不确定性市场下的机构策略投研平台探索

What this page covers

• 案例概述与平台建设背景。
• 量化投研流程整合与挑战。
• 一站式量化平台的目标与底层基座定位。
• 平台架构分层与闭环说明。
• 海量数据落库、分布式与数据清洗处理能力。
• 因子计算、回测、流批一体与工具能力。
• 权限、资源、监控与告警能力。

技能认证特训营第二期报名促销

页面顶部提供活动开营通知与限时报名链接。

• 技能认证特训营第二期状态为“正式开启”。
• 页面提供限时报名链接。

页面导航与案例归属（客户案例 / 光大证券）

页面包含指向客户案例列表的导航，并标注当前案例客户为光大证券。

• 页面提供“客户案例”相关导航入口。
• 当前案例归属客户标注为“光大证券”。

不确定性市场下的机构策略投研平台探索（案例概述）

介绍光大证券调研选型并采用 DolphinDB 作为量化投研基础设施核心组件，以及平台建设背景与目标。

• 光大证券在综合调研与性能测试后选定 DolphinDB 作为核心组件。
• 页面将 DolphinDB 表述为“高性能时序数据库”。
• 页面提到的实践场景包括因子挖掘与高频回测。
• 页面观点：盈利目标的关键因素包括降低交易成本。
• 页面观点：盈利目标的关键因素包括提高交易效率。

化零为整：量化投研多环节整合

梳理量化投研流程关键环节及多技术栈集成带来的问题与挑战。

• 量化投研流程包含数据接入。
• 量化投研流程包含存查管理。
• 量化投研流程包含特征工程。
• 量化投研流程包含模型训练。
• 量化投研流程包含策略调试。
• 量化投研流程包含对接生产环境的柜台报盘系统等环节。
• 页面表述：数据是量化投研的起点。
• 页面举例：Python 在中高频行情特征工程中可能受 GIL 等设计影响出现性能瓶颈。
• 因子数据量激增可能带来与深度学习框架集成的工程化与成本问题。
• 页面表述：中高频回测常用技术栈在查询即时性与计算密集任务上可能性能不足。
• 多系统集成可能导致架构冗余与更高调试运维成本。
• 不同技术栈数据交互可能引发重复“造轮子”问题。
• 批处理成果与交易系统流计算对接可能存在困难。

告别散、乱、难管理：一站式量化平台加速投研

描述光大证券希望提供“拎包入住”的一站式量化策略投研平台，并选择 DolphinDB 作为底层基座以整合数据、回测仿真并输出策略信号。

• 页面表述的平台目标是“拎包入住”的全面高效平台。
• DolphinDB 在平台中作为底层基座。
• 底层基座整合投研数据。
• 底层基座整合回测仿真等能力。
• 平台输出策略信号。
• 策略信号输出可用于金工开发场景。
• 策略信号输出可用于智能投顾等场景。

光大证券量化策略平台架构图与说明

以图示与说明描述平台从投研数据、投研服务、投研输出到应用场景的四层结构与闭环。

• 平台架构分为投研数据层。
• 平台架构分为投研服务层。
• 平台架构分为投研输出层。
• 平台架构分为应用场景层。
• 底层数据整合因子库及多维行情数据。
• 投研服务层依托 DolphinDB 提供回测核心算法服务。
• 投研服务层依托 DolphinDB 提供选股算法服务。
• 投研服务层依托 DolphinDB 提供分析算法服务。
• 输出层生成策略信号。
• 输出层生成研报。
• 输出层赋能 Alpha 交易等应用场景。

海量异构数据，高效整合落库

说明投研数据规模、分布式与分区存储、面向行情与因子数据的存储优化，以及行情插件与数据清洗处理能力。

• 页面表述：证券行业全量历史数据规模可达百 T 级。
• 页面表述：投研结果数据规模容易达到 PB 级。
• DolphinDB 采用原生分布式架构以在多节点间分配数据负载。
• DolphinDB 支持数据分区以提高吞吐量。
• DolphinDB 支持并行读写并降低响应延迟。
• 行情数据存储优化包括支持不唯一数据存储。
• 行情数据存储优化包括支持数组类型存储多档报价。
• 行情数据存储优化包括宽表存储以支持面板数据分析。
• 行情数据存储优化包括 co-location 存储以支持逐笔委托与逐笔成交关联计算。
• 因子数据支持“时间+因子/标的”的组合分区方式。
• 外部源数据类型包括股票数据。
• 外部源数据类型包括基金数据。
• 外部源数据类型包括债券数据。
• 外部源数据类型包括期货数据。
• 外部源数据类型包括财务数据。
• 沪深交易所等实时行情可通过 DolphinDB 脚本语言接入平台。
• 数据清洗能力包括去重。
• 数据清洗能力包括异常值处理。
• 数据清洗能力包括缺失值填充。
• 时序数据处理工具包括时区转换。
• 时序数据处理工具包括时间精度转换。
• 时序数据处理工具包括时间类型计算。

