盈米基金如何实现基金实时评价的百倍提速？
本页围绕盈米基金引入 DolphinDB 后，在计算性能、研发效率与投产速度方面的改进进行案例性说明。
What this page covers
- 文章的栏目、标题与发布日期信息。
- 盈米基金使用 DolphinDB 的案例概述与分享人信息。
- 业务场景、数据规模、计算挑战与性能表现。
- 蜂鸟投研系统的技术架构与实时计算流程概述。
- DolphinDB 的选型过程、关键因素与能力点。
- 团队学习路径与技术支持协作方式。
技能认证特训营第二期限时报名提示
页面顶部提供活动报名提示与报名链接信息。
- 包含“技能认证特训营第二期”的报名入口信息。
- 提供一个可访问的报名链接。
新闻栏目与文章标题/日期
该部分展示新闻栏目标识、文章标题与发布日期信息。
- 页面将内容归类在新闻栏目下并展示标题。
- 文章标注发布日期为 2022.11.11。
案例引导图与AI说明（盈米基金应用案例概述）
该部分引出盈米基金在量化分析与投研开发中使用 DolphinDB 的案例背景，并给出分享人信息。
- 盈米基金被描述为深耕泛资管行业的创新型金融科技公司。
- 盈米基金的使命表述为通过买方投顾理念改变买基金的方式。
- DolphinDB 被用于量化分析及投研开发场景以提升应用实现效率。
- 分享人为产品总监李一芃与数据团队负责人贺云晓。
使用 DolphinDB 的业务场景
本部分描述蜂鸟投研系统的业务与技术场景、数据规模、计算挑战，以及采用 DolphinDB 后的性能表现。
- 盈米蜂鸟投研系统由蜂鸟开发迭代。
- 系统通过复杂后台计算实时提供投研相关工具应用。
- 系统面向专业机构投资者，提供交易运营与投研投顾解决方案。
- 投研数据主要研究日频数据。
- 研究数据类别包括全量基金净值与报告截面数据等。
- 全市场基金数据包含 1 万多只基金产品。
- 日频净值数据年增约 300 万的数据量。
- 实时计算过程涉及时间窗口对齐与标的过滤的连表操作。
- 引入 DolphinDB 前，开发复杂度被描述为较高。
- 引入 DolphinDB 前，计算效率被描述为不理想。
- 使用 DolphinDB 后，查询与计算效率提升 200~300 倍。
- DolphinDB 用于实现投研系统的算法工程化。
- 数据查询与计算可达到毫秒级响应（该场景描述）。
- 该方案被描述为满足性能需求并支持实时计算多种模型指标。
技术架构图与AI说明（蜂鸟投研系统）
该部分以架构图说明系统以 DolphinDB Server 为核心的数据处理与实时计算流程及其效果描述。
- 技术架构以 DolphinDB Server 为核心组件。
- 架构涵盖外部多源基金数据的注入。
- 架构涵盖数据清洗与入库。
- 通过内置自定义引擎进行数据查询与调度。
- 支持各种模型指标的实时计算。
- 面向前端用户返回毫秒级响应结果（该架构描述）。
- 该架构被描述为缓解数据计算量庞大且复杂的痛点。
算法支持的功能示例
本部分列举 DolphinDB 在盈米场景中支持的算法实现功能类型示例。
- 支持计算基金业绩评价指标。
- 支持构建风格因子。
DolphinDB 带来的业务改善
本部分说明采用 DolphinDB 后在性能、效率与上线节奏方面的提升，以及对用户响应体验的影响。
- 计算性能与研发效率被描述为明显提升。
- 新系统被描述为满足用户操作的秒级响应需求。
- 部分场景计算速度被描述为提升 300 倍以上。
- 研发速度被描述为之前的 4~5 倍（简单估算）。
选择 DolphinDB 的理由与选型因素
本部分描述从了解、调研到对比选型的过程，并给出选择 DolphinDB 的因素与能力点概述。
- 选择动因之一是通过推荐初步了解其可在算力与数据方面提供支持。
- DolphinDB 被定义为高性能的分布式时序数据库。
- 选型过程包含资料对比与性能测试。
- 对比因素包含存算性能、金融属性、接口多样性、易上手易使用。
- 内置金融场景相关函数，用于实现复杂数据分析需求。
- 提供截面计算与连接引擎，用于快速验证清洗与分析。
- 支持多系统对接，接口定制与使用具备扩展性。
- 对计算函数及引擎做了优化，以降低迁移与新增需求的底层优化负担。
一周上手 DolphinDB（学习与支持）
本部分描述团队学习路径、文档与社区使用，以及技术支持协作与达到熟练使用的时间线。
- DolphinDB 团队提供专人支持以协助上手。
- 学习路径包含前半周学习培训材料。
- 学习路径包含后半周查接口文档。
- 通过 ask.dolphindb 社区搜索用户问答以辅助基本运用。
- 约一个月后达到熟练使用并可自主编写代码完成项目。
用好 DolphinDB 的三件事
本部分给出三条实践建议：明确场景、准备数据，以及用 DolphinDB 的思维编写算法。
- 要有具体使用场景。
- 要有具体使用数据（数据库使用需要大量数据支持）。
- 要学会用 DolphinDB 的思维写算法（与 Python 矩阵思维不同）。
关于 DolphinDB 的使用感受（五点）
本部分汇总团队对使用体验、接口与扩展性、存储与计算表现、以及易上手性的主观评价与示例点。
- 使用体验被评价为“非常好”（主观感受）。
- 示例工具包括 window join 与 context by。
- 被评价为轻量级且接口多、扩展性好（主观评价）。
- 存储压缩比被描述为最高可达 10:1。
