CN108885609A - 基于预先计算的模拟结果的模拟 - Google Patents
基于预先计算的模拟结果的模拟 Download PDFInfo
- Publication number
- CN108885609A CN108885609A CN201680084107.6A CN201680084107A CN108885609A CN 108885609 A CN108885609 A CN 108885609A CN 201680084107 A CN201680084107 A CN 201680084107A CN 108885609 A CN108885609 A CN 108885609A
- Authority
- CN
- China
- Prior art keywords
- sample
- collection
- simulation
- test
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 191
- 238000012360 testing method Methods 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002688 persistence Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000003860 storage Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本文的示例涉及执行模拟模型的模拟,该模拟模型的模拟使用预先计算的模拟结果和该模拟模型的参数集的预定值。在本文的示例中,从样本子集存储库中选择出测试样本集,并且使用测试样本集来确定模拟模型的针对测试参数的模拟结果。
Description
背景技术
可以对诸如蒙特卡罗模拟等模拟进行计算以推断或预测信息。在一些示例中,可以执行、组合和分析模拟的多个实例或实施,以提供更高的准确度。每个实例可以涉及各种随机输入值以对模拟中的差异加以考虑。当对结果进行组合(例如,通过平均、加权等)时,模拟的多重计算可以提供更准确的结果。
附图说明
图1示出了包括根据本公开的一个方面而实现的快速模拟管理器的示例性快速模拟系统的示意图。
图2是可用于实现图1的快速模拟管理器的示例性快速模拟管理器的框图。
图3是表示可被执行以实现图2的快速模拟管理器的示例性机器可读指令的流程图。
图4是能够执行图3的指令以实现图2的快速模拟管理器的示例性处理器平台的框图。
尽可能地在整个附图和随附的书面描述中将使用相同的附图标记来表示相同或相似的部件。
具体实施方式
本文公开的示例涉及使用预先计算出的模拟结果来针对模拟模型(例如,可被判断为使用多个样本的模拟(诸如蒙特卡罗模拟等)的模型)的测试参数集执行快速模拟。该预先计算出的模拟结果是使用模拟模型的参数预定值和代表性样本子集而计算出的并且被存储在样本子集存储库中。在本文的示例中,基于测试参数集从样本子集存储库中选择出测试样本集,并且通过使用该测试样本集来执行快速模拟。由于模拟结果是预先计算出的,因此快速模拟管理器可以从样本子集存储库中获取结果。因此,在本文的示例中,可以通过计算针对测试参数的模拟并从存储库中获取预先计算出的结果来实时地执行模拟,而不是在完整样本集上对测试参数进行模拟。
在本文中例如,使得:
y=f(X,θ) (1)
其中y是示例性模拟模型f的输出,X表示该模拟的输入(例如,随机输入),θ是模型f的参数,该参数用于将输入与输出相关联。作为示例,在期权定价中,输出y可以是资产衍生品的价格,θ可以是模拟参数(例如,隐含波动率、均值回归系数、波动率方差、相关衍生资产之间的协方差等)的矢量,并且X是可能会对市场行为产生影响的随机输入的矢量(例如,布朗运动等)。
此外,输出y可以作为关于输入X的f的统计期望值而给出,如下:
y≈E(f(X,θ)) (2)
并且关于X得到该期望值。当不存在公式2中的期望值的封闭形式解时(例如,在针对金融衍生品的某些情况下),该期望值可以如下来估计:
其中Xn是根据X的分布而第n次随机选择出的样本,并且N是针对X的样本数量,X{N}是指根据X的分布而绘制的N个样本的集合。可以将公式3的示例性模型作为蒙特卡罗模拟来进行计算。在本文的示例中,当N接近无穷大时,g接近公式2中给出的统计期望值。
公式3的模型的示例性误差ε可以通过以下来给出:
ε=g(θ,X{N})-E(f(X,θ)) (4)
并且误差ε的方差可以是:
其中函数α随N增加,使得误差方差与样本数量N成反比。方差σ2是函数g的方差。随着N增加和/或随着g的方差减小,误差方差接近于零。
在上文中,对函数f进行计算在计算性上可能是昂贵的(例如,在衍生定价模拟中),因为函数f可能是在很长一段时间(例如,数周、数月、数年等)内发生的计算路径的输出。然而,遵循公式5,N的极大值(例如,超过一百万、超过一千万等)可以达成最准确的结果。因此,可能难以在实时(或在线)设置下完成计算。本文的示例将寻求使用快速模拟方法来解决这些缺陷和计算性问题,该快速模拟方法利用已使用标准、已知或预定的参数值而预先计算(或离线计算)出的模拟结果,并且将这些结果应用于测试参数集以进行快速模拟。
示例性方法包括:接收与模拟的参数集相对应的测试参数集、以及从模拟的样本子集存储库中选择测试样本集。在本文的示例中,样本子集基于使用预定模拟参数值的模拟。此外,示例性方法包括:使用测试样本集来确定模拟模型的针对测试参数集的模拟结果。因此,这种方法允许针对测试参数集进行快速模拟,而不是在完整样本集上对测试参数进行模拟。
如本文所使用的,快速模拟是指本文执行的模拟模型的示例性模拟,其使用该模拟模型的预先计算出的模拟选定结果以针对测试参数集来估计结果。预先计算出的模拟可以是使用模拟模型参数的已知、预定、预期的值的模拟。
