Ioana Boier – NVIDIA 技術博客

通過自校正 AI 工作流簡化交易捕獲和評估

Wed, 04 Jun 2025 07:11:56 +0000

LLM 在聊天和數字助理應用中的成功讓人們對其在業務流程自動化方面的潛力寄予厚望。雖然在此類工作流程中實現人類水準的可靠性一直具有挑戰性，但它突出了需要改進的關鍵領域，并推動了持續創新。盡管存在可靠性挑戰，但自動化工作流程仍具有巨大的業務潛力，其中涉及自由形式的自然語言內容，而 AI 是人工處理的唯一替代方案。本文將探討基于 AI 的自由文本工作流經常失敗的原因，并說明如何將 AI 與基于規則的糾錯相結合，在金融“假設”分析的交易條目中實現近乎完美的準確性。我們的實驗由 NVIDIA NIM 提供支持，與云 API 相比，NVIDIA NIM 是一種自行托管的推理容器，可解決數據控制問題、降低延遲并降低成本。NIM 用于在本地運行 Qwen-3 和 DeepSeek-v3 等模型，以進行基準測試和性能評估。 “假設”分析涉及在交易執行前評估潛在新交易對金融機構風險、

Source

]]>

利用 NVIDIA NIM 生成金融市場場景數據

Thu, 15 Aug 2024 08:51:15 +0000

雖然生成式 AI 可用于創作巧妙的詩歌、酷炫的圖像和柔和的聲音，但仔細觀察這些令人印象深刻的內容生成器背后的技術可以揭示概率學習者、壓縮工具和序列建模者。當應用于量化金融時，這些方法可以幫助解開和學習金融市場中的復雜關聯。市場場景對于風險管理、策略回測、投資組合優化和監管合規性至關重要。這些假設數據模型代表了潛在的未來市場狀況，有助于金融機構模擬和評估結果，并做出明智的投資決策。具體方法可以證明您在各個領域的熟練程度，例如：雖然這些方法可以以不同的方式運行，但也可以組合使用，以產生強大結果。本文將探討變分自動編碼器 (VAE)、降噪擴散模型 (DDM) 和其他生成工具如何與大型語言模型 (LLM) 集成，以高效創建具有所需屬性的市場場景。本文將介紹由 NVIDIA NIM 提供支持的場景生成參考架構，NVIDIA NIM 是一系列旨在加速生成模型部署的微服務，

Source

]]>

使用 ISO C++語言并行在 GPU 上進行利潤和損失建模

Wed, 07 Aug 2024 02:53:36 +0000

上一篇文章“How to Accelerate Quantitative Finance with ISO C++ Standard Parallelism”(如何使用 ISO C++標準并行機制加速量化金融) 演示了如何使用 ISO C++標準并行機制和NVIDIA accelerated-quant-finance GitHub 庫中找到的代碼編寫 Black-Scholes 模擬。這種方法使您能夠高效地編寫簡潔且可移植的代碼。僅使用標準 C++，就可以編寫可在現代多核 CPU 或 GPU 上并行運行的應用程序，而無需進行修改。本文從之前開發的 Black-Scholes 并行代碼開始，構建了一個更復雜的模型，并對其進行了優化，以利用 GPU 的優勢，同時保留標準 C++。交易已實現波動性的熱門策略是對期權持倉進行增量套期保值。根據 Black-Scholes 的假設，

Source

]]>

如何使用 ISO C++ 標準并行性加速量化金融

Wed, 06 Mar 2024 06:33:08 +0000

量化金融庫是一種軟件包，包含適用于量化投資環境的數學、統計和最近的機器學習模型。它們包含一系列功能，通常為專有功能，用于支持評估、風險管理、組建和優化投資組合。開發此類庫的金融公司必須在新功能的短期啟用和長期軟件工程考慮之間優先考慮有限的開發者資源。此外，合規、監管和風險管理的約束將對潛在的利潤和損失影響的任何代碼更改提供更嚴格的監督，而 C++標準并行性使舊代碼更具可持續性，并為 GPU 和 CPU 并行性做好準備。本文展示了如何通過利用CPU和GPU的并行性，使用ISO C++標準重構一個簡單的Black-Scholes模型。同時，它還展示了如何重復使用原始實現中的大部分代碼。對于輔助參考或自行測試實施的代碼，請訪問NVIDIA/accelerated-quant-finance GitHub 庫。這種方法不僅節省了開發者的時間，而且提高了關鍵量化金融庫的性能，

Source

]]>