如何提升 ETF 期权隐含波动率和希腊值的计算速度？

于 2023-02-15 09:47:11 发布
阅读量646 收藏 1
点赞数
文章标签： DolphinDB 实时计算 隐含波动率 ETF 期权 Powered by 金山文档
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41996852/article/details/129037569
版权

期权的隐含波动率可以反应市场对未来的预期，通常使用牛顿法和二分法来计算。这两种方法都需要频繁迭代，且迭代次数不能确定，核心代码无法向量化，因此只能通过循环来逼近求解。这就导致在期权相关计算中，隐含波动率往往容易成为性能的瓶颈。

DolphinDB 的计算逻辑使用脚本语言编写，但底层调用的是 C++ 代码，存在脚本解释的过程。为了提高脚本的执行效率，DolphinDB 从 1.01 版本开始支持即时编译（JIT）功能，特别适合于无法使用向量化运算但又对运行速度有极高要求的场景。

本教程将基于客户的实际需求，以二分法计算 ETF 期权的隐含波动率及希腊值为例，为大家示范如何使用 DolphinDB 的 JIT 功能给计算过程加速，并与 C++ 原生代码进行了计算性能对比测试，结果表明 DolphinDB 脚本计算耗时为 C++ 原生代码的1.5倍。

1. 数据表结构

1.1 期权日频数据表

字段

字段类型

含义

tradedate

DATE

交易日期

sym

SYMBOL

标的代码

codes

SYMBOL

期权合约代码

closeprice

DOUBLE

日收盘价格

etf

SYMBOL

期权合成价格的两个合约代码

etfprice

DOUBLE

期权合成价格

字符串字段使用 SYMBOL 类型和 STRING 类型存储的差异，参考： 数据类型 — DolphinDB 2.0 文档的字符串部分内容。

期权日频数据表在 DolphinDB 中存储时，建议在时间维度按年分区即可，创建库表的代码如下：

login("admin", "123456")
dbName = "dfs://optionPrice"
tbName = "optionPrice"
if(existsDatabase(dbName)){
	dropDatabase(dbName)
}
db = database(dbName, RANGE, date(datetimeAdd(2000.01M,0..50*12,'M')))
colNames = `tradedate`sym`codes`closeprice`etf`etfprice
colTypes = [DATE, SYMBOL, SYMBOL, DOUBLE, SYMBOL, DOUBLE]
schemaTable = table(1:0, colNames, colTypes)
db.createPartitionedTable(table=schemaTable, tableName=tbName, partitionColumns=`tradedate)

读取 50 ETF 日频数据，代码如下：

data = select * from loadTable("dfs://optionPrice", "optionPrice") where sym =`510050

data 是表变量，具体数据内容如下图所示：

通过 panel 函数对 data 进行透视操作，将窄表数据展成矩阵，生成期权日收盘价矩阵，代码如下：

closPriceWideMatrix = panel(data.codes, data.tradeDate, data.closePrice)

closPriceWideMatrix 是矩阵变量，具体数据内容如下图所示：

通过 panel 函数对 data 进行透视操作，将窄表数据展成矩阵，生成期权合成价格矩阵，代码如下：

etfPriceWideMatrix = panel(data.codes, data.tradeDate, data.etfprice)

