К содержимому
Другое

Flow Matching Generative Market Engine

генерация рыночных сценариев за 8 шагов

2 мин чтенияобновлено

Движок от автора At1uri генерирует синтетические финансовые временные ряды, распределения активов с «тяжёлыми хвостами» и динамику биржевого стакана. В основе лежат архитектура Continuous Normalizing Flow (непрерывные нормализующие потоки) и метод Optimal Transport Flow Matching, который строит прямые траектории от простого гауссовского шума к реальным рыночным доходностям. В отличие от классических диффузионных моделей, требующих от 50 до 1000 итераций, система формирует выборки всего за 4–8 шагов методом Runge-Kutta 4 (RK4). Инструмент пригодится квантам, риск-менеджерам и исследователям для стресс-тестирования портфелей и моделирования редких рыночных аномалий.

Ключевые особенности

  • Высокая скорость генерации: решение дифференциального уравнения методом RK4 требует 4–8 вычислений функции (NFE) вместо 1000 шагов у DDPM.
  • 5 рыночных режимов: поддержка спокойного тренда, кластеризации волатильности с тяжёлыми хвостами, кризисов ликвидности и флэш-крахов, скачкообразной диффузии (модель Бейтса) и межрыночных корреляций.
  • Точная оценка правдоподобия: детерминированное векторное поле скорости исключает дисперсию усечения при расчёте вероятностей.
  • Готовая экосистема: вместе с моделью опубликованы датасет бенчмарков и интерактивная студия симуляций.

Что можно сделать

  • Стресс-тестировать алгоритмы и портфели: сгенерировать тысячи траекторий флэш-крахов и кризисов ликвидности в режиме Liquidity Crisis & Flash Crash.
  • Симулировать кластеризацию волатильности: получить синтетические доходности с распределением Стьюдента для проверки риск-моделей на экстремальных выбросах.
  • Моделировать мультиактивные портфели: воспроизвести коррелированную дисперсию сразу по нескольким взаимосвязанным активам.

Пример

from flow_engine import ContinuousNormalizingFlowEngine

engine = ContinuousNormalizingFlowEngine()
result = engine.sample(
    num_samples=1000,
    nfe_steps=8,
    regime="heavy_tailed_volatility_clustering"
)
print(result['kurtosis'], result['skewness'])
ПодробнееБенчмарк: ошибка W2 Transport Error составляет 0.014 при 8 NFE (против 0.038 при 20 NFE у Rectified Flow, 0.065 при 100 NFE у Score-based SDE и 0.082 при 1000 NFE у DDPM).
Математика: обучение по регрессии векторного поля скорости вдоль геодезических 2-Wasserstein Optimal Transport.
Лицензия: Apache-2.0.
Обсудить Telegram 0 29

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # At1uri/flow-matching-generative-engine
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download At1uri/flow-matching-generative-engine --local-dir ~/models/flow-matching-generative-engine
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к flow-matching-generative-engine
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии flow-matching-generative-engine — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

At1uri/flow-matching-generative-engine
Автор
At1uri
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии