DolphinDB智臾科技

在投入实盘交易 之前，利用市场的历史数据对量化中高频策略进行测试和评估是确保交易策略有效性和可行性的重要步骤。本文将通过一个期货分钟频率 CTA 策略的回测案例，为大家详细介绍 DolphinDB 中高频回测引擎的使用。接下来我们还将陆续发布股票、期权等回测案例，持续关注~

通过本篇教程，你将了解到如复杂事件和事件监听器等一系列 DolphinDB CEP 引擎的关键概念，通过监听市场行情并记录到日志、实现事件化量价因子驱动策略这两个案例，了解到 DolphinDB CEP 引擎在真实的金融量化场景下发挥的作用。

Alphalens 是 Quantopian 用 Python 开发的一个因子分析（评价）工具包，使用 Alphalens，我们可以对单因子的有效性进行全面分析。目前，我们用 DolphinDB 的脚本语言实现了 Alphalens 因子分析模块。阅读原文了解 DolphinDB Alphalens 因子分析模组实战手册！

九鞅科技选择 DolphinDB 作为其债券绩效归因分析系统底层算法优化的关键技术栈，这一技术方案的替换为投组管理系统的归因效率带来了数十倍的性能提升。

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。

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。

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！

在金融量化领域的多因子模型中，组合权重优化起着至关重要的作用，其中组合权重优化的目标函数和目标函数相对应的约束条件，都是线性规划和非线性规划的重要应用问题。为了满足不同场景的需要，针对实际应用中不同的目标函数和约束条件建立的最优化模型，DolphinDB 提供了多个最优化求解函数，求解速率相比 Python 有显著提升。如果项目中已经使用了 gurobi ，亦可选择使用 DolphinDB 提供的 gurobi 插件，减少数据在软件架构中的传输与计算成本，提高整体求解的效率及降低上手难度。点击

华泰 INSIGHT 是华泰证券依托大数据存储、实时分析等领域的技术积累，整合接入国内多家交易所高频行情数据，为投资者提供集行情接入、推送、回测、计算及分析等功能于一体的 #行情数据 服务解决方案。基于 INSIGHT 官方提供的行情数据服务 C++ SDK（TCP 版本），DolphinDB 开发了能够获取市场行情数据的 INSIGHT 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 进程中，以便进行后续的计算或存储。欢迎了解试用~

目前，我们基于 DolphinDB 完整实现了 Barra 多因子模型 CNLT 的整个流程。通过将 DolphinDB 与 Barra 多因子模型进行深度融合，这套实践方案能帮助用户更准确地分析市场因子对投资组合的影响，同时进一步优化投资策略，以实现更高的投资回报。点击链接get全套指南，建议收藏~

在外汇交易中，存在多个价源。多个价源之间，同一时刻的报价可能存在差异。在多个价源之间，实时选取最优价格具有重要意义，有助于投资者获得更有利的交易执行价，降低交易成本，优化流动性，分散交易风险。基于 DolphinDB 流数据处理框架，我们为大家提供了一种实时选取外汇行情多价源最优价的解决方案，点击链接了解更多~

DolphinDB 的交易日历再度更新啦！自 2.00.11.1 版本起，DURATION 数据类型已支持交易日历。用户可以用“正负数字 + 4个大写字母”的形式表示交易所交易日历时间，计算时还可以自动去除休市日，在只需要考虑交易日的研究中简化数据处理过程，使计算结果准确。点击原文了解详细用法！

DolphinDB 2.00.11 & 1.30.23 新版本发布啦！新版本中，新增了 TSDB 引擎的软删除功能、Web 端的数据面板功能、还对数据分析能力做了进一步的提升：支持了 SQL 开窗函数、新增了适合风控计算场景的规则引擎、优化了对数据回放的倍速限制、更新了2024年度的交易日历……同时，新版本的易用性和运维管理功能也得到了提升与强化。

在业务可行并确保资源充足的情况下，我们推荐将伪高可用集群迁移升级为高可用集群，以提升系统的稳定性和可靠性。本篇教程将详细介绍如何搭建伪高可用集群，以及如何从伪高可用集群迁移到真正的高可用集群。

2024年即将开启，快来看看如何快速更新你的交易日历吧！

本篇内容分享的是几种常见金融数据的分区存储方案大全，包含股票数据、期权数据、期货数据、银行间债券数据、因子数据…

量化机构如何在飞速发展的行业中建立起自己的核心竞争优势？如何更好地利用物理资源、提高投研效率、降低人才门槛？我们或许能从恒泰证券的故事中获得启示......

