3

我目前正在迭代一个非常大的数据集~85GB（~600M 行），并简单地使用 newton-raphson 来计算一个新参数。截至目前，我的代码非常慢，关于如何加快速度的任何提示？BSCallClass 和 BSPutClass 中的方法是封闭形式的，因此没有什么可以真正加快速度。谢谢。

class NewtonRaphson:

    def __init__(self, theObject):
        self.theObject = theObject

    def solve(self, Target, Start, Tolerance, maxiter=500):
        y = self.theObject.Price(Start)
        x = Start
        i = 0
        while (abs(y - Target) > Tolerance):
            i += 1
            d = self.theObject.Vega(x)
            x += (Target - y) / d
            y = self.theObject.Price(x)
            if i > maxiter:
                x = nan
                break
        return x

    def main():
        for row in a.iterrows():
            print row[1]["X.1"]
            T = (row[1]["X.7"] - row[1]["X.8"]).days
            Spot = row[1]["X.2"]
            Strike = row[1]["X.9"]
            MktPrice = abs(row[1]["X.10"]-row[1]["X.11"])/2
            CPflag = row[1]["X.6"]

            if CPflag == 'call':
                option = BSCallClass(0, 0, T, Spot, Strike)
            elif CPflag == 'put':
                option = BSPutClass(0, 0, T, Spot, Strike)

            a["X.15"][row[0]] = NewtonRaphson(option).solve(MktPrice, .05, .0001)

编辑：

对于那些好奇的人，我最终通过使用 scipy 建议以及使用多处理模块显着加快了整个过程。

4

1 回答 1

2

不要在 Python 中编写自己的 Newton-Raphson 方法。使用 scipy.optimize 中的根查找器之一，例如brentq或newton，您将获得更好的性能。（大概，如果你有pandas，你也会安装scipy。）

信封背面计算：

对 brentq 进行 600M 调用应该可以在标准硬件上进行管理：

import scipy.optimize as optimize
def f(x):
    return x**2 - 2

In [28]: %timeit optimize.brentq(f, 0, 10)
100000 loops, best of 3: 4.86 us per loop

所以如果每次调用optimize.brentq需要 4.86 微秒，600M 调用将需要大约 4.86 * 600 ~ 3000 秒 ~ 1 小时。

newton可能会更慢，但仍然可以管理：

def f(x):
    return x**2 - 2
def fprime(x):
    return 2*x

In [40]: %timeit optimize.newton(f, 10, fprime)
100000 loops, best of 3: 8.22 us per loop
于 2013-01-18T22:29:12.150 回答