Julia并行编程在量化经济模型中的应用——基于jstac/quantecon_nyu_2016项目

2025-06-24 21:19:09作者：申梦珏Efrain

本文将深入探讨Julia语言中的并行编程技术，并展示如何将其应用于量化经济学中的经典模型求解。我们将以纽约大学量化经济学课程中的新古典增长模型为例，对比分析串行与并行计算在性能上的差异。

一、Julia并行编程基础

1.1 添加工作进程

在Julia中实现并行计算的第一步是添加工作进程（workers）。工作进程的数量通常不应超过物理CPU核心数：

addprocs(7)  # 添加7个工作进程
println("处理器总数：", nprocs())  # 输出8（1个主进程+7个工作进程）

1.2 远程调用与引用

Julia提供了两种主要的并行编程范式：

远程调用(remotecall)：在指定工作进程上执行函数

r = remotecall(rand, 2, 2, 2)  # 在进程2上生成2x2随机矩阵

远程引用(RemoteRef)：指向其他进程上对象的引用

println(fetch(r))  # 获取远程引用指向的实际值

1.3 并行编程宏

Julia提供了一系列简化并行编程的宏：

@spawn：在任意可用工作进程上执行代码
@spawnat：在指定工作进程上执行代码
@everywhere：在所有进程上定义变量或函数

s = @spawn 1 .+ fetch(r)  # 在任意进程上执行加法
@everywhere x = 5  # 在所有进程上定义x

二、并行计算实践：矩阵运算

我们通过一个矩阵运算示例展示并行计算的优势：

@everywhere function matrix_ops(nA, nB)
    A = rand(nA, nA)
    B = rand(nB, nB)
    nmin = min(nA, nB)
    return inv(A[1:nmin,1:nmin]) .+ inv(B[1:nmin,1:nmin])
end

# 比较串行与并行执行时间
@time map(matrix_ops, 100:200, 200:300)  # 串行
@time pmap(matrix_ops, 100:200, 200:300)  # 并行

在实际测试中，对于大规模矩阵运算，并行计算(pmap)通常能带来显著的性能提升。

三、新古典增长模型的并行求解

3.1 模型设定

考虑一个简化的新古典增长模型：

V(k) = max_{c ∈ (0,f(k))} u(c) + βV(k')
k' = f(k) - c
f(k) = k^α

其中α=0.65，β=0.95，效用函数u(c)=log(c)。

3.2 串行实现

function vfi_serial(grid_k, criterion)
    V0 = 5 .* log(grid_k)
    while true
        V1 = map(k -> optim_step(k, V0), grid_k)
        if norm(V1-V0, Inf) < criterion
            return V1
        end
        V0 = V1
    end
end

3.3 并行实现

@everywhere function vfi_parallel(grid_k, criterion)
    V0 = SharedArray(Float64, length(grid_k))
    V0[:] = 5 .* log(grid_k)
    while true
        @sync @parallel for i in 1:length(grid_k)
            V0[i] = optim_step(grid_k[i], V0)
        end
        if norm(V0 - V_prev, Inf) < criterion
            return V0
        end
    end
end