阿里云金融量化科学计算使用场景解决方案

金融量化科学计算依赖NumPy、pandas等库来处理数据，金融量化数据在大规模计算上可能遇到性能瓶颈，阿里云百科分享如何基于PAI-DSW和Mars进行大规模科学计算的加速：

阿里云金融量化科学计算解决方案

金融量化科学计算大量依赖Numpy、pandas等库来处理数据，金融量化业务具有数据计算量大、性能要求高及开发资源不集中等特点，选择阿里云金融量化科学计算解决方案具有以下优势：

• 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

如上图阿里云量化策略研究平台解决方案，随着时间推移科创板、沪伦通，个股期权和金融衍生品等业务越来越丰富，管理规格和客户增加。此方案能够解决：

• 环境管理困难：本地化自建策略研发平台容易导致环境不一致
• 资源分配复杂：任务资源分配不均导致资源抢占
• 策略回测麻烦：策略回测模块复杂，工程量大

方案优势

• 计算环境容器化：通过镜像保持环境一致，开发训练无障碍
• 计算资源弹性化：资源随任务配置随时拓展，无需担心资源抢占
• 离线任务工程化：离线任务可回溯，无需担心模型不可复现

上述方案相关云产品：机器学习PAI、对象存储OSS和大数据计算MaxCompute等。