图1是包括根据本文的示例而构造的快速模拟管理器110的示例性快速模拟系统100的示意图。图1的示例性快速模拟系统100包括:快速模拟管理器110、样本子集存储库120、快速模拟请求器130、以及快速模拟结果提供器140。在本文的示例中,模拟管理器110对来自模拟请求器130的模拟请求进行处理,并利用来自样本子集存储库120的结果来执行快速模拟,并且经由模拟结果提供器140来提供该快速模拟的结果。例如,快速模拟管理器110可以以下述方式重构公式3:
其中
h(θ,βk,X{M}))=g(θ,X{M})-g(βk,X{M}) (7)
并且其中k是样本子集存储库120的、一组预先计算出的样本N中的所选样本子集M的样本。在本文的示例中,快速模拟管理器110可以从被包括在样本子集存储库120中的N个样本中选择M个样本。例如,快速模拟管理器110可以使用距离分析(例如,Kolmogorov-Smirnov距离分析)并基于N的统计分布而从N个中选择M个样本。可以从数据库(例如,与样本子集存储库120分开的数据库)、从快速模拟请求器130或从任何其他实体或设备中接收/获取示例性N个样本。然后,快速模拟管理器110可以对该N个样本进行分析并且选择M个样本以便存储在样本子集存储库120中。
在本文的示例中,M远远地(即,多个数量级,例如,1/100th、1/1000th、1/10,000th等)小于N(即,M<<N)。根据公式6和公式7,g(βk,X{N})、g(βk,X{M})和X{M}可以被预先计算出(例如,通过快速模拟管理器110或其他模拟器)并且被存储在样本子集存储库120中,使得当从模拟请求器130接收到测试参数集θ时,快速模拟管理器110可以获取这些值并且对g(θ,X{N})进行计算,以确定针对测试参数集θ的模拟结果。以下结合图2来讨论快速模拟管理器110的示例性实现。
示例性样本子集存储库120包括从对模拟模型的N个完整样本集进行的预计算模拟(例如,g(βk,X{N})的模拟)中选择的M个样本。在本文的示例中,样本子集存储库120可以包括M个样本的多个子集以用于根据本文的示例执行快速模拟。出于可读性以及本文示例的考虑,样本子集存储库120可以被认为是存储M个样本的单一样本子集或者M个样本的子集集合以用于快速模拟。
图1的样本子集存储库120包括对模拟模型的样本子集预先计算的模拟结果(例如,g(βk,X{M})的模拟)、样本的子集(模拟的输入)、以及模拟模型的预定参数集。在一些示例中,样本子集存储库120可以保持样本的子集(例如,以上的M个样本中的子集)以及针对多种类型或集合的模拟结果。为了示例的目的,这里,样本子集存储库120被认为保持来自模拟模型(例如,蒙特卡罗模拟)的预先计算出的N个样本中的M个预选结果/样本,以供快速模拟管理器110分析和使用。样本子集存储库120可以包括预先计算出的M个模拟结果(例如,输出)以及参数值、输入等。预先计算出的模拟结果与使用该模拟的参数(例如,βk)的各种值来多次执行的模拟模型的结果相对应。在一些示例中,快速模拟管理器110可以通过对模拟模型的模拟进行预先计算(例如,在进入“在线”之前、在接收来自模拟请求器130的请求之前等),来生成存储在样本子集存储库120中的预先计算出的模拟结果。样本子集存储库120中的结果/样本被认为是预先计算出的,因为它们是在快速模拟管理器110针对一组测试参数执行模拟模型的快速模拟之前确定的。
在一些示例中,样本子集存储库120可以存储g(βk,X{N})的模拟结果、g(βk,X{M})的模拟结果、以及针对βk的不同值中的较大的数(例如,一百,一千等)的样本子集X{M}。这样,由于K和M的大小,可以使用大的共享存储器结构来实现样本子集存储库120。例如,样本子集存储库120和/或对样本进行存储的任何其他存储设备(例如,用于对M个样本进行存储的数据库)可以由存储器设备的集群来实现。在一些示例中,样本子集存储库120可以由包括存储器结构的持久性字节可寻址存储器来实现。因此,这样的存储器实现可以允许对N的极大值(例如,超过一百万个样本、超过一千万个样本等)进行模拟。
在本文的示例中,诸如公式3的蒙特卡罗模拟可以变为以下优化问题,以选择和使用来自样本子集存储库120的M个样本:
这样,样本子集存储库120中的针对快速模拟而分配的存储空间大于或等于用以对所选择的样本的数量(M)乘以待测试的参数集的数量(K)进行存储的存储空间(即,M×K≤分配的存储器)。
该模拟的每个执行的参数集βk的示例值(用于针对样本子集存储库120中的完整样本集(N)和样本子集(M)来确定模拟结果)是预先确定的。例如,参数βk可以是针对给定模拟(诸如公式6和公式7的模拟等)中的模拟模型的随机、均匀、预期或公共的值。样本子集存储库120可以被构造为使得当从快速模拟请求器130接收θ的测试参数集时它可被参考以供使用。这样,样本子集存储库120可以实现数据结构(例如,索引、表等),以基于从快速模拟请求器130接收到的一组测试参数值来识别相应的预先计算的模拟结果。例如,样本子集存储库120的数据结构可以使快速模拟管理器110能够基于接收到的、针对公式6和公式7的θ的测试参数,来获取具有针对βk的特定值的模拟结果。
此外,在一些示例中,示例性样本子集存储库120可以经由网络而与快速模拟管理器110进行通信。因此,样本子集存储库120可以在与快速模拟管理器110进行通信的云系统(例如,服务器和/或其他计算设备的网络)内进行定位或模拟。在这样的示例中,用于实现快速模拟管理器110的设备可以不存储样本子集存储库120的预先计算结果,并且可以离线地确定预先计算结果。
