QuantLib 1.38版本发布:金融量化库的重要更新
项目简介
QuantLib是一个开源的金融量化计算库,广泛应用于金融衍生品定价、风险管理、投资组合优化等领域。它提供了丰富的金融工具模型和数学计算方法,是量化金融领域的重要基础设施。QuantLib采用C++编写,同时提供了多种语言的接口,包括Python、R等,使其在学术界和工业界都得到了广泛应用。
1.38版本核心更新
日期与日历系统改进
在金融计算中,准确的日期处理至关重要。QuantLib 1.38对Schedule类进行了重要改进,现在当启用月末调整(end-of-month)时,该类会正确遵守用户指定的营业日调整规则,而不再强制使用Modified Following惯例。这一改变使得日期计算更加灵活和符合用户预期。
此外,版本更新还增加了多个地区的节假日数据:
- 中国2025年节假日
- 泰国2025年节假日
- 香港2025年节假日
这些更新确保了相关地区金融产品定价的准确性。
指数类改进
1.38版本对通胀指数进行了重要重构。现在,年同比通胀指数(year-on-year inflation indexes)可以(且应该)在不使用interpolated标志的情况下构建。与零息通胀指数类似,插值计算被移到了使用这些指数的息票中。这一变化使得指数使用更加一致和灵活。
同时,修复了已停用的EUR LIBOR指数的过时惯例,确保历史数据分析的准确性。
金融工具与定价引擎增强
本次更新引入了多项新功能和改进:
-
新增部分时间障碍看跌期权:扩展了障碍期权的种类,为复杂衍生品定价提供了更多选择。
-
OvernightIndexFuture类通知机制修复:现在该类能够正确接收凸性报价和估值日期变化的通知,提高了计算准确性。
-
BlackCallableFixedRateBondEngine修正:修复了该实验性引擎在评估嵌入式期权时未能正确考虑折现的问题。
-
多项实验性功能迁移至核心库:包括多种期权类型及其定价引擎,如Holder可扩展期权、Writer可扩展期权、部分时间障碍期权、双资产障碍期权、双资产相关性期权等,标志着这些功能的成熟和稳定。
期限结构增强
-
DepositRateHelper和FraRateHelper改进:现在可以通过指定固定日期而非期限来构建这些辅助类,提供了更大的灵活性。
-
跨货币基差互换辅助类增强:现在可以传递隔夜指数和相应的支付频率,还可以指定支付延迟,满足更复杂的交易结构需求。
-
全局引导优化功能扩展:惩罚函数现在可以接收曲线节点作为参数,使得曲线平滑度优化成为可能。还支持指定额外的优化变量,如期货凸性调整。
-
新增分段远期利差期限结构:为利差曲线建模提供了新的工具。
未来变化预告
-
ext::any和ext::optional默认实现变更:下一版本将默认从Boost实现切换到标准实现,虽然Boost版本仍可使用但已被标记为废弃。
-
SimpleQuote类可能变为final:如果用户代码中有继承自SimpleQuote的类,需要提前做好准备。
废弃特性
-
移除1.33版本已废弃的功能:包括Currency类及其Data嵌套类中接受格式字符串的构造函数,以及相关的format方法和数据成员。
-
废弃年同比通胀指数的interpolated参数构造函数:建议使用其他构造函数替代。
-
废弃部分实验性头文件:随着相关功能迁移至核心库,对应的实验性头文件被标记为废弃。
技术影响与建议
QuantLib 1.38版本的更新主要集中在三个方面:功能增强、错误修复和架构改进。对于现有用户,建议:
-
检查是否使用了将被废弃的功能,特别是通胀指数构造方式和货币格式化相关代码,及时进行迁移。
-
评估是否可以从新迁移至核心库的功能中受益,这些功能经过充分测试已经达到生产环境可用状态。
-
关注未来变更预告,特别是SimpleQuote可能变为final的影响,提前规划代码调整。
对于新用户,1.38版本提供了更丰富、更稳定的金融工具集合,是开始使用QuantLib的良好起点。特别是新增的部分时间障碍期权和分段远期利差期限结构等特性,为复杂金融产品建模提供了更多可能性。
QuantLib持续演进的方向表明,项目正在向更标准化、更稳定的方向发展,同时保持对前沿金融建模需求的响应能力。这使得它仍然是量化金融领域不可或缺的工具库之一。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00