基于 DolphinDB 流数据处理框架，可以轻松实现 1 分钟、5 分钟、10 分钟股票涨幅榜的实时计算~

为便于用户快速导入通联历史 Level-2 行情数据，DolphinDB 开发了 DolphinDBModules::easyTLDataImport 模块（简称 easyTLDataImport 模块），主要用于通联历史 Level-2 行情数据的自动化导入。

带你破译K线密码~

Python vs DolphinDB，实打实的对比测试报告来了！

OceanBase 2 DolphinDB 的教程来咯

行情数据最佳分区存储方案是什么？多用户多支股票多天多表交易所行情数据回放的最佳实践方案是咋样的？快跟本篇教程一起快速搭建行情回放系统~

手把手教你如何实现日频、高频因子的流式实时计算~

DolphinDB 提供交易日历功能，并内置世界五十多个交易所的交易日历。用户既可以直接使用内置的交易日历，也可以自定义交易日历，基于场景进行个性化定制~

我们使用纽约证券交易所的 Level 1报价数据，原始数据大小272GB，数据条数64亿8千万条，降频生成6100万条分钟级数据，耗时仅41秒。

本篇将系统的介绍DolphinDB的窗口计算，从概念划分、应用场景、指标计算等角度，帮助用户快速掌握和运用DolphinDB强大的窗口计算功能。

前言量化金融的研究和实盘中，越来越多的机构需要根据高频的行情数据（L1/L2以及逐笔委托数据）来计算量价因子。这些因子通常是有状态的：不仅与当前的多个指标有关，而且与多个指标的历史状态相关。以国内的股票市场为例，每3秒收到一个快照，每个股票每天得到4800个快照，计算因子时可能会用到之前若干个快照的数据，甚至之前若干天的数据。若研发环境系统（例如Python）与生产环境系统（例如C++）不同，要维护两套代码，对用户是非常沉重的负担。今天的推文为大家介绍如何使用DolphinDB发布的响应式状态引擎（

DolphinDB提供了功能强大的内存计算引擎，内置时间序列函数，分布式计算以及流数据处理引擎，在众多场景下均可高效的计算K线。本教程将介绍DolphinDB如何通过批量处理和流式处理计算K线。历史数据批量计算K线其中可以指定K线窗口的起始时间；一天中可以存在多个交易时段，包括隔夜时段；K线窗口可重叠；使用交易量作为划分K线窗口的维度。需要读取的数据量特别大并且需要将结果写入数据库时，可使用DolphinDB内置的Map-Reduce函数并行计算。流式计算K线使用API实时接收市场数据，并使用D

TA-Lib是一个Python库，封装了用C语言实现的金融交易技术分析的诸多常用指标。为了方便用户在DolphinDB中计算这些技术指标，我们使用DolphinDB脚本实现了TA-Lib中包含的指标函数，并封装在DolphinDB ta module(ta.dos)中。 使用ta模块需要DolphinDB Database Server1.10.3 或以上版本。1. 函数及参数的命名与用法规范与TA-Lib中所有函数名大写以及所有参数名小写的规范不同，ta模块中，函数名及参数名均采用驼峰式命名法..

永丰金证券是一家在台湾经济业务市占率排行第四的大型券商，外部用户和内部员工都是通过各类电子平台接入到系统来提交服务需求，例如 Web、手机 App、Windows Application 以及 B2B、B2C API 等等。目前，永丰金证券各个电子平台的服务需求处理与回应都是由资讯部门来完成的，据了解平台最高同时在线人数可以达到 12000 人，其中行情数据资料的查询、处理、落地和再应用是最繁重的业务。2020 年 3 月 23 日，台湾证券交易所改变了交易撮合机制，从原本 5 秒集中撮合制度改为微

行列转换（pivot）是一个常见的整理数据的需求，又称为转置或者透视。高频数据通常以下图的格式保存：每一行为一个股票在某个时刻的信息。我们进行数据处理时，考虑到后续的向量化操作，有时会希望数据或者中间结果将原始数据转置，即每行代表不同的时刻，而每列代表一只股票。在DolphinDB中可通过pivot by语句对原始数据或分组聚合结果进行行列转置。若与向量化操作搭配使用，在高频数据处理和计算中，行列转换不仅可简化策略代码，还能提高代码效率。具体请看下面的两个例子。1. 计算股票收益的...