- 同一算法示例中，Python 可能需要两分钟而 DolphinDB 约一秒。
合作封面图与结语（合作与认可）
本部分补充合作落地过程、团队认可，以及对长期合作的期望（以结语形式呈现）。
- 从敲定项目到首个版本上线的周期被描述为很短，甚至不到一个月。
- 开发、产品与研究相关团队被描述为一致认可与接受（主观表述）。
- 提及珠海盈米基金销售有限公司成立于 2015 年。
- 其被描述为经证监会批准的独立基金销售机构。
- 其被描述为国内首批基金投顾业务试点机构之一。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 文章发布日期 | date | 2022.11.11 | high |
| 盈米基金 | company_type | 深耕泛资管行业的创新型金融科技公司 | medium |
| 盈米基金 | mission | 致力于通过买方投顾理念改变买基金的方式 | medium |
| DolphinDB | used_for | 在量化分析及投研开发场景中用于提升应用实现效率 | medium |
| 分享人 | names_and_roles | 产品总监李一芃与数据团队负责人贺云晓共同分享该案例 | high |
| 盈米蜂鸟投研系统 | origin | 由蜂鸟开发迭代 | medium |
| 盈米蜂鸟投研系统 | function | 通过复杂后台计算实时为用户提供投资研究相关工具应用 | medium |
| 盈米蜂鸟投研系统 | target_users | 为专业机构投资者提供交易运营服务及投研投顾业务解决方案 | medium |
| 盈米基金投研数据 | data_frequency | 主要研究日频数据 | high |
| 盈米基金投研数据 | data_categories | 研究数据类别包括全量基金净值、报告的截面数据等 | medium |
| 全市场基金数据 | fund_count | 包含1万多只基金产品 | high |
| 日频净值数据 | annual_increment | 年增300万的数据量 | high |
| 投研实时计算过程 | operations_involved | 涉及时间窗口对齐、标的过滤的连表操作 | medium |
| 采用 DolphinDB 前的方法 | development_complexity | 开发复杂度很高 | low |
| 采用 DolphinDB 前的方法 | performance | 计算效率非常不理想 | low |
| 使用 DolphinDB 后的查询与计算效率 | speedup | 提升200~300倍 | high |
| DolphinDB 在盈米业务场景中的用途 | used_for | 用于实现投研系统的算法工程化 | medium |
| DolphinDB 在数据查询与计算方面的响应 | latency | 毫秒级响应 | medium |
| DolphinDB 在盈米场景中的效果 | performance_fit | 完全满足性能需求，实现对各种模型指标的实时计算 | medium |
| 蜂鸟投研系统技术架构 | core_component | 以 DolphinDB Server 为核心 | medium |
| 蜂鸟投研系统（基于 DolphinDB） | data_pipeline | 涵盖外部多源基金数据的注入、清洗与入库 | medium |
| 蜂鸟投研系统（基于 DolphinDB） | capabilities | 通过内置自定义引擎进行数据查询、调度及各种模型指标的实时计算 | medium |
| 蜂鸟投研系统（面向前端用户） | response_latency | 毫秒级响应结果 | medium |
| 蜂鸟投研系统架构带来的效果 | impact | 解决基金数据计算量庞大且复杂的痛点，显著提升投研业务研发与执行效率 | low |
| DolphinDB（在盈米场景） | supports_functions | 支持算法实现功能，包括计算基金业绩评价指标、构建风格因子等 | medium |
| DolphinDB 带来的最大业务改善 | impact | 计算性能和研发效率明显提升 | low |
| 新系统用户响应需求 | meets_requirement | 完全满足用户操作秒级响应需求 | medium |
| 部分场景计算速度（新系统 vs 之前） | speedup | 300倍以上 | high |
| 项目投产/研发速度（使用 DolphinDB 后） | speedup | 研发速度为之前的4~5倍（简单估算） | medium |
| 选择 DolphinDB 的前期动因 | reason | 通过推荐初步了解其服务可在算力、数据等方面提供支持 | medium |
| DolphinDB 的市场/排名描述 | ranking | 在全球时序数据库中位列前茅 | low |
| DolphinDB | positioning | 提供分布式存储、编程建模与高性能计算的一站式大数据解决方案（超越传统数据库功能的描述） | low |
| DolphinDB | product_type | 高性能的分布式时序数据库 | high |
