DolphinDB是一款高性能分布式时序数据库。与传统的关系数据库和常见的时序数据库不同，DolphinDB不仅提供了高速存取时序数据的基本功能，而且内置了向量化的多范式编程语言与强大的计算引擎。DolphinDB的计算引擎不仅可以用于量化金融的回测和研发，也可以用于生产环境的实时计算，譬如各种频率的金融量化因子的流式实时计算。 1.概述 1.1DolphinDB流计算框架 DolphinDB内置的流数据框架支持流数据的发布，订阅，预处理，实时内存计算，复杂指标的滚动窗口计算、滑动窗口计算、累计窗口计算等，是一个运行高效、使用便捷的流数据处理框架。 本教程主要介绍如何在 “流数据表...

4月27日晚七点半，我们围绕高频因子计算，以快照、逐笔成交等Level2行情因子为例，为大家介绍了 DolphinDB与Python的脚本差异，并展示了如何在DolphinDB中实现高频因子流式计算，从数据分析层面总结了一套 Python与DolphinDB的转换攻略，吸引了众多量化同行参加。错过直播也没关系，本文将带你回顾直播精彩内容！ 点击获取完整直播回放： 打破Python束缚：Level2因子的脚本优化实践 更多完整因子代码和性能对比，请参考知乎教程：DolphinDB：DolphinDB处理Level2行情数据实例 DolphinDB的定位是一款基于高...

DolphinDB曾发布过 DolphinDB：WorldQuant101Alpha因子的流批一体实现 和 DolphinDB：国泰君安191Alpha因子的流批一体实现 这两篇文章，介绍了如何基于DolphinDB的StreamEngineParser实现金融因子的流批一体解决方案。 StreamEngineParser 的主要功能是自动构建计算流水线，以及在流批一体计算场景中，将批计算因子翻译成流计算解决方案。本文将为大家详细介绍StreamEngineParser的计算规则和解析原理。 1.StreamEngineParser功能介绍 ...

在量化交易中，基于金融市场的L1/L2的报价和交易高频数据来进行高频因子计算，是非常常见的投研需求。目前国内全市场十年的L2历史数据约为2050T，每日新增的数据量约为1020G。传统的关系数据库如MSSQLServer或MySQL已经很难支撑该量级的数据，即便分库分表，查询性能也远远无法达到要求。由此，一部分用户选择了分布式文件系统,使用HDF5存储数据，并结合Python进行量化金融计算。 HDF5的存储方案虽然可以支持海量的高频数据，但是也存在一些痛点，例如数据权限管理困难、不同数据关联不便、检索和查询不便、需要通过数据冗余来提高性能等。此外，通过Python来读取计算，也要耗费一些时间...