一键加速：平台效率与便捷性的双重提升

介绍库内一体化因子计算、AI Dataloader 对接深度学习框架、模块化回测与流批一体实盘对接，以及内置函数/因子库与因子管理平台能力。

• 库内一体化因子计算在数据库内完成读取与计算全过程。
• 页面表述：库内 SQL 计算更易实现因子计算调用及并行调用。
• 页面表述：内置函数可缩减代码量。
• 客户案例表述：Alpha101 全量因子计算相对普通 Python 写法提速 50 倍。
• AI Dataloader 可将数据处理为 PyTorch 或 TensorFlow 等支持的格式。
• AI Dataloader 支持以流水线作业方式增量读取与转换。
• 页面表述：AI Dataloader 可加速数据传输并减少重复开发工作。
• 回测方案支持将分布式表数据回放到流表以模拟交易环境。
• 模拟撮合引擎插件由 DolphinDB 使用 C++ 语言开发。
• 撮合引擎可基于快照和逐笔行情数据模拟委托订单撮合。
• 回测插件支持自定义指标。
• 回测插件支持逐笔行情回测。
• 回测插件支持快照行情回测。
• 回测插件支持分钟频行情回测。
• 回测插件支持日频行情回测。
• 回测输出信息包括收益。
• 回测输出信息包括持仓。
• 回测输出信息包括交易明细。
• 投研到实盘对接：核心因子表达式可直接应用于生产环境实时数据。
• 实时流计算框架包含响应式状态引擎。
• 状态引擎内置常用状态算子。
• 状态引擎支持自定义状态函数。
• 页面表述：流批一体与代码复用可减少维护两套代码。
• 页面表述：一致的数据回放与生产数据可规避批流结果不一致风险。
• 引述：与传统方案相比，整体开发上线周期缩短了八九成。
• DolphinDB 内置函数数量为近 2000 个。
• 支持的因子/指标库包括 TA-Lib。
• 支持的因子/指标库包括 MyTT。
• 支持的因子/指标库包括 WorldQuant 101 Alpha。
• 支持的因子/指标库包括 国泰君安 191 Alpha。
• 因子管理平台提供从数据处理到策略回测的一站式解决方案。
• 因子管理平台考虑权限管理需求。
• 因子管理平台考虑代码管理需求。
• 因子管理平台考虑任务监控等运维需求。

细微之处见真章（权限、资源、监控告警）

讨论投研平台控制层挑战，并列举 DolphinDB 的权限控制、资源跟踪与监控告警能力。

• 控制层挑战包括防止数据泄露和非法访问。
• 控制层挑战包括合理分配管理系统资源。
• 控制层挑战包括及时发现潜在问题并预警。
• DolphinDB 提供角色和组概念用于权限控制。
• DolphinDB 支持用户级别资源跟踪与监控。
• 关键指标可通过 DolphinDB Dashboard 展示。
• 监控告警可与 Grafana 等第三方平台集成展示。
• DolphinDB 支持灵活的告警策略配置。

结语

总结平台对机构客户支持并展望 DolphinDB 与光大证券持续合作与升级方向。

• 本节对案例进行总结性收束。
• 本节提及持续合作与升级方向（具体细节以原文为准）。

互动与联系渠道图示说明及引导语

通过图片说明展示产品定位与互动渠道，并引导扫码添加 DolphinDB 小助手。

• 图片说明文字描述 DolphinDB 为支持复杂分析与流式处理的实时计算平台。
• 图片说明文字提到服务城市示例包括杭州。
• 图片说明文字提到服务城市示例包括北京。
• 图片说明文字提到服务城市示例包括上海。
• 图片说明文字提到服务城市示例包括广州。
• 图片说明文字提到服务城市示例包括深圳。
• 页面引导通过扫码方式添加 DolphinDB 小助手。

合作案例封面图说明（光大证券 × DolphinDB）

封面图说明强调双方合作及光大证券选用 DolphinDB 作为量化投研基础设施核心组件。

• 封面图说明强调“光大证券 × DolphinDB”的合作关系。
• 封面图说明提及 DolphinDB 作为量化投研基础设施核心组件的选用结论。

客户简介（光大证券）

给出光大证券的行业属性、成立时间、总部、分支机构规模、香港子公司与主营业务范围及金融科技平台描述。

• 客户行业为券商。
• 光大证券股份有限公司成立于 1996 年。
• 总部所在地为上海。
• 全国设有 200 余家分支机构。
• 在香港设有子公司。
• 主营业务包含证券经纪。
• 主营业务包含投资银行。
• 主营业务包含资产管理。
• 主营业务包含自营投资等。
• 页面表述其为中国证监会批准的首批综合性证券公司之一。
• 页面表述其打造集量化投研、智能交易、风险管理于一体的数字化平台。
• 页面表述其为机构投资者提供量化策略支持服务。
• 页面表述其为机构和个人客户提供全面金融服务。

Facts Index