高频时间序列的处理中，经常会用到滑动，偏移，聚合，转置，关联等操作。譬如说我想对一个某指标列用过去一个小时的数据的均值来做平滑处理，又或者想找到每一个时刻，该指标一个小时前的相应的指标值。如果序列中每个指标的间隔是相等的而且中间没有缺失数据，譬如说0.5s，3s，那么我们可以把时间窗口转化成固定记录条数的窗口，基本上常用的数据分析软件语言都可以完成滑动窗口函数功能。如果条件不能满足，就变成了比较复杂的非等间隔的时间序列处理问题。假设有一组这样的数据：time val------ ---12

动量策略是最流行的量化策略之一。商品期货的CTA策略，绝大多数都是基于动量策略。在股票市场，动量策略也是常用的量化因子之一。通俗地讲，动量策略就是“追涨杀跌”。下面我们将介绍如何在DolphinDB中测试动量交易策略，并计算动量交易策略的累积回报。DolphinDB database 是一款高性能分布式时序数据库。与其它通常的数据库不同，DolphinDB不仅可以存储和检索数据，而且具备强大的编程和分析功能，可以直接在数据库内完成策略回测等复杂的工作，便捷且高效。最常用的股票动量因素是基于过去一..

DolphinDB Database是一款高性能分布式时序数据库(time-series database)，它特别适用于投资银行、对冲基金和交易所的定量查询和分析，可以用于构建基于历史数据的策略测试。下面我们将举例说明如何在DolphinDB中快速构建复杂的Alpha因子。著名论文 101 Formulaic Alphas 给出了世界顶级量化对冲基金之一的WorldQuant所使用的101个Alpha因子公式。很多个人和机构尝试用不同的语言来实现这101个Alpha因子。本文中，我们例举了较为简单..

金融市场L1/L2的报价和交易数据是量化交易研究非常重要的数据。国内全市场L1/L2的历史数据约为20~50T，每日新增的数据量约为20~50G。传统的关系数据库如MS SQL Server或MySQL均无法支撑这样的数据量级，即便分库分表，查询性能也远远无法达到要求。例如Impala和Greenplum的数据仓库，以及例如HBase的NoSQL数据库，可以解决这个数据量级的存储，但是这类通用的存储引擎缺乏对时序数据的友好支持，在查询和计算方面都存在严重的不足，对量化金融普遍采用的Python的支持也极为有

DolphinDB提供了功能强大的内存计算引擎，内置时间序列函数，分布式计算以及流数据处理引擎，在众多场景下均可高效的计算K线。本教程将介绍DolphinDB如何通过批量处理和流式处理计算K线。历史数据批量计算K线其中可以指定K线窗口的起始时间；一天中可以存在多个交易时段，包括隔夜时段；K线窗口可重叠；使用交易量作为划分K线窗口的维度。需要读取的数据量特别大并且需要将结果写入数据库时，可使用DolphinDB内置的Map-Reduce函数并行计算。流式计算K线使用API实时接收市场数据，并使用D

本文讲述关于动量策略的一个实例。动量策略是最著名的定量长短期股票策略之一。自从Jegadeesh和Titman(1993)首次提出这个概念以来，它已广泛出现在学术研究和销售方面的著作中。投资者在动量策略中相信，个股中，过去的赢家将超越过去的输家。最常用的动量因素是股票除去最近一个月在过去12个月的收益。 在学术出版物中，动量策略通常是一个月调整一次且持有期也是一个月。在本例中，我们每天重新平衡我们的投资组合的1 / 21，并持有新份额21天。为简单起见，我们不考虑交易成本。步骤 1：加载股票交易数据

高频交易中，我们通常首先基于tick级的报价信息和交易信息来生成信号量，然后将这些信号量转化成离散的买卖信号，譬如说 1 （买入）， 0 （不变）， -1（卖出），接着根据资金和已有头寸以及其他优化规则来生成订单发送到交易系统。本文要讨论第二个步骤，即如何将信号量转化成离散的买卖信号，也就是把一个浮点数类型的数组signal转化成一个取值为1，0或-1的整型数组direction。如果转化规则简单，譬如超过某一个阈值t1为+1 （买入信号），低于某一个阈值t2为-1（卖出信号），其他情况为0，那么实现起

在本系列二（多因子Alpha策略回测）中，我们对美股市场的4个量化因子进行了回测。在这里，我们将使用 DolphinDB database 内置的quadprog函数，对各个因子的权重进行均值方差优化，以决定最佳因子权重。本系列二提供的脚本执行完毕后，数据表factorPnl会存有每个因子每天的收益。以下脚本基于数据表factorPnl。retMatrix=matrix(select C0, C1, C2, C3 from factorPnl)H = cross(covar, retMatrix