etfPriceWideMatrix 是矩阵变量，具体数据内容如下图所示：

1.2 期权信息

字段

字段类型

含义

code

STRING

期权合约代码

name

STRING

期权合约名称

exemode

INT

期权类型（认购认沽类型）

exeprice

DOUBLE

行权价

startdate

DATE

开始日期

lastdate

DATE

结束日期

sym

SYMBOL

标的代码

exeratio

DOUBLE

乘数

exeprice2

DOUBLE

分红后的行权价

dividenddate

DATE

分红日

tradecode

STRING

交易代码

期权信息数据在 DolphinDB 中存储时，建议在证券代码维度按值分区即可，创建库表的代码如下：

login("admin", "123456")
dbName = "dfs://optionInfo"
tbName = "optionInfo"
if(existsDatabase(dbName)){
	dropDatabase(dbName)
}
db = database(dbName, VALUE, `510050`510300)
colNames = `code`name`exemode`exeprice`startdate`lastdate`sym`exeratio`exeprice2`dividenddate`tradecode
colTypes = [STRING, STRING, INT, DOUBLE, DATE, DATE, SYMBOL, DOUBLE, DOUBLE, DATE, STRING]
schemaTable = table(1:0, colNames, colTypes)
db.createPartitionedTable(table=schemaTable, tableName=tbName, partitionColumns=`sym)

读取数据：

contractInfo = select * from loadTable("dfs://optionInfo", "optionInfo") where sym =`510050

contractInfo 是表变量，具体数据内容如下图所示：

1.3 交易日历

字段

字段类型

含义

tradedate

DATE

交易日期

交易日历存放在单列 csv 文件中，可以使用 DolphinDB 的 loadText 函数接口直接读取：

//交易日历csv文件路径
tradingDatesAbsoluteFilename = "/hdd/hdd9/tutorials/jitAccelerated/tradedate.csv"
startDate = 2015.02.01
endDate = 2022.03.01
//读取csv文件
allTradingDates = loadText(tradingDatesAbsoluteFilename)
//生成交易日向量
tradingDates = exec tradedate from allTradingDates where tradedate<endDate and tradedate >startDate

allTradingDates 是表变量，可以使用 exec 函数将表中的某一列转成向量变量，tradingDates 是向量变量。

2. 计算函数代码开发

2.1 隐含波动率

DolphinDB 脚本语言需要先解释再执行，计算密集的代码如果不能向量化，在脚本层面使用 while 和 for 循环以及条件分支，就会比较耗时。期权隐含波动率计算的步骤，由于使用了上下限值循环逼近的二分法，正是需要 JIT 加速的计算类型。以下就是二分法逼近隐含波动率的代码：

@jit
def calculateD1JIT(etfTodayPrice, KPrice, r, dayRatio, HLMean){
	skRatio = etfTodayPrice / KPrice
	denominator = HLMean * sqrt(dayRatio)
	result = (log(skRatio) + (r + 0.5 * pow(HLMean, 2)) * dayRatio) / denominator
	return result
}

@jit
def calculatePriceJIT(etfTodayPrice, KPrice , r , dayRatio , HLMean , CPMode){
	testResult = 0.0
	if (HLMean <= 0){
		testResult = CPMode * (etfTodayPrice - KPrice)
		if(testResult<0){
			return 0.0
		}
		return testResult
	}
	d1 = calculateD1JIT(etfTodayPrice, KPrice, r, dayRatio, HLMean)
	d2 = d1 - HLMean * sqrt(dayRatio)
	price = CPMode * (etfTodayPrice * cdfNormal(0, 1, CPMode * d1) - KPrice * cdfNormal(0, 1, CPMode * d2) * exp(-r * dayRatio))
	return price
}

@jit
def calculateImpvJIT(optionTodayClose, etfTodayPrice, KPrice, r, dayRatio, CPMode){
	v = 0.0	
	high = 2.0
	low = 0.0
	do{
		if ((high - low) <= 0.00001){
			break
		}
		HLMean = (high + low) / 2.0
		if (calculatePriceJIT(etfTodayPrice, KPrice, r, dayRatio, HLMean, CPMode) > optionTodayClose){
			high = HLMean
		}
		else{
			low = HLMean
		}
	}
	while(true)
	v = (high + low) / 2.0
	return v
}