示例性快速模拟请求器130请求快速模拟管理器110针对模拟参数(例如,上述模拟的参数θ)的一组测试值来执行快速模拟。例如,快速模拟请求器130可以发送请求消息,该请求消息指示针对模拟模型的测试模拟(例如,g(θ,X))、针对该模拟模型的参数的测试参数集(例如,针对以上的参数θ)等。然后,快速模拟管理器110可以促进根据本文示例的模拟模型的针对测试参数集的快速模拟。快速模拟请求器130可以由使得用户能够发送请求的用户界面来实现。在一些示例中,可以自动发送或提供请求(例如,响应于模拟模型的特征或主题,诸如市场或市场的变化等)。
结合图2更详细地描述快速模拟管理器110使用由快速模拟请求器130请求的测试参数集(例如,针对参数θ)来执行快速模拟。然后,快速模拟管理器110可以将该快速模拟的结果转发给快速模拟结果提供器140。示例性快速模拟结果提供器140可以呈现(例如,通过显示设备)或提供该快速模拟的结果。在一些示例中,快速模拟结果提供器140可以将该快速模拟的结果返回给或提供给快速模拟请求器130。快速模拟结果提供器140可以包括用户界面(例如,显示器、扬声器等)或由用户界面来实现,该用户界面提供由快速模拟管理器110执行的快速模拟的结果。
图2是快速模拟管理器110的示例性实现的框图,该快速模拟管理器110的示例性实现可被用于实现图1的快速模拟管理器110。图2的快速模拟管理器110包括:请求分析器210、样本选择器220以及快速模拟器230。在本文的示例中,请求分析器210对来自快速模拟请求器130的请求进行分析,以确定用于模拟模型的快速模拟的测试参数集(例如,用于公式6和公式7中的θ的值),样本选择器220选择样本子集,以存储在样本子集存储库120中,并对来自样本子集存储库120的样本进行测试,并且快速模拟器230基于与由样本选择器220选择出的测试样本集相对应的结果来针对测试参数集执行(例如,计算)快速模拟。
示例性请求分析器210从图1的快速模拟请求器130接收快速模拟请求。示例性快速模拟请求可以包括模拟模型、以及与该模拟模型的参数(例如,公式6和公式7的参数θ)相对应的测试参数集,而图2的快速模拟管理器110将针对该模拟模型执行快速模拟。示例性请求分析器210可以对请求进行分析并且对测试参数信息(例如,测试参数标识符、测试参数集等)进行识别。请求分析器210可以将测试参数信息提供给样本选择器220。
在本文的示例中,样本选择器220在从快速模拟请求器130接收快速模拟请求之前,预先选择用于模拟模型的快速模拟的M个样本,以存储在样本子集存储库120中。例如,样本选择器220可以使用公式8的优化分析来选择样本子集X{M}。更具体而言,样本选择器220可以执行诸如Kolmogorov-Smirnov距离分析等距离分析,以从N个样本的集合中选择M个样本的子集。例如,样本选择器220可以执行以下分析:
X{M}=argmindKS(X{N},Y{M}) (9)
其中X和Y是从相同的统计分布中得出的,其中统计期望值取自测试参数集θ的值。公式9的期望值可以在αk和βk的集合上最小化,并且dKS表示Kolmogorov-Smirnov距离。
在本文的示例中,样本选择器220基于βk和测试参数集θ之间的度量距离并使用αk来对与参数集βk相对应的样本的所选子集进行加权。例如,αk可以在βk值接近测试参数集θ的值时等于1(αk=1),αk可以在βk值远离测试参数集θ的值时等于0(αk=0)或者接近于零。在本文的示例中,将样本的βk值与测试参数θ之间的距离最小化会允许样本集X{M}的分布尽可能地接近X{N},并且因此,该分析中的M个样本可以如存在有N个样本(即公式5中的分母接近α(N))那样来发挥作用(或者体现)。
示例性样本选择器220基于在快速模拟请求中接收到的测试参数集的值,来从样本子集存储库120中选择测试样本集。例如,样本选择器220可以从样本子集存储库120中选择样本子集,样本子集针对该模拟的对应参数(例如,针对βk)使用与测试参数集的值(例如,公式6和公式7的θ)类似的值。示例性样本选择器220可以在从样本子集存储库120中选择测试样本集时使用距离分析。例如,样本选择器220可以选择在值上与测试参数集最接近的测试样本。
此外,基于测试参数集与和样本子集存储库120中的样本子集相对应的参数子集之间的距离分析,集合选择器220可以选择一个或多个样本子集以形成测试样本集。例如,可以基于顶部阈值数量(基于距离计算,例如顶部一千、一百等)、阈值距离(例如,基于距离分析而落在测试参数距离内的所有参数集)或使用距离分析的任何其他适当的阈值确定,来选择样本子集。因此,使用测试参数集的值,样本选择器220对来自样本子集存储库120的测试样本集进行确定,以用于使用测试参数集来执行该模拟的快速模拟。
样本选择器220将测试样本集提供给快速模拟器230。示例性快速模拟器230使用与从存储库中选择出的样本子集相对应的参数集βk、以及测试参数集θ来对模拟进行计算(例如,公式6的模拟g(θ,X{N}))。例如,对于测试参数集θ,快速模拟器230可以执行快速模拟以根据公式6来计算g(θ,X{N}),其中g(βk,X{N})和g(βk,X{M})(公式7中的)从样本子集存储库120中获取。例如,快速模拟器230可以确定使用测试参数集的模拟(即,g(θ,X{M}))与使用参数的预定值的模拟(即,g(βk,X{M}))(其可以从样本子集存储库120中获取)之间的差异。然后,使用模拟(即,g(βk,X{N}))的针对N个样本的集合上的预定值的已知计算结果(其可以从样本子集存储库120中获取),快速模拟器230可以计算g(θ,X{N})。因此,因为βk和X{N}(并且因此X{M})是预先计算出的,所以快速模拟器230可以简单地从样本子集存储库120中获取结果并实时地计算g(θ,X{M})。因此,快速模拟器230不是针对测试参数集θ来计算N个的模拟以获得g(θ,X{N}),而是实时地针对测试参数集θ来计算g(θ,X{M}),并使用样本子集存储库120中的(βk,X{N})和g(βk,X{M})的预先计算值,来将这些结果外插至整个样本集N。因此,使用预先计算出的结果,快速模拟器230可以使用更小的样本集M来根据公式6确定针对测试参数集θ的g(θ,X{N})。
