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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust013
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00