def calculateImpv(optionTodayClose, etfTodayPrice, KPrice, r, dayRatio, CPMode){
	originalShape = optionTodayClose.shape()
	optionTodayClose_vec = optionTodayClose.reshape()
	etfTodayPrice_vec = etfTodayPrice.reshape()
	KPrice_vec = KPrice.reshape()
	dayRatio_vec = dayRatio.reshape()
	CPMode_vec = CPMode.reshape()
	impvTmp = each(calculateImpvJIT, optionTodayClose_vec, etfTodayPrice_vec, KPrice_vec, r, dayRatio_vec, CPMode_vec)	
	impv = impvTmp.reshape(originalShape)	
	return impv
}

calculateImpvJIT 是计算隐含波动的核心代码，其入参 optionTodayClose, etfTodayPrice, KPrice, r, dayRatio, CPMode 都是标量对象，其调用的 calculatePriceJIT 函数和 calculateD1JIT 函数都通过 @jit 装饰器的方式封装成JIT函数，以达到加速计算的目的。

calculateImpv 是计算隐含波动的最终调用函数，其入参 optionTodayClose, etfTodayPrice, KPrice, dayRatio, CPMode 都是矩阵对象，其主要作用是把输入和输出进行矩阵和向量的转换，以适不同函数的入参和输出。在后面 delta, gamma, vega, theta 计算时，也会用到这些矩阵入参，这里以 2015年2月16日的 50ETF 为例进行展示。

  • optionTodayClose

  • etfTodayPrice

  • KPrice

  • dayRatio

  • CPMode

2.2 delta

delta 表示期权价格对标的资产价格的变动率，即标的资产价格每变动一个单位，期权价格产生的变化。

delta 的计算可以方便地实现向量化计算，所以不需要调用 JIT 功能，其代码如下：

def calculateD1(etfTodayPrice, KPrice, r, dayRatio, HLMean){
	skRatio = etfTodayPrice / KPrice
	denominator = HLMean * sqrt(dayRatio)
	result = (log(skRatio) + (r + 0.5 * pow(HLMean, 2)) * dayRatio) / denominator
	return result
}

def cdfNormalMatrix(mean, stdev, X){
	originalShape = X.shape()
	X_vec = X.reshape()
	result = cdfNormal(mean, stdev, X_vec)
	return result.reshape(originalShape)
}

def calculateDelta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode){
	delta = iif(
			impvMatrix <= 0,
			0,
			0.01*etfTodayPrice*CPMode*cdfNormalMatrix(0, 1, CPMode * calculateD1(etfTodayPrice, KPrice, r, dayRatio, impvMatrix))
		)
	return delta
}

calculateDelta 是计算 delta 的最终调用函数，其入参 etfTodayPrice, KPrice, dayRatio, impvMatrix, CPMode 都是矩阵对象。

2.3 gamma

gamma 表示 delta 对于标的资产价格的变动率，即标的资产价格每变动一个单位，delta 值产生的变化。

gamma 的计算可以方便地实现向量化计算，所以不需要调用 JIT 功能，其代码如下：

def normpdf(x){
	return exp(-pow(x, 2)/2.0)/sqrt(2*pi)
}

def calculateD1(etfTodayPrice, KPrice, r, dayRatio, HLMean){
	skRatio = etfTodayPrice / KPrice
	denominator = HLMean * sqrt(dayRatio)
	result = (log(skRatio) + (r + 0.5 * pow(HLMean, 2)) * dayRatio) / denominator
	return result
}

def calculateGamma(etfTodayPrice, KPrice, r, dayRatio, impvMatrix){
	gamma = iif(
			impvMatrix <= 0,
			0,
			(normpdf(calculateD1(etfTodayPrice,  KPrice, r, dayRatio, impvMatrix)) \ (etfTodayPrice * impvMatrix * sqrt(dayRatio))) * pow(etfTodayPrice, 2) * 0.0001
		)	
	return gamma
}

calculateGamma 是计算 gamma 的最终调用函数，其入参 etfTodayPrice, KPrice, dayRatio, impvMatrix 都是矩阵对象。