在一些示例中,快速模拟管理器110可以利用泰勒级数展开来进行近似。在一些示例中,当以上的模拟模型中的X是一维的并且可以在相同的距离点Uk处对f进行评估时,可以将实线划分为多个分段k,其中每个分段以Uk为中心。然后,针对分段j内的给定X,
并且
g(βk,X)=f(Uk) (11)
并且
这样,公式12表示围绕Uj的f(X)的泰勒展开项的阶数。
虽然在图2中示出了实现图1的快速模拟管理器110的示例性方式,但是可以以任何其他方式来组合、划分、重新布置、省略、消除和/或实施图2中示出的元件、过程和/或设备中的至少一个。此外,请求分析器210、样本选择器220、快速模拟器230和/或更通常而言图2的示例性快速模拟管理器110可以由硬件和/或硬件与可执行指令(例如,软件和/或固件)的任何组合来实现。因此,例如,请求分析器210、样本选择器220、快速模拟器230和/或更通常而言示例性快速模拟管理器110中的任何一个可以通过模拟或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)和/或现场可编程逻辑器件(FPLD)中的至少一个来实现。当阅读涵盖纯粹的软件和/或固件实现的本专利的任何装置权利要求或系统权利要求时,请求分析器210、样本选择器220和/或快速模拟器230中的至少一个由此被明确定义为包括用于存储可执行指令的诸如存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等有形机器可读存储设备或存储盘。此外,图2的示例性快速模拟管理器110可以包括除了图2中示出的那些之外的或者代替图2中示出的那些的至少一个元件、过程和/或设备,和/或可以包括任何或所有的示出元件、过程和设备中的一个以上。
图3中示出了表示用于实现图2的快速模拟管理器110的示例性机器可读指令的流程图。在该示例中,机器可读指令包括由诸如以下结合图4所讨论的示例性处理器平台400中示出的处理器412等处理器所执行的程序/过程。程序/过程可以以存储于有形机器可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、数字通用盘(DVD)、蓝光磁盘或与处理器412相关联的存储器等)中的可执行指令(例如,软件)来体现,但是整个程序/过程和/或其部分可以可替代地由除了处理器412之外的设备来执行和/或被体现在固件或专用硬件中。此外,尽管参考图3中所示的流程图描述了示例性程序,但是可以可替代地使用用于实现示例性快速模拟管理器110的许多其他方法。例如,可以改变块的执行顺序和/或可以改变、消除或组合所描述的块中的一些块。
图3的示例性过程300以快速模拟管理器110的启动开始(例如,在启动时、在用户指示时、在启动用于实现快速模拟管理器110的设备(例如,快速模拟系统100)时等)。可以执行图3的示例性过程以使用预先计算的模拟结果来针对测试参数(例如,针对测试参数集θ)执行快速模拟。在所示示例中,在块310,请求分析器210接收与模拟模型的参数集相对应的测试参数集。例如,在块310,请求分析器210可以接收包括模拟和/或参数信息(例如,参数集θ的参数值)的请求以用于快速模拟。示例性请求分析器210可以对消息进行分析、解析等以识别用于快速模拟的测试参数集。
在图3的块320,样本选择器220从样本子集存储库120中选择测试样本集。例如,样本选择器220可以基于预定的模拟参数值(例如,βk的)从样本子集存储库120中选择样本。例如,在块320,样本选择器220可以执行测试参数集θ和βk的值之间的距离分析。在一些示例中,在块320,样本选择器220可以将权重(例如,αk)应用于每个样本子集。
在图3的块330,示例性快速模拟器230使用测试样本集来确定该模拟模型的针对该测试参数集的模拟结果。例如,在块330,快速模拟器230可以使用预先计算结果(例如g(βk,X{N})和g(βk,X{M})))来对模拟进行计算(例如,公式6和公式7),并且使用所选择的样本(例如,X{M})来针对测试参数集值执行实时模拟。例如,快速模拟器230可以将测试参数集θ应用于测试样本集以获得g(θ,X{M})。因此,在块330,快速模拟器230可以对基数(M)的所选子集执行测试参数集的实时模拟,而不是使用基数(N)的整个样本集来执行测试参数的实时计算。这样,在块330,快速模拟器230可以确定使用测试参数集的模拟(即,g(θ,X{M}))与使用参数的预定值的模拟(即,g(βk,X{M}))之间的差异。然后,使用模拟(即,g(βk,X{N}))的针对N个样本的集合上的预定值的已知计算结果,快速模拟器230可以计算g(θ,X{N})。在块330之后,示例性过程300结束。在一些示例中,在块330之后,可以(例如,经由结果提供器140)将快速模拟的结果提供(例如,发送、显示等)给用户或其他设备。
如上所述,图3的示例性过程可以使用存储在有形机器可读存储介质(例如硬盘驱动器、闪存、只读存储器(ROM)、光盘(CD)、数字多功能光盘(DVD)、高速缓存、随机存取存储器(RAM)、和/或其中信息被存储任何持续时间(例如,延长的时间段、永久地、短暂的实例、暂时的缓冲、和/或信息的缓存)的任何其他存储设备或存储盘)上的编码指令(例如,计算机和/或机器可读指令)来实现。如本文所使用的,术语“有形机器可读存储介质”被明确定义为包括任何类型的机器可读存储设备和/或存储盘,并且排除传播信号并排除传输介质。如本文所使用的,“计算机可读存储介质”和“机器可读存储介质”是可互换使用的。附加地或可替代地,图3的示例性过程可以使用存储在非暂时性计算机和/或机器可读介质(诸如硬盘驱动器、闪存、只读存储器、光盘、数字多功能光盘、高速缓存,随机存取存储器、和/或其中信息被存储任何持续时间(例如,延长的时间段、永久地、短暂的实例、暂时的缓冲、和/或信息的缓存)的任何其他存储设备或存储盘)上的编码指令(例如,计算机和/或机器可读指令)来实现。如本文所使用的,术语“非暂时性机器可读介质”被明确地定义为包括任何类型的机器可读存储设备和/或存储盘,并且排除传播信号并排除传输介质。
