金融领域的 DSL（领域特定语言）

Question

有人使用过 DSL（领域特定语言） 在金融领域？ 我计划在我正在开发的应用程序中引入某种 DSL 支持，并想分享一些想法。

我正处于确定哪些是最稳定的领域元素并选择可以通过 DSL 更好地实现的功能的阶段。 我还没有定义第一个功能的语法。

Answer 1

Simon Peyton Jones 和 Jean-Marc-Erby 将金融合约优雅地建模为 DSL。 他们的 DSL 嵌入 Haskell，在论文 如何编写财务合同。

Answer 2

杰·菲尔兹 (Jay Fields) 和奥比·费尔南德斯 (Obie Fernandez) 就该主题撰写了大量文章并进行了广泛讨论。

• Jay Fields 关于域特定语言
• Jay Fields 系列的 介绍关于商业自然语言
• Obie Fernandez 用 DSL 表达合同条款
• 非常好的Jay Fields 在 infoQ 上的演示

您还可以在 Martin Fowler 的著作中找到有关实现 DSL 的一般内容（但不是专门针对金融的）。

• DSL

Answer 3

领域特定语言 (DSL) 最常用于表示金融工具。 规范的论文是 Simon Peyton Jones 的 撰写合约：金融工程中的一次冒险，它代表了使用Haskell 中的组合器库。 组合器方法最突出的用途是 LexiFi 的 MLFi 语言，它是构建在 OCaml 之上（他们的首席执行官 Jean-Marc Eber 是撰写合同论文的合著者）。 巴克莱一度复制了该方法并描述了一些额外的好处，例如生成人类可读的数学定价公式的能力（商业用途：在奇异贸易中发挥作用）。

金融合约的 DSL 通常是使用 Haskell、Scala 或 OCaml 等函数式语言的嵌入来构建的。 函数式编程语言在金融行业的采用将继续使这种方法具有吸引力。

除了表示金融工具之外，DSL 还用于金融领域：

• 使用本体语言对金融实体进行建模 (金融行业业务本体）
• 取代通常使用电子表格描述的计算（http://doi.acm. org/10.1145/1411204.1411236）
• 养老金计划建模（案例研究：金融服务）
• 分析金融市场数据（刺猬语言）

我维护着完整的金融 DSL 论文、演讲和其他资源列表，位于 http://www.dslfin.org/resources.html 。

如果您想认识从事金融系统 DSL 工作的专业人士和研究人员，10 月 1 日将在佛罗里达州迈阿密举行的 MODELS 2013 会议上举办研讨会：http://www.dslfin.org/

Answer 4

我们致力于与 Fairmat ( http://www.fairmat.com ) 创建财务评估 DSL 的想法

-它公开了一个 DSL，可用于表达支付和支付依赖性
-它包含一个扩展模型，用于使用 .NET/C# 和我们的底层数学库创建新型分析和理论动力学实现（请参阅 https://github.com/fairmat

Answer 5

我认为 Simon Peyton Jones 和 Jean Marc Eber 的工作最令人印象深刻，因为“编写合约：金融工程的一次冒险”以及由此衍生的一切：“LexiFi 和 MLFi"。

发现 Shahbaz Chaudhary 的 Scala 实现最具吸引力，因为 MLFi 并不普遍可用（并且因为 Scala 作为函数式语言是比 Haskell 更容易访问）。

请参阅“金融和软件工程的冒险”以及引用的其他材料从那里。

我将敢于复制一个片段来了解这个实现可以做什么。

  object Main extends App {
  //Required for doing LocalDate comparisons...a scalaism
  implicit val LocalDateOrdering = scala.math.Ordering.fromLessThan[java.time.LocalDate]{case (a,b) => (a compareTo b) < 0}

  //custom contract
  def usd(amount:Double) = Scale(Const(amount),One("USD"))
  def buy(contract:Contract, amount:Double) = And(contract,Give(usd(amount)))
  def sell(contract:Contract, amount:Double) = And(Give(contract),usd(amount))
  def zcb(maturity:LocalDate, notional:Double, currency:String) = When(maturity, Scale(Const(notional),One(currency)))
  def option(contract:Contract) = Or(contract,Zero())
  def europeanCallOption(at:LocalDate, c1:Contract, strike:Double) = When(at, option(buy(c1,strike)))
  def europeanPutOption(at:LocalDate, c1:Contract, strike:Double) = When(at, option(sell(c1,strike)))
  def americanCallOption(at:LocalDate, c1:Contract, strike:Double) = Anytime(at, option(buy(c1,strike)))
  def americanPutOption(at:LocalDate, c1:Contract, strike:Double) = Anytime(at, option(sell(c1,strike)))

  //custom observable
  def stock(symbol:String) = Scale(Lookup(symbol),One("USD"))
  val msft = stock("MSFT")


  //Tests
  val exchangeRates = collection.mutable.Map(
    "USD" -> LatticeImplementation.binomialPriceTree(365,1,0),
    "GBP" -> LatticeImplementation.binomialPriceTree(365,1.55,.0467),
    "EUR" -> LatticeImplementation.binomialPriceTree(365,1.21,.0515)
    )
  val lookup = collection.mutable.Map(
    "MSFT" -> LatticeImplementation.binomialPriceTree(365,45.48,.220),
    "ORCL" -> LatticeImplementation.binomialPriceTree(365,42.63,.1048),
    "EBAY" -> LatticeImplementation.binomialPriceTree(365,53.01,.205)
  )
  val marketData = Environment(
    LatticeImplementation.binomialPriceTree(365,.15,.05), //interest rate (use a universal rate for now)
    exchangeRates, //exchange rates
    lookup
  )

  //portfolio test
  val portfolio = Array(
    One("USD")
    ,stock("MSFT")
    ,buy(stock("MSFT"),45)
    ,option(buy(stock("MSFT"),45))
    ,americanCallOption(LocalDate.now().plusDays(5),stock("MSFT"),45)
  )

  for(contract <- portfolio){
    println("===========")
    val propt = LatticeImplementation.contractToPROpt(contract)
    val rp = LatticeImplementation.binomialValuation(propt, marketData)
    println("Contract: "+contract)
    println("Random Process(for optimization): "+propt)
    println("Present val: "+rp.startVal())
    println("Random Process: \n"+rp)
  }

}

Tomas Petricek 在 F# 方面的出色工作非常值得探索。

除了“DSL”范式之外，我建议我们需要许多其他强大范式的贡献，才能有一个完整的方法来表示金融工具和金融合同的复杂语义，同时满足“大数据”现实。

• 概率编程：Figaro、Stan 等
• 大数据分析： R、Spark、SparkR
• 可扩展“数据结构”（“堆外内存”；跨商用硬件，也跨语言): “Spark 中的 DataFrames for Large Scale Data Science”（适用于 R、Scala/Java 和 Python）
• 语义网：“金融主题模型"和本体。

值得回顾一下这里提到的一些语言： http://www.dslfin.org/resources.html