2.4 vega

vega 表示波动率单位变动对期权价格产生的变化。

vega 的计算可以方便地实现向量化计算，所以不需要调用 JIT 功能，其代码如下：

def normpdf(x){
	return exp(-pow(x, 2)/2.0)/sqrt(2*pi)
}

def calculateD1(etfTodayPrice, KPrice, r, dayRatio, HLMean){
	skRatio = etfTodayPrice / KPrice
	denominator = HLMean * sqrt(dayRatio)
	result = (log(skRatio) + (r + 0.5 * pow(HLMean, 2)) * dayRatio) / denominator
	return result
}

def calculateVega(etfTodayPrice, KPrice, r, dayRatio, impvMatrix){
	vega = iif(
			impvMatrix <= 0,
			0,
			etfTodayPrice * normpdf(calculateD1(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)) * sqrt(dayRatio)
		)
	return vega \ 100.0
}

calculateVega 是计算 vega 的最终调用函数，其入参 etfTodayPrice, KPrice, dayRatio, impvMatrix 都是矩阵对象。

2.5 theta

theta 表示时间流逝对期权价格产生的变化，即每减少一天，期权价格的变化值。

theta 的计算可以方便地实现向量化计算，所以不需要调用 JIT 功能，其代码如下：

def calculateD1(etfTodayPrice, KPrice, r, dayRatio, HLMean){
	skRatio = etfTodayPrice / KPrice
	denominator = HLMean * sqrt(dayRatio)
	result = (log(skRatio) + (r + 0.5 * pow(HLMean, 2)) * dayRatio) / denominator
	return result
}

def normpdf(x){
	return exp(-pow(x, 2)/2.0)/sqrt(2*pi)
}

def cdfNormalMatrix(mean, stdev, X){
	originalShape = X.shape()
	X_vec = X.reshape()
	result = cdfNormal(mean, stdev, X_vec)
	return result.reshape(originalShape)
}


def calculateTheta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode){
	annualDays = 365
	d1 = calculateD1(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)
	d2 = d1 - impvMatrix * sqrt(dayRatio)
	theta = (-etfTodayPrice * normpdf(d1) * impvMatrix \ (2 * sqrt(dayRatio)) - CPMode * r * KPrice * exp(-r * dayRatio) *cdfNormalMatrix(0, 1, CPMode * d2)) \ annualDays
	result = iif(impvMatrix<= 0, 0, theta)	
	return result
}

calculateTheta 是计算 theta 的最终调用函数，其入参 etfTodayPrice, KPrice, dayRatio, impvMatrix, CPMode 都是矩阵对象。

2.6 单日计算函数

开发完最核心的计算函数后，可以自定义一个单日计算函数，计算指定日期的隐含波动率和希腊值，其代码如下：

def calculateOneDayGreek(closPriceWideMatrix, etfPriceWideMatrix, contractInfo, targetDate){
	targetDate_vec = [targetDate]
	r = 0
	optionTodayClose = getTargetDayOptionClose(closPriceWideMatrix, targetDate_vec)
	validContractsToday = optionTodayClose.columnNames()
	etfTodayPrice = getTargetDayEtfPrice(etfPriceWideMatrix, targetDate_vec)
	KPrice, dayRatio, CPMode = getTargetDayContractInfo(contractInfo, validContractsToday, targetDate_vec)
	impvMatrix = calculateImpv(optionTodayClose, etfTodayPrice, KPrice, r, dayRatio, CPMode)
	deltaMatrix = calculateDelta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode)\(etfTodayPrice*0.01)
	gammaMatrix = calculateGamma(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)\(pow(etfTodayPrice, 2) * 0.0001)
	vegaMatrix = calculateVega(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)
	thetaMatrix = calculateTheta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode)
	todayTable = table(validContractsToday as optionID, impvMatrix.reshape() as impv, deltaMatrix.reshape() as delta, gammaMatrix.reshape() as gamma, vegaMatrix.reshape() as vega, thetaMatrix.reshape() as theta)
	todayTable["tradingDate"] = targetDate
	todayTable.reorderColumns!(["optionID", "tradingDate"])
	return todayTable
}

calculateOneDayGreek 的入参 closPriceWideMatrix, etfPriceWideMatrix 是矩阵对象（参考第1章节的读取数据），contractInfo 是表对象（参考第1章节的读取数据），targetDate 是标量对象。

calculateOneDayGreek 函数还调用了 getTargetDayOptionClose 函数， getTargetDayEtfPrice 函数和getTargetDayContractInfo 函数，调用的目的是从全量数据中获取计算当日的有效信息，代码如下：