如本文所使用的,当词语“至少”被用作权利要求的前序中的过渡术语时,它的开放性与为开放式的“包括”相同。如本文所用,术语“一”可以表示“至少一个”,因此,当被用于描述特定元件时,“一”不一定将该元件限制为单个元件。如本文所用,当术语“或”被用于系列时,除非另有说明,否则不认为是“排他性的”。
图4是能够执行图3的指令以实现图2的快速模拟管理器110的示例性处理器平台400的框图。示例性处理器平台400可以是任何类型的装置或者可以被包括在任何类型的装置中,诸如服务器、个人计算机、移动设备(例如,手机、智能电话、平板电脑等)、个人数字助理(PDA)、互联网设备、DVD播放器、CD播放器、数字视频记录器、蓝光播放器、游戏机、个人视频记录器、机顶盒、或任何其他类型的计算设备等。
图4的所示示例的处理器平台400包括处理器412。所示示例的处理器412是硬件。例如,处理器412可以由来自任何所期望的系列或制造商的至少一个集成电路、逻辑电路、微处理器或控制器来实现。
所示示例的处理器412包括本地存储器413(例如,高速缓存)。所示示例的处理器412经由总线418而与包括易失性存储器414和非易失性存储器416的主存储器进行通信。易失性存储器414可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器416可以由闪存和/或任何其他所期望的类型的存储器设备来实现。对主存储器414、416的访问由存储器控制器来控制。
所示示例的处理器平台400还包括接口电路420。接口电路420可以由诸如以太网接口、通用串行总线(USB)和/或外围组件互连(PCI)快速接口等任何类型的接口标准来实现。
在所示示例中,至少一个输入设备422被连接到接口电路420。输入设备422允许用户将数据和命令输入到处理器412中。输入设备可以通过例如音频传感器、麦克风、相机(静止或视频)、键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等距点和/或语音识别系统来实现。
至少一个输出设备424也被连接到所示示例的接口电路420。输出设备424可以例如通过显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备、发光二极管(LED)、打印机和/或扬声器)来实现。因此,所示示例的接口电路420可以包括图形驱动器卡、图形驱动器芯片、或图形驱动器处理器。
所示示例的接口电路420还包括诸如发射器、接收器、收发器、调制解调器和/或网络接口卡等通信设备,以经由网络426(例如,以太网连接、数字用户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)来促进与外部机器(例如,任何种类的计算设备)的数据交换。
所示示例的处理器平台400还包括用于存储可执行指令(例如,软件)和/或数据的至少一个大容量存储设备428。这种大容量存储设备428的示例包括软盘驱动器、硬盘驱动器、压缩盘驱动器、蓝光盘驱动器、RAID系统和数字通用盘(DVD)驱动器。
图3的编码指令432可以存储在大容量存储设备428中、存储在易失性存储器414中的本地存储器413中、存储在非易失性存储器416中、和/或存储在诸如CD或DVD等可移除的有形机器可读存储介质上。
从前述内容可以理解,以上公开的方法、装置和制品使用模拟模型的预先计算的模拟结果来针对测试参数集提供模拟模型的模拟(即,快速模拟)。在本文的示例中,可以执行快速模拟,该快速模拟通过使用预先计算出的模拟结果来增加对模拟进行计算的速度。在本文的示例中,对样本集进行选择以代表用于对模拟(例如,蒙特卡罗模拟)进行计算的样本的整个集合。通过将测试参数集应用于样本集并且确定具有测试参数的样本集与具有预定参数值的样本集之间的差异,可以以大幅提高的速度来计算针对测试参数集的模拟。例如,对于总共N个样本和从N个样本中选择出的M个子样本,其中M<<N(例如,小至少一千倍),使用所选择的M个子样本来对N个样本上的模拟进行计算的速度可以增加N/M。
尽管本文已经公开了某些示例性方法、装置和制品,但是本专利的覆盖范围不限于此。相反,该专利涵盖了完全落入本专利的权利要求范围内的所有方法、装置和制品。
Claims (16)
1.一种方法,包括:
接收与模拟模型的参数集相对应的测试参数集;
从样本子集存储库中选择测试样本集,其中所述样本子集存储库包括预先计算出的模拟样本子集,其中每个模拟样本子集与参数集相对应;以及
使用所述测试样本集来确定所述模拟模型的针对所述测试参数集的模拟结果。
2.根据权利要求1所述的方法,其中,所述样本子集存储库和所述参数集是在接收所述测试参数集之前预先确定且预先计算出的。
3.根据权利要求1所述的方法,其中,与参数集相对应的模拟样本子集是从与所述参数集相对应的模拟样本集的成员中选择的,其中所述模拟样本集遵循由所述参数集确定的统计分布。
4.根据权利要求3所述的方法,其中,所述模拟样本子集是通过使所述样本子集与所述样本集之间的、受所述样本子集的基数限制的统计距离最小化而从所述模拟样本集的成员中选择的。
5.根据权利要求1所述的方法,进一步包括:
基于所述测试参数集与对应于所述模拟样本子集的所述参数集之间的距离分析来选择所述测试样本集。
6.根据权利要求5所述的方法,进一步包括:
基于所述距离分析来将权重应用于所述测试样本集的每个成员;以及
使用所述权重来确定所述模拟结果。
7.根据权利要求1所述的方法,其中,所述样本子集存储库的大小与被分配用于对所述模拟进行计算的系统的存储器容量相对应。
