股票的量化交易中如何建立数据库,如何构建数据存储和检索-1
作为专业的量化交易服务提供商,今天来说一说关于量化交易的一些想法,接下来的这几篇文章专业性会强一点,可能会晦涩一点。
数据、基础设施、策略
量化金融需要大量的数据。一旦开始处理小于每日时间段的数据,数据就会变得更加庞大。数据工程中含有检索、存储、解析、和数据分发等多个方面。给予终端的方面有方法、技术、软件、程序和基础设施等等。
基础设施设置是专业操作的一部分,它是该领域的业余和专业方法之间的区别之一。定义正确的基础设施是业务运营的一部分,在使用量化交易赚钱的中长期旅程中发挥着重要作用。
不同的方法
有不同的方法可以满足这种数据工程需求。所有方法都同样有效,但它们之间有很大区别,需要了解对象的资源和环境才能选择正确的方法。
供应商环境
低频交易量很高的大公司可以选择专有环境(例如Microsoft 生态系统)来移动和存储数据。通过这样做,可以在需要任何自定义(C# 和 Python)时使用友好的编程环境,通过 Azure 和 Microsoft ETL 工具集成云存储以构建易于维护的数据管道。
这种方法的优点是对所有内容使用相同的技术,可以期待在不同的组件中顺利集成。使用商业解决方案还提供了供应商支持。缺点是成本高,而且被供应商绑定,会涉及经常性成本,并且某些活动无法正确完成,因为使用的是通用工具。有一家成熟的商品交易公司就用的是这个方案。这个方案不适用于处理高频或非常自定义或ML密集型策略。
全 Python 方法
业界广泛使用的另一种方法是构建纯 Python 解决方案。其实我对Python的个人感受是复杂的。Py