研讨会回看 | 在IPU上加速金融预测模型,大幅提升量化交易和股价预测的精准度和速度
12月8日,为更好帮助金融从业者利用AI进行创新,Graphcore携手牛津—英仕曼量化金融研究院(OMI)举办了在线研讨会《在IPU上加速金融预测模型》,OMI张子豪博士和Graphcore中国工程总负责人、AI算法科学家金琛详细解读了IPU的创新架构和在应用中的性能表现,并分享了OMI的研究人员是如何使用IPU加速限价订单薄的多步预测的。
张子豪博士
循环神经网络本质上更符合时间序列特性,如果能用硬件的方式来加速它,将对新模型的构成和发现很有帮助。在使用IPU加速这种循环神经网络的时候,和GPU比较,可以看到显著的加速。这对神经网络应用在时间序列上提供了一个新的角度和方向。
金琛
Graphcore设计了为深度学习和机器学习打造的IPU,推出了高性能的计算系统IPU-Machine:M2000(IPU-M2000),并配以成熟完备的软件栈Poplar SDK,使得金融从业者能够继续创新下一代基于深度学习和机器学习的金融预测模型。
研讨会重点回顾
- 限价订单薄(LOB)是高频金融数据的一种常用表达方式。它反应了买卖双方供给需求的一种表象,可以从中提取一些特征,找到规律,用来预测。
- 如果使用单步预测进行不同时间期限的预测,可能需要训练多个模型,对于计算的要求很高。
- OMI团队开发了DeepLOB。在多步预测方面,研究人员测试了两个DeepLOB变体,分别名为DeepLOB-Seq2Seq和DeepLOB-Attention,它们分别使用Seq2Seq和注意力(Attention)模型作为解码器。
- 在包括DeepLOB-Seq2Seq和DeepLOB-Attention在内的一众模型中,Graphcore IPU系统在训练时间方面和GPU相比表现出明显优势。
- 从GPU迁移到IPU上是比较容易的,工作量很小,只在特定的方面有一些改变。
- 未来,量化交易不论是从硬件速度上还是算法成熟度上来说,竞争都将更加激烈。
更多精彩,长按扫描识别下方二维码或点击阅读原文,观看研讨会回放。
如欲了解此项研究的更多详情,您还可以查看《Graphcore增强牛津-英仕曼研究院的多步金融预测》。
Graphcore中国官网
Graphcore微信创新社区
Graphcore微博创新社区
Graphcore知乎创新社区
点击阅读原文,观看研讨会回放。
关键词
模型
创新社区
Graphcore微
系统
IPU上
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。