8.根据权利要求1所述的方法,其中,
所述模拟包括利用多个样本来确定结果的蒙特卡罗模拟。
9.根据权利要求1所述的方法,进一步包括:
通过确定使用所述测试参数集的模拟结果与使用和所述模拟样本子集相对应的一个或多个参数集的模拟结果之间的差异来确定所述模拟结果,其中所述模拟使用所述测试参数集来运行。
10.一种装置,包括:
请求分析器,用于识别模拟模型的测试参数集;
样本集选择器,用于从样本子集存储库中选择测试样本集,所述样本子集存储库中的每个子集在所述模型的先前模拟运行期间使用预定参数集生成;以及
快速模拟器,用于通过计算针对所述测试参数集的模拟与针对和所述样本子集存储库中的子集相对应的一个或多个参数集的模拟之间的差异,来使用测试样本集确定所述测试参数集的模拟结果。
11.根据权利要求10所述的装置,其中,所述样本集选择器进一步执行距离分析以选择所述测试样本集,所述距离分析基于所述测试参数集与对应于所述样本子集存储库中的所述模拟样本子集的参数集之间的距离。
12.根据权利要求10所述的装置,其中,所述样本集选择器基于优化来选择所述测试样本集,所述优化使所述模拟模型的模拟结果的期望值与通过所述模拟模型的、使用预先计算出的模拟结果和测试样本集的模拟而获得的结果之间的差异最小化。
13.一种非暂时性机器可读介质,包括指令,所述指令在被执行时使机器至少:
确定模拟请求中的针对模拟模型的测试参数集;
选择用于对所述模拟模型的模拟结果进行计算的测试样本集,所述测试样本集基于参数集从预先计算出的模拟结果的样本子集存储库中选择出;以及
通过将所述测试参数集应用于所述测试样本集并且使用预先计算出的模拟结果,来计算所述模拟结果。
14.根据权利要求13所述的非暂时性机器可读介质,其中,所述指令在被执行时进一步使所述机器:
从样本子集存储库中获取使用预定值预先计算出的模拟结果,其中所述样本子集存储库包括经由存储器结构可访问的持久性字节可寻址的存储器。
15.根据权利要求13所述的非暂时性机器可读介质,其中,所述指令在被执行时进一步使所述机器:
基于距离分析来选择所述测试样本集,所述距离分析包括确定所述测试参数集与对应于所述样本子集存储库中的所述模拟样本子集的参数集之间的距离。
16.根据权利要求13所述的非暂时性机器可读介质,其中,所述指令在被执行时进一步使所述机器:
确定将所述测试参数集应用于所述测试样本集时的模拟与用于将对应于所述模拟样本子集的一个或多个参数集应用于所述测试样本集的模拟之间的差异。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2016/026051 WO2017176258A1 (en) | 2016-04-05 | 2016-04-05 | Simulation based on precomputed results of the simulation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108885609A true CN108885609A (zh) | 2018-11-23 |
Family
ID=60001360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680084107.6A Pending CN108885609A (zh) | 2016-04-05 | 2016-04-05 | 基于预先计算的模拟结果的模拟 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210124853A1 (zh) |
EP (1) | EP3414673A4 (zh) |
CN (1) | CN108885609A (zh) |
WO (1) | WO2017176258A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378751A (zh) * | 2019-07-26 | 2019-10-25 | 上海金融期货信息技术有限公司 | 一种期权定价方法和系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553111B (zh) * | 2020-04-30 | 2023-03-28 | 成都航空职业技术学院 | 一种基于mcnp的数字仿核信号发生器 |
GB2610193A (en) * | 2021-08-24 | 2023-03-01 | Twin Dynamics Ltd | Simulation method and system |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1470058A (zh) * | 2000-09-14 | 2004-01-21 | 三因迪斯克公司 | 压缩事件计数技术及其在闪存系统中的应用 |
US20090024367A1 (en) * | 2007-07-17 | 2009-01-22 | Caterpillar Inc. | Probabilistic modeling system for product design |
CN101482858A (zh) * | 2007-12-27 | 2009-07-15 | 英特尔公司 | 互连体系结构状态覆盖测量方法 |
US7590581B1 (en) * | 2003-06-16 | 2009-09-15 | Genesis Financial Products, Inc. | Computer based system for pricing an index-offset deposit product |
