迈进金融数据服务3.0时代，DolphinDB +聚源数据在路上

What this page covers

• 报名入口与优惠提示信息。
• 新闻条目、标题与发布时间信息。
• 金融数据服务1.0时代的终端与Excel使用方式。
• 金融数据服务2.0时代中SQL带来的数据获取效率变化。
• 3.0时代对融合的期待与海量时序数据下的挑战。
• DolphinDB与聚源数据的一站式服务模式与投研支持。
• 数据库与编程语言融合的趋势与价值取向变化。

技能认证特训营第二期报名入口与优惠提示

页面顶部提供“技能认证特训营第二期”限时报名链接并提示专属福利优惠。

• 提供“技能认证特训营第二期”的报名入口信息。
• 提示存在限时报名相关的优惠描述。

新闻条目与标题信息

标注内容为新闻，并给出新闻标题与发布时间。

• 内容以新闻形式呈现。
• 展示新闻标题。
• 展示发布时间信息。

金融数据服务1.0时代：终端+Excel

描述以终端浏览器下载数据并在Excel中使用的传统小批量数据使用方式。

• 通过终端浏览器获取数据，并以Excel下载到本地使用。
• Excel透视表与插件用于满足多数小批量数据使用场景。
• 该方式被描述为基本解决小批量数据使用问题。

金融数据服务2.0时代：SQL+单一数据来源

说明结构化数据成为标配后，SQL相较浏览器提取方式提升数据获取效率。

• 结构化数据在该阶段被描述为开始成为标配。
• SQL可通过一个或几个语句实现全部数据提取。
• 相较浏览器提取方式，SQL提取方式被描述为更轻松。
• 效率提升被类比为类似“工业革命”般的体验。

2.0时代后期：更高算力需求与合作探索

指出SQL在组合管理、因子挖掘、风险控制等场景的局限，并提到DolphinDB与聚源探索新业务模式。

• 在组合管理场景，SQL被描述为可能难以满足计算与时效要求。
• 在因子挖掘场景，SQL被描述为可能难以满足计算与时效要求。
• 在风险控制场景，SQL被描述为可能难以满足计算与时效要求。
• 文中提到DolphinDB与聚源开始合作探索新的业务模式。

3.0时代：高质量数据+高性能的挑战与MySQL在时序海量数据中的问题

提出3.0时代对高质量数据与高性能数据库融合的期待，并以MySQL为例列出海量时序数据下的成本与性能问题。

• 市场对3.0时代的期待包含高质量数据与高性能数据库的融合。
• 该期待被描述为仍存在难题待解。
• 以MySQL为例讨论海量时序数据场景下的存储成本问题。
• 以MySQL为例提出分库分表带来的维护成本问题。
• 以MySQL为例提出写入吞吐难以承受高写入压力的问题。
• 以MySQL为例提出海量数据聚合分析性能较差的问题。

DolphinDB与聚源数据合作：一站式行情数据库服务模式与投研支持

描述双方合作目标以及通过DolphinDB访问调用聚源数据以支持高频数据对接、存储、查询与投研计算等。

• 双方合作目标包括构建一站式行情数据库服务模式。
• 用户可通过DolphinDB访问与调用聚源数据库的各类数据。
• 一站式模式被描述为支持高频数据对接。
• 一站式模式被描述为支持存储与查询。
• 一站式模式被描述为支持指标计算与因子研究等投研工作。

聚源数据的覆盖范围与市场地位（数据质量角度）

从数据质量角度阐述聚源以金融证券为核心的服务范围、应用场景、发展年限与机构合作覆盖。

• “海量数据”被解释为质量高、历史可追溯时间长、维度多。
• 文中强调全量数据供应商的重要性，并称数据质量是基础。
• 聚源以金融证券为核心开展相关服务。
• 聚源服务涵盖投研、财富、固收、风险、ESG等数据方向。
• 聚源数据被描述为应用于资讯展示、投研、风控、回测与监管等领域。

DolphinDB的性能与能力主张（数据库性能角度）与架构示意图说明

从性能角度对比SQL/单一Python方法的不足，主张DolphinDB具备内置函数、多范式脚本语言与自定义计算优势，并配图说明量化投研架构与因子生产/回测流程。

• SQL或单一Python处理方法被评价为便携性与成本不够友好。
• 文中举例称使用SQL难以完成投资组合协方差矩阵计算。
• 文中提到需借助额外Python将结果反推回数据库的做法。
• DolphinDB被描述具备内置函数、多范式脚本语言与灵活自定义计算。
• 配图说明量化投研系统架构与工作流程的相关内容。

高质量数据与高性能数据库的融合方式：以聚源因子库为例

说明在量化场景下依托DolphinDB加工底层数据并反馈结果、融合因子与回测框架以缓解存储量大与读取慢问题，并讨论聚源的另类数据与在DolphinDB上集成工作流的效果。

• DolphinDB被描述支持直接加工底层数据结果并及时反馈给使用者。
• 量化场景可依托数据基准在DolphinDB上进行融合。
• 该融合被描述为帮助缓解数据存储量大与读取缓慢的问题。
• 聚源数据除常规披露数据外，还包括多类另类数据（如司法、工商、舆情等）。
• 机构客户可在DolphinDB上集成式布置离散化任务以便做因子挖掘与回测。

聚源因子库结构示意图与说明

配图及说明聚源因子库模块构成与从海量金融数据到可用于量化回测的因子产出的结构。

• 本节包含关于聚源因子库模块构成的示意与说明。
• 本节描述从海量金融数据到因子产出、用于回测的结构关系。

一站式服务、数据升频与高性能协作带来的量化新赛道

强调机构可获得聚源数据与DolphinDB数据库的一站式服务，并提出分布式高性能存储在高频处理、插值升频与更高频因子算法部署方面的路径与潜在价值。

• 机构可获得聚源高质量数据与DolphinDB高性能数据库的一站式服务。
• 分布式高性能数据存储被描述对高频数据量处理有优势。
• 文中提出用插值方法提高数据频率的思路。
• 示例提到将Alpha191从日K调整为1分钟K以在更高频空间部署。
• 文中将升频与高性能协作描述为可能开辟量化数据场景的新赛道。

3.0时代趋势：数据库与编程语言融合与价值取向变化

对比传统数据库强调写入一致性与简单SQL分析、复杂计算依赖高级语言的模式，与海量数据时代强调读取分析时效性的趋势，并提出SQL与高级语言将走向融合。

• 金融数据服务3.0时代被描述将迎来数据库与编程语言的融合。
• 传统数据库时代更看重写入，并强调一致性、原子性、持久性等。
• 传统模式下复杂分析通常由更高级编程语言完成。
• 海量数据时代更看重读取与分析以发掘价值。
• 文中提出SQL将与更高级编程语言走向融合。

结语：DolphinDB与聚源在路上

以结语形式重申基于上述趋势与合作方向继续推进。

• 结语重申双方将继续推进相关合作方向。
• 文中以“在路上”表述总结合作进程。

Facts index