富国基金：使用 DolphinDB 订单簿引擎进行订单簿合成

What this page covers

• 报名信息与报名入口。
• 案例文章标题与发布信息（作者/日期）。
• 客户背景与平台建设需求。
• 挑战、限制与合作选择的原因。
• 解决方案：订单簿引擎的架构、能力与指标。
• 成果与业务价值描述。

技能认证特训营第二期报名信息

页面顶部提供活动开营提示与限时报名链接。

• 提供“技能认证特训营第二期”的报名入口。
• 报名入口为外部链接地址。

富国基金：使用 DolphinDB 订单簿引擎进行订单簿合成

页面展示案例文章标题与基础发布信息（作者/日期）。

• 文章标题指向“使用 DolphinDB 订单簿引擎进行订单簿合成”的案例主题。
• 发布日期为 2025-03-31。

客户背景

介绍富国基金的机构定位，以及其在量化与高频场景下的数据处理与平台建设需求。

• 富国基金被描述为中国领先的资产管理机构之一。
• 其服务对象包括机构投资者与高净值客户。
• 核心挑战包括海量实时交易数据处理。
• 目标之一是提升毫秒级响应能力。
• 目标之一是保障系统稳定性。

挑战与突破

阐述传统订单簿数据获取与自研合成系统在复杂性、性能时效与运维容灾方面的瓶颈，并引出与 DolphinDB 的合作选择。

• 传统方案依赖交易所提供的 3 秒级低频快照数据。
• 该数据频率难以满足高频策略对行情颗粒度的需求。
• 自研合成需实时合并、排序逐笔委托与成交数据。
• 自研系统在乱序数据处理上存在漏洞，影响订单簿准确性。
• 自研系统实时流处理延迟可达数百毫秒。
• 自研系统历史批计算耗时过长。
• 分布式节点手动部署与扩缩容效率低下。
• 合作选择涉及 DolphinDB 的内置订单簿引擎（Orderbook Snapshot Engine）。

解决方案与技术实现

说明 DolphinDB 订单簿引擎基于流批一体架构在精准合成、性能优化与数据可靠性方面的实现要点与指标。

• 订单簿引擎以“流批一体”架构为核心。
• 支持沪深两市股票、基金及可转债的订单簿合成。
• 内置交易所特定规则示例包括创业板价格笼子规则。
• 乱序数据可基于 ApplSeqNum 自动缓存并排序。
• 除标准十档量价外，支持衍生指标与用户自定义公式。
• 历史批计算：1 秒频率订单簿合成（单日超 600 支股票）耗时仅需 2 分钟。
• 历史批计算：10 毫秒频率数据合成（单日超 600 支股票）可控制在 5 分钟内完成。
• 实时流（全市场股票订单簿）响应延迟稳定在 0.7 毫秒以内。
• 低延迟通过分布式订阅与多线程并行处理实现。
• 基础设施自动化结合 Terraform 实现 AWS EC2 自动化部署。
• 在 AWS 多可用区部署控制器与数据节点。
• 高可用架构通过 Raft 协议实现故障秒级切换。
• 系统可用性指标为 99.99%。

成果与业务价值

列出项目带来的性能、风控、成本与业务扩展层面的效果描述。

• 延迟被描述为从秒级降至毫秒级（低置信度）。
• 实时订单簿异常检测用于识别多起市场操纵嫌疑（低置信度）。
• 风控响应速度被描述为提升至毫秒级（低置信度）。
• 云资源按需调配带来年度基础设施成本降低（低置信度）。
• 平台扩展至其他产品的高频分析（低置信度）。
• 为多资产量化策略提供统一数据底座（低置信度）。

Facts Index