意接口仍在演进ProcessedMarketData及其实现标注为开发中曲线日期暂只支持绝对日期相对日期rdates为 TODO波动率立方体类型标准化亦为 TODO必须提供risk_free_curve它是默认贴现曲线curves的其他键需与RateIndexType枚举名一致新增曲线类型需扩展 rate_indices.protoFixings 语义未提供时视为 0提供fixing_dates/fixing_rates时必须同时提供fixing_daycount否则抛ValueErrorFixing 查询日期需在估值日之前网格对齐volatility_surface中每行 strikes 的末尾值可重复填充以对齐不同日期的网格宽度多资产的曲面会在volatility_surface()内部通过 padding 统一形状默认精度未显式指定dtype时默认使用tf.float64以保证金融计算精度营业日与假日日历business_convention与holiday_calendar的合法取值见 business_days.proto未映射的约定在工具层会抛出KeyError。掌握以上结构与配置细节后你就可以把外部行情系统输出的曲线点、Fixing 时间序列与波动率网格直接组织为MarketDataDict字典交给 TFF 定价平台的工具如 rate_instruments 下的现金流与掉期工具进行批量估值。赞分享金融科技科学计算【免费下载链接】tf-quant-financeHigh-performance TensorFlow library for quantitative finance.项目地址https://gitcode.com/gh_mirrors/tf/tf-quant-finance点击查看免费下载相关推荐tf-quant-finance 利率衍生品定价模型枚举 InterestRateModelType 深度解析tf quant finance 利率衍生品定价模型枚举 InterestRateModelType 深度解析 本文围绕 InterestRateModelTy金融科技科学计算TF Quant Finance 方差互换公平敲定价格计算指南variance_swap_fair_strike 原理、公式与源码解析TF Quant Finance 方差互换公平敲定价格计算指南 variance_swap_fair_strike 原理、公式与源码解析 导读 本文围绕 tf金融科技科学计算tf-quant-finance 批量欧式期权定价完全指南深入 black_scholes.option_pricetf quant finance 批量欧式期权定价完全指南深入 black_scholes.option_price 导读 tf_quant_finance.金融科技科学计算上一篇Deforum扩展3分钟学会用AI制作专业级动画视频 下一篇F3闪存检测工具3分钟识别扩容盘的终极解决方案 创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考