D-Day 杭州站回顾
本页回顾 D-Day 杭州站线下交流活动，概述参与者构成、举办时间与讨论主题方向。
What this page covers
- 技能认证特训营第二期的报名入口信息。
- 新闻栏目归属、文章标题与发布日期信息。
- D-Day 杭州站活动的基本概览与主题方向。
- 创始人分享要点与新平台 Shark 的介绍。
- 券商嘉宾的实践分享与效果描述。
- D-Day 的定位、目的与后续线下活动计划。
技能认证特训营第二期限时报名促销入口
页面顶部提供技能认证特训营第二期的限时报名链接与福利优惠提示。
- 提供“技能认证特训营第二期”的报名链接。
- 提示限时报名可享专属福利优惠。
新闻栏目与文章标题/日期
指明该内容属于新闻栏目，并给出文章标题与发布日期。
- 页面标示内容归属为新闻栏目。
- 文章标题为“D-Day 杭州站回顾”。
- 页面给出该新闻的发布日期。
D-Day 杭州站活动概览
概述 D-Day 杭州站线下交流活动的参与者、时间地点与分享主题方向。
- 活动参与者来自私募、券商与期货机构。
- 参与者包括策略研发、IT 架构与数据分析相关角色。
- 讨论方向聚焦量化交易领域的高性能实践。
- 页面提及该站活动的举办时间为 3 月 21 日下午。
- 页面描述参与规模为二十余位。
与 DolphinDB 创始人面对面
记录创始人周小华博士在活动现场围绕中高频量化全链路解决方案与产品优势的分享内容，并提及即将发布的新平台 Shark。
- 页面指出 DolphinDB 创始人为周小华博士。
- 分享内容覆盖中高频量化从投研到生产的全链路解决方案。
- 分享中提及 DolphinDB 的优势包括高性能存储。
- 分享中提及 DolphinDB 的优势包括流批一体计算。
- 分享中提及 DolphinDB 的优势包括统一技术栈。
- 页面描述传统关系型数据库与文件存储在行情场景面临压缩比与性能等挑战。
- 页面表述 DolphinDB 覆盖量化投研各阶段技术需求，并兼顾高性能与灵活开发。
- 页面列举单一产品内可实现高频数据存储、订单簿处理等能力。
- Shark 被描述为 DolphinDB 即将发布的高性能因子挖掘平台。
- Shark 采用 CPU-GPU 异构计算平台架构。
- 页面列举 Shark 规划包含基于遗传算法的自动因子挖掘功能。
- 页面提到 CPU 算子可无缝切换到 GPU 平台计算。
- 页面表示 GPU 在计算密集型任务中可降低处理时延并提高效率。
来自券商的实践分享
呈现券商嘉宾关于 DolphinDB 在策略工程化、性能提升、函数生态与数据一致性方面的实践与效果描述。
- 券商嘉宾关注策略工程化中的计算性能重要性。
- 页面给出单因子多参数任务相对 Python 的平均提速表述。
- 页面提到 DolphinDB 内置 1500+ 函数并针对金融场景调优。
- 页面描述投研与生产对接的数据差异率缩小到万分之一以内。
- 页面提到传统方案在处理实时行情方面存在挑战。
- 页面列举量化平台选型痛点包括组件多、链路复杂与开发成本高。
- 页面描述切换到 DolphinDB 后数据处理效率提升与数据质量保障。
- 页面描述交易数据等可实时存储至 DolphinDB 以便回溯分析。
- 页面描述引入 DolphinDB 可缓解技术栈割裂带来的业务壁垒。
关于 D-Day
解释 D-Day 的定位与目的，并说明后续将在多个城市定期举办线下活动。
- D-Day 旨在为用户提供专业、开放的交流机会。
- D-Day 讨论如何提升量化交易的综合投研效率。
- D-Day 强调以技术融入业务以创造应用价值。
- 页面提到将定期在北京等城市举办线下活动。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 技能认证特训营第二期 | 优惠/福利 | 限时报名，享专属福利优惠 | low |
| D-Day 杭州站回顾（新闻） | 发布日期 | 2024.03.22 | high |
| D-Day 杭州站活动 | 参与人数规模 | 二十余位（来自国内私募、券商和期货机构） | medium |
| D-Day 杭州站活动参与者 | 角色/背景 | 核心策略研发、IT 架构师、数据分析专家（来自私募、券商、期货机构） | high |
| D-Day 杭州站活动 | 举办时间 | 3月21日下午 | medium |
| D-Day 杭州站活动 | 讨论主题 | 量化交易领域高性能实践 | high |
| DolphinDB | 创始人 | 周小华博士 | high |
| 周小华博士分享内容 | 介绍方案范围 | 中高频量化从投研到生产的全链路解决方案 | high |
| DolphinDB | 核心优势（分享中提及） | 高性能存储、流批一体计算、统一技术栈 | medium |
| 传统关系型数据库和文件存储方案（量化交易行情场景） | 面临问题 | 在压缩比、性能优化、数据管理等方面捉襟见肘（在数据频率提升、数据量爆炸增长背景下） | medium |
| DolphinDB | 产品优势表述 | 满足量化投研各阶段技术需求，并兼顾高性能与灵活开发需求，以统一技术栈提供便捷运维支持 | medium |
| DolphinDB | 可在单一产品内实现的能力（文中列举） | 高频数据存储、订单簿处理、高频回测、因子流批一体数据处理 | medium |
| Shark | 定位 | DolphinDB 即将发布的全新高性能因子挖掘平台 | high |
| Shark | 命名寓意 | 寓意“凶猛”，彰显强悍性能 | medium |
| Shark | 计算架构 | CPU-GPU 异构计算平台 | high |
| Shark | 初期规划功能（文中列举） | 基于遗传算法的自动因子挖掘功能；CPU 算子无缝切换到 GPU 平台计算 | medium |
| GPU（相对 CPU）在计算密集型任务中的效果 | 性能影响 | 可显著降低处理时延、提高计算效率（因计算单元更多） | medium |
| 某券商量化投资经理（嘉宾） | 关注点 | 策略工程化需要投研系统完成大量计算任务，计算性能至关重要 | medium |
| DolphinDB（相对 Python） | 性能提升幅度（单因子多参数计算任务） | 平均提速 50-100 倍以上 | medium |
| DolphinDB | 内置函数数量 | 1500+ 函数（针对金融业务场景调优） | medium |
| 某券商团队投研与生产对接 | 数据差异率 | 缩小至万分之一以内 | medium |
| 传统关系型数据库和文件存储系统（实时行情） | 存在问题 | 处理实时行情存在诸多挑战 | low |
| 某券商团队量化平台选型痛点 | 问题列表 | 开源组件众多、架构链路复杂、因子计算开发成本较高 | medium |
| 切换到 DolphinDB 后的效果（某券商团队） | 数据处理效率与质量 | 大幅提升数据处理效率；数据完整性与准确性得到保障 | low |
| DolphinDB | 实时数据处理能力（文中描述的用法） | 交易数据、记录、回报被实时存储至 DolphinDB，便于回溯和分析每一笔交易以优化策略 | medium |
| DolphinDB 引入对业务的影响（某券商团队） | 组织/技术栈影响 | 打破技术栈割裂带来的业务壁垒，助力量化投研和交易 | low |
| D-Day | 目的/定位 | 为用户提供专业、开放的交流机会，探讨量化交易中如何有效提升综合投研效率，以技术融入业务创造应用价值 | medium |
| D-Day 线下活动 | 未来举办城市 | 将定期在北京、上海、广州、深圳等地举办 | medium |