기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# Deadline Cloud에서 Monte Carlo 시뮬레이션 실행
<a name="examples-jb-monte-carlo"></a>

[monte\_carlo\_simulation](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/monte_carlo_simulation) 작업 번들은 QuantLib의 Heston 확률 변동성 모델과 함께 Monte Carlo 시뮬레이션을 사용하여 자동 호출 가능한 구조화된 노트 포트폴리오의 가격을 책정합니다. 작업은 [ AWS Batch를 사용한 금융 파생 상품 요금](https://ec2spotworkshops.com/monte-carlo-with-batch.html) 워크숍의 Deadline Cloud 포트입니다.

번들은 2단계 파이프라인을 정의합니다.

1. `PricePositions` - 포트폴리오 위치당 하나의 작업입니다. 작업은 Heston 모델을 한 번 보정하고 청크의 모든 위치에 가격을 책정하는 청크로 그룹화되어 보정 비용을 분할 상환합니다.

1. `AggregateResults` - 위치별 결과를 포트폴리오 요약으로 수집합니다.

번들은 로드 밸런싱을 위해 Open Job Description [TASK\_CHUNKING](https://github.com/OpenJobDescription/openjd-specifications/blob/mainline/rfcs/0001-task-chunking.md) 확장을 사용합니다. 스케줄러는 개별 위치를 디스패치하는 것으로 시작하여 시간이 얼마나 걸리는지 관찰한 다음 대상 런타임에 맞게 청크 크기를 자동으로 늘립니다. 빠른 위치는 더 큰 청크로 그룹화됩니다. 느린 위치는 플릿 전체에 분산된 작업을 유지하기 위해 작은 청크로 유지됩니다.

이 번들을 실행하려면에 대한 `conda-forge` 채널이 포함된 conda 대기열 환경이 있는 대기열이 필요합니다`quantlib-python`. [스타터 팜 템플릿을](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/cloudformation/farm_templates/starter_farm) 배포할 때 `ProdCondaChannels` 파라미터를 로 설정합니다`deadline-cloud conda-forge`.

GUI 제출자와 함께 번들을 제출합니다.

```
deadline bundle gui-submit monte_carlo_simulation/
```

또는 위치 수가 적은 빠른 테스트를 제출합니다.

```
deadline bundle submit monte_carlo_simulation/ \
  -p PositionRange="0-1" -p NumPaths=100
```