/*
 * 按合约和交易日在期权日频收盘价矩阵中寻找对应价格
 */
def getTargetDayOptionClose(closPriceWideMatrix, targetDate){
	colNum = closPriceWideMatrix.colNames().find(targetDate)
	return closPriceWideMatrix[colNum].transpose().dropna(byRow = false)
}

/*
 * 按合约和交易日在期权合成期货价格矩阵中寻找对应价格
 */
def getTargetDayEtfPrice(etfPriceWideMatrix, targetDate){
	colNum = etfPriceWideMatrix.colNames().find(targetDate)
	return etfPriceWideMatrix[colNum].transpose().dropna(byRow = false)
}

/*
 * 根据合约和交易日在期权信息表中寻找 KPrice, dayRatio, CPMode
 */
def getTargetDayContractInfo(contractInfo, validContractsToday, targetDate){
	targetContractInfo = select code, exemode, exeprice, lastdate, exeprice2, dividenddate, targetDate[0] as tradingDate from contractInfo where Code in validContractsToday
	KPrice = exec iif(tradingDate<dividenddate, exeprice2, exeprice) from targetContractInfo pivot by tradingDate, code
	dayRatio = exec (lastdate-tradingDate)\365.0 from targetContractInfo pivot by tradingDate, Code
	CPMode = exec exemode from targetContractInfo pivot by tradingDate, Code
	return KPrice, dayRatio, CPMode
}

calculateOneDayGreek 函数的具体使用方法会在下一章说明。

2.7 多日并行计算函数

自定义单日计算函数后，可以再自定义一个多日并行计算函数，其代码如下：

def calculateAll(closPriceWideMatrix, etfPriceWideMatrix, contractInfo, tradingDates, mutable result){
	calculator = partial(calculateOneDayGreek, closPriceWideMatrix, etfPriceWideMatrix, contractInfo)
	timer{
		allResult = ploop(calculator, tradingDates)
	}
	for(oneDayResult in allResult){
		append!(result, oneDayResult)
	}	
}

calculateAll 是自定义的多日并行计算函数，主要用到了 DolphinDB 内置的 partial 部分应用函数和 ploop 并行计算函数，直接传入要并行的函数和入参，不必像其他语言一样先定义线程池/进程池。calculateAll 函数的具体使用方法会在下一章说明。

3. 计算性能测试

测试的交易日范围从2015年2月到2022年3月，实际交易日1729天。测试的期权品种是 50 ETF，证券代码为510050，涉及期权合约共3124个。

3.1 测试环境

  • CPU 类型：Intel(R) Xeon(R) Silver 4216 CPU @ 2.10GHz

  • 逻辑 CPU 总数：8

  • 内存：64GB

  • OS：64位 CentOS Linux 7 (Core)