US20120221500A1 (en) * | 2011-02-28 | 2012-08-30 | Eric Williamson | Systems and methods for validating interpolation results using monte carlo simulations on interpolated data inputs |
US20120323926A1 (en) * | 2011-06-20 | 2012-12-20 | Microsoft Corporation | Efficient Optimization over Uncertain Data |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103093398A (zh) * | 2013-02-28 | 2013-05-08 | 武汉大学 | 一种基于负荷波动特性的联络线随机功率波动的测算方法 |
US20150006122A1 (en) * | 2013-06-28 | 2015-01-01 | Jing Du | Method and Apparatus for Real-time Inter-organizational Probabilistic Simulation |
US20150234956A1 (en) * | 2014-02-19 | 2015-08-20 | Sas Institute Inc. | Techniques for compressing a large distributed empirical sample of a compound probability distribution into an approximate parametric distribution with scalable parallel processing |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7937343B2 (en) * | 2003-03-28 | 2011-05-03 | Simmonds Precision Products, Inc. | Method and apparatus for randomized verification of neural nets |
US8396571B2 (en) * | 2007-03-19 | 2013-03-12 | United Technologies Corporation | Process and system for multi-objective global optimization of maintenance schedules |
US20120046929A1 (en) * | 2010-08-20 | 2012-02-23 | International Business Machines Corporation | Statistical Design with Importance Sampling Reuse |
-
2016
- 2016-04-05 US US16/074,122 patent/US20210124853A1/en not_active Abandoned
- 2016-04-05 EP EP16898101.7A patent/EP3414673A4/en not_active Withdrawn
- 2016-04-05 WO PCT/US2016/026051 patent/WO2017176258A1/en active Application Filing
- 2016-04-05 CN CN201680084107.6A patent/CN108885609A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1470058A (zh) * | 2000-09-14 | 2004-01-21 | 三因迪斯克公司 | 压缩事件计数技术及其在闪存系统中的应用 |
US7590581B1 (en) * | 2003-06-16 | 2009-09-15 | Genesis Financial Products, Inc. | Computer based system for pricing an index-offset deposit product |
US20090024367A1 (en) * | 2007-07-17 | 2009-01-22 | Caterpillar Inc. | Probabilistic modeling system for product design |
CN101482858A (zh) * | 2007-12-27 | 2009-07-15 | 英特尔公司 | 互连体系结构状态覆盖测量方法 |
US20120221500A1 (en) * | 2011-02-28 | 2012-08-30 | Eric Williamson | Systems and methods for validating interpolation results using monte carlo simulations on interpolated data inputs |
US20120323926A1 (en) * | 2011-06-20 | 2012-12-20 | Microsoft Corporation | Efficient Optimization over Uncertain Data |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103093398A (zh) * | 2013-02-28 | 2013-05-08 | 武汉大学 | 一种基于负荷波动特性的联络线随机功率波动的测算方法 |