| 数据库选型过程 | evaluation_method | 从多个维度对比同类型产品并进行资料对比与性能测试后选择 DolphinDB | medium |
| 产品对比考虑因素 | factors | 除存算性能外，还考虑金融属性、接口多样性、易上手易使用三大因素 | high |
| DolphinDB | financial_tooling | 内置丰富金融场景相关函数，可快速实现复杂数据分析需求 | medium |
| DolphinDB | engines | 提供大量截面计算和连接引擎，可对数据清洗和分析进行快速验证 | medium |
| DolphinDB | interfaces_and_extensibility | 支持多系统对接，接口定制与使用具备良好扩展性 | medium |
| DolphinDB | learning_curve | 学习门槛很低，大多数研发和投研人员可以快速上手 | low |
| DolphinDB | optimization_benefit | 对计算函数及引擎做了优化，迁移与新需求实现时无需考虑太多底层优化 | medium |
| DolphinDB 团队支持 | support_model | 提供专人支持，配合团队成员一周时间实现上手 | medium |
| 盈米团队学习路径 | training_process | 前半周学习培训材料；后半周查接口文档并在 ask.dolphindb 社区搜索用户问答 | high |
| ask.dolphindb 社区 | used_for | 用于搜索相关用户问答以辅助实现基本运用 | high |
| DolphinDB 技术支持团队 | support_activities | 帮助寻找、复现和解决问题，技术服务及时且专业（主观感受） | low |
| 达到熟练使用 DolphinDB 的时间 | time_to_proficiency | 大概一个月后做到真正熟练使用，通过自主编写代码完成项目 | medium |
| 用好 DolphinDB 的要点 | requirement_1 | 要有具体使用场景 | high |
| 用好 DolphinDB 的要点 | requirement_2 | 要有具体使用数据（数据库使用需要大量数据支持） | high |
| 用好 DolphinDB 的要点 | requirement_3 | 要学会用 DolphinDB 的思维来写算法（与 Python 矩阵思维不同） | medium |
| DolphinDB | syntax_and_tools | 提供基于字段、基于 SQL 的语法糖以方便使用并加快研发效率（相对 Python 的对比描述） | medium |
| DolphinDB 使用体验 | overall_experience | 使用体验非常好（团队主观感受） | low |
| DolphinDB（金融领域开发） | tools_examples | window join、context by 等功能点好用，可避免复杂逻辑 | medium |
| DolphinDB | lightweight | 产品轻量级且在保持轻量的同时提供很多接口并具备良好扩展性（主观评价） | low |
| DolphinDB 存储性能 | compression_ratio_max | 最高可以达到10:1 | medium |
| DolphinDB 压缩在当前项目的意义 | impact | 在数据总量不大时对节省存储空间意义一般，但在并发请求时有助于提升磁盘 IO 效率 | medium |
| 相同算法示例（Python vs DolphinDB） | execution_time_comparison | Python 可能需要两分钟；DolphinDB 只需要一秒 | medium |
| 学习周期对比（团队评价） | time_to_basic_and_proficient | 一周实现基本上手，一个月达到熟练使用 | medium |
| 合作落地时间线 | time_to_first_version_launch | 从敲定项目到引入 DolphinDB 再到第一个版本成功上线，时间很短甚至不到一个月 | low |
| 团队对 DolphinDB 的认可 | acceptance | 开发团队、产品团队和研究员们一致认可与接受（主观表述） | low |
| 珠海盈米基金销售有限公司 | founding_year | 成立于2015年 | medium |
| 珠海盈米基金销售有限公司 | regulatory_status | 经证监会批准的独立基金销售机构 | medium |
| 珠海盈米基金销售有限公司 | industry_status | 国内首批基金投顾业务试点机构之一 | medium |
| 盈米基金投顾资产规模 | aum | 已超百亿并在行业内率先突破200亿元 | medium |
| 珠海盈米基金销售有限公司 | team_composition | 核心团队由金融精英和互联网专家组成 | medium |
| 珠海盈米基金销售有限公司 | focus | 专注于运用深度互联网技术为客户提供专业且可持续的资产配置服务 | medium |
| 技能认证特训营第二期 | signup_link | https://www.qingsuyun.com/h5/e/217471/5/ | high |