3.2 单日计算性能测试

单线程单日计算性能测试代码如下：

//定义单日性能测试函数
def testOneDayPerformance(closPriceWideMatrix, etfPriceWideMatrix, contractInfo, targetDate){
	targetDate_vec = [targetDate]
	r = 0
	optionTodayClose = getTargetDayOptionClose(closPriceWideMatrix, targetDate_vec)
	validContractsToday = optionTodayClose.columnNames()
	etfTodayPrice = getTargetDayEtfPrice(etfPriceWideMatrix, targetDate_vec)
	KPrice, dayRatio, CPMode = getTargetDayContractInfo(contractInfo, validContractsToday, targetDate_vec)
	timer{
		impvMatrix = calculateImpv(optionTodayClose, etfTodayPrice, KPrice, r, dayRatio, CPMode)
		deltaMatrix = calculateDelta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode)\(etfTodayPrice*0.01)
		gammaMatrix = calculateGamma(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)\(pow(etfTodayPrice, 2) * 0.0001)
		vegaMatrix = calculateVega(etfTodayPrice, KPrice, r, dayRatio, impvMatrix)
		thetaMatrix = calculateTheta(etfTodayPrice, KPrice, r, dayRatio, impvMatrix, CPMode)
	}
	todayTable = table(validContractsToday as optionID, impvMatrix.reshape() as impv, deltaMatrix.reshape() as delta, gammaMatrix.reshape() as gamma, vegaMatrix.reshape() as vega, thetaMatrix.reshape() as theta)
	todayTable["tradingDate"] = targetDate
	todayTable.reorderColumns!(["optionID", "tradingDate"])
	return todayTable
}
//执行单日性能测试函数
oneDay = testOneDayPerformance(closPriceWideMatrix, etfPriceWideMatrix, contractInfo, 2022.02.28)

测试结果如下：

  • 计算日期为 2022年2月28日

  • 测试的期权品种是 50 ETF，涉及期权合约共136个

  • DolphinDB 脚本计算总耗时为2.1 ms

  • C++ 原生代码计算总耗时为1.02 ms

3.3 多日并行计算性能测试

多日并行计算性能测试代码如下：

//创建存储计算结果的表变量
result = table(
		array(SYMBOL, 0) as optionID,
		array(DATE, 0) as tradingDate,
		array(DOUBLE, 0) as impv,
		array(DOUBLE, 0) as delta,
		array(DOUBLE, 0) as gamma,
		array(DOUBLE, 0) as vega,
		array(DOUBLE, 0) as theta
	)
//执行多日并行计算函数
calculateAll(closPriceWideMatrix, etfPriceWideMatrix, contractInfo, tradingDates, result)

测试结果如下：

  • 计算日期为 2015年2月到2022年3月

  • 测试的期权品种是 50 ETF，涉及期权合约共3124个

  • 计算的并行度为8，测试环境的8个 CPU 满负荷运行

  • DolphinDB 脚本计算总耗时为300 ms

  • C++ 原生代码计算总耗时为200 ms

计算过程中的 CPU 使用率：

4. 总结

本教程中期权隐含波动率的计算使用了 JIT 功能提速，其余希腊值的计算使用了向量化计算。我们测试了2015年2月到2022年3月 50 ETF 所有期权合约的隐含波动率和希腊值的计算性能，在8个 CPU 满负荷运行下，DolphinDB 脚本计算总耗时为300 ms，C++ 原生代码计算总耗时为200 ms，耗时相差50%左右。