US20150006122A1 (en) * | 2013-06-28 | 2015-01-01 | Jing Du | Method and Apparatus for Real-time Inter-organizational Probabilistic Simulation |
US20150234956A1 (en) * | 2014-02-19 | 2015-08-20 | Sas Institute Inc. | Techniques for compressing a large distributed empirical sample of a compound probability distribution into an approximate parametric distribution with scalable parallel processing |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378751A (zh) * | 2019-07-26 | 2019-10-25 | 上海金融期货信息技术有限公司 | 一种期权定价方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210124853A1 (en) | 2021-04-29 |
EP3414673A4 (en) | 2019-10-30 |
EP3414673A1 (en) | 2018-12-19 |
WO2017176258A1 (en) | 2017-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11720823B2 (en) | Generating recommended processor-memory configurations for machine learning applications | |
RU2018128030A (ru) | Генерирование и тестирование веб-интерфейса с помощью искусственных нейронных сетей | |
US11074161B2 (en) | Optimized test case selection for quality assurance testing of video games | |
Heilbrunn et al. | Tools for gamification analytics: A survey | |
US20190168095A1 (en) | Systems and methods for golf ball selection | |
CN108648000A (zh) | 对用户留存生命周期进行评估的方法及装置、电子设备 | |
CN108885609A (zh) | 基于预先计算的模拟结果的模拟 | |
CN111401940A (zh) | 特征预测方法、装置、电子设备及存储介质 | |
CN116762047A (zh) | 体育运动中的微观与宏观预测 | |
CN106250933A (zh) | 基于fpga的数据聚类的方法、系统及fpga处理器 | |
CN108052670A (zh) | 一种相机特效的推荐方法及装置 | |
CN112199885B (zh) | 一种分布式模型训练系统及应用方法 | |
CN107274043B (zh) | 预测模型的质量评价方法、装置及电子设备 | |
CN106297807A (zh) | 训练声纹识别系统的方法和装置 | |
CN110059594A (zh) | 一种环境感知自适应图像识别方法和装置 | |
WO2022232270A1 (en) | System and method for individual player and team simulation | |
US11669773B2 (en) | Electronic devices generating verification vector for verifying semiconductor circuit and methods of operating the same | |
WO2022235803A1 (en) | System and method for generating artificial intelligence driven insights | |
CN114742154A (zh) | 生成用户画像的方法、设备、电子设备及存储介质 | |
Shams et al. | A Time Series Analysis of Trends With Twitter Hashtags Using LSTM | |
CN103810227A (zh) | 信息处理设备和信息处理方法 | |
US10579754B1 (en) | Systems and methods for performing a fast simulation | |
CN103649986A (zh) | 保证馈给中的多样性 | |
US20240066355A1 (en) | Live Tournament Predictions in Tennis | |
JP7010403B1 (ja) | 情報処理装置及び情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
WD01 | Invention patent application deemed withdrawn after publication |