关于 DolphinDB JIT 的更多详细特性，可以参考 DolphinDB JIT教程。

通过 DolphinDB 下载连接下载 DolphinDB server 进行测试的时候，必须选择包含 JIT 功能的安装包，如下图所示：

附录

调用计算函数的计算脚本.txt

期权隐含波动率和希腊值计算函数.txt

DolphinDB智臾科技
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
博客
策略回测从2小时提速到1分钟，DolphinDB 助力华夏基金量化投研
09-07 2535
华夏基金对市面上多家数据库进行调研测试，从性能、语言学习成本和技术服务等多方面进行综合考量，最终选择高性能时序数据库 DolphinDB。本文将分享华夏基金使用 DolphinDB 的业务实践。
博客
更高效的数据交互实现丨 DolphinDB Arrow 插件使用教程
05-14 589
基于 PyArrow 官方提供的 C++ SDK，DolphinDB 开发了能够将 DolphinDB 数据格式和 Arrow 数据格式相互转换的数据格式插件，帮助用户将 DolphinDB 数据服务对接到 Arrow 环境中，以便缩短业务的全流程时间和降低序列化成本。
博客
对接极速行情丨DolphinDB MDL 行情插件使用指南
05-14 711
DolphinDB 提供了能够从 MDL 服务器获取高频行情数据的 DolphinDB MDL 插件，帮助用户方便地通过 DolphinDB 脚本语言将实时行情数据接入 DolphinDB 中，以便进行后续的计算或存储。本文主要介绍如何通过 MDL 插件将实时行情数据写入分布式数据库。
博客
更便捷的数据工程化管理：数据目录（catalog）使用教程
05-09 961
为了向用户提供更便捷、更标准、兼容性更强的数据库访问体验，同时能够更方便地与第三方软件进行集成，DolphinDB 在 3.00.0 版本中引入了 catalog 功能。用户可通过 catalog 统一管理 database 和 table 等数据库对象，并使用标准 SQL 的语法对其进行访问。阅读原文详细了解 DolphinDB catalog 的基本概念与具体用法~
博客
利用函数视图实现精细化管控：DolphinDB 非标权限管理指南
05-09 934
今天为大家分享如何在 DolphinDB 中通过函数视图，对表的访问权限实现更加精细和个性化的管控，例如限制用户仅能访问表中某些行或某些列的数据。阅读全文了解更多！
博客
三度蝉联！DolphinDB 荣登《2024杭州独角兽&准独角兽企业榜单》
05-07 206
在过去几年，DolphinDB 的付费客户遍及中国大陆及港台地区、欧洲、美国、澳大利亚等地，客户领域包括金融、能源、智能制造、电信、化工、水务、营销分析、智慧城市等。展望未来， DolphinDB 将顺应数字化、智能化快速发展的时代浪潮，继续秉持创新驱动的理念，加大技术研发投入，持续推动产品迭代。同时，DolphinDB 也将积极拓展应用场景，覆盖更多行业领域，为更多用户提供高效、稳定、安全的数据处理解决方案，共同书写数据科技产业的新篇章。作为时序数据库领域的领军厂商，
博客
复杂事件处理（CEP）引擎白皮书正式发布！
05-07 410
现已上线官网！
博客
云边协同：DolphinDB 构建一体化振动监控与故障诊断解决方案
04-25 917
将 DolphinDB 部署在边缘端，可以赋予边缘设备强大的计算能力，满足边缘设备的数据处理需求~
博客
走进上海交大丨用 DolphinDB 开启你的量化交易职业生涯
04-25 352
除了讲座，DolphinDB 将联合高校，走进课堂，为高校学子带来一系列“术业结合”的优质课程，内容涵盖高频数据和因子存储、流批一体因子开发、多因子建模和推理（深度学习和回归方法）、高频回测和模拟撮合、各类资产 K 线计算、低延时交易系统构建和流计算引擎实践等，在带来更多优质资源与技术前沿分享的同时，也为行业培育更多精通金融数据分析与 DolphinDB 技术的专业人才。通过这节课的学习，同学们更好地理解了金融数据的来源与特性，为后续的数据分析和应用奠定了坚实基础。
博客
DolphinDB 公开课视频上线啦！
04-22 422
通过考试不仅能拿到闪亮的官方认证证书，还能在 DolphinDB 社区里大显身手，与其他高手密切交流切磋，分享见解，共同成长。为了更好地满足大家系统学习使用 DolphinDB、备考技能认证的热切需求，我们特别推出了一系列在线免费培训课程视频！课程共包含六个系列：数据库入门、流数据入门、数据分析入门、数据库进阶、流数据进阶与数据分析进阶。如果在学习过程中有疑问或需要进一步的帮助，欢迎在视频评论区留言或添加小助手微信（dolphindb1），将有专门的技术人员在线为您解答问题。：安装 DolphinDB。
博客
讲座回顾｜DolphinDB 携手上海高金共探量化前沿
04-22 274
周博士的讲座以一个简短有力的问题开场，围绕“如何高效存储和分析海量数据，更快发掘新的有效因子”这一行业重点问题，周博士详细分析了传统数据管理解决方案在数据存储、数据分析以及实时计算方面可能存在的短板与局限，并向大家分享了 DolphinDB 在为行业解决这些问题时，总结出的深刻经验。在讲座的最后，周博士介绍了量化行业的一些前沿技术课题与尝试，包括如何构建交易系统和量化垂直领域的 AI 应用，让与会者对行业发展动向和未来可能的需求领域有了更深入的实务了解。在量化投资中的重要地位，并深入讲解了如何利用。
博客
案例与脚本实践：DolphinDB 轻量级实时数仓的构建与应用
04-17 1277
随着大数据时代的来临，传统的离线数仓处理大规模实时数据的局限性日益凸显。今天为大家分享一个关于水电站发电机组设备实时监控的案例，介绍如何通过 DolphinDB 快速搭实时数仓，助力复杂业务场景下海量数据的低延时复杂指标计算和分析。文中还附有全套脚本，大家可以根据教程，结合自身业务特点，尝试动手搭建你的轻量级高性能的实时数据仓库！
博客
基于快照行情的股票/基金 1分钟 K 线合成指南
04-17 1064
通过此教程，你可以了解到：如何在 DolphinDB 中基于历史/实时快照行情数据，合成沪深北交易所股票和基金的1分钟 K 线。
博客
基于逐笔数据合成高频订单簿：DolphinDB 订单簿引擎
04-16 997
私戳后台申请试用！
博客
发布！DolphinDB 白皮书正式上线官网！
04-16 573
DolphinDB 数据库白皮书与 DolphinDB 流数据白皮书在官网上线啦！
博客
3.00 版本来了！DolphinDB V2.00.12 & V3.00.0 正式发布！
04-11 786
快点击文章查看详细介绍，动手试用新版本吧！
博客
低延时+高并发+强事务丨DolphinDB 交易型内存存储引擎 IMOLTP 使用指南
04-11 941
DolphinDB 设计并实现了一款自研的交易型内存存储引擎 IMOLTP，在省去磁盘 I/O 开销的同时，能够低延迟地响应高频度、高并发的更新和查询操作，点击文章了解如何使用！
博客
更高效、更简洁的 SQL 语句编写丨DolphinDB 基于宏变量的元编程模式详解
04-02 1340
DolphinDB V3.00.0 / 2.00.12 版本将支持更高效简洁的元编程方法——基于宏变量的元编程，点击原文了解如何使用~
博客
物联网行业中，我们如何选择数据库？
04-02 1051
时序数据库不仅是存储时序数据的媒介，更是对数据进行深刻理解的智能引擎，为我们提供了探索和解析复杂数据的工具。数据库，时序数据库在物联网行业有广泛的应用场景（如工业制造、能源电力、航空航天、智慧交通、设备健康、智能运维、医疗保健、零售业等），通过对海量时序数据进行分析预测，企业可以获得有价值的信息，从而做出更明智的决策，获得独特的竞争优势。5. 另外，时序数据库对于多变、动态的数据模型更为灵活，能够容纳不同类型和结构的时序数据，在设计上更加注重满足时序数据的特殊需求，以提供更高效灵活的存储和查询方案。
博客
对接中泰极速行情 | DolphinDB XTP 插件使用教程
03-29 1266
XTP 是中泰证券推出的高性能交易平台，专为专业投资者提供高速行情及交易系统，旨在提供优质便捷的市场接入通道。目前支持股票、基金、ETF、债券、期权等多个市场，可满足不同投资者需求。基于 XTP 官方 C++ SDK，#DolphinDB 开发了 XTP 插件，从而支持便捷高效地将 XTP 实时行情数据导入 DolphinDB，进行流计算处理及持久化存储。点击链接了解 DolphinDB XTP 插件使用详情！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值