金融领域，交易的重要性无需多言。在这一过程中，对于买方金融机构而言，核心竞争力在于投研和交易决策能力。一个可定制、性能好、数据质量高的投研交易决策平台可以帮助机构大幅提升竞争力。
如何打造这样一套平台，以支撑日益复杂的投研和交易决策需求呢？
昨天，DolphinDB 在深圳举办闭门研讨会，十余位买方机构嘉宾齐聚一堂，就这一主题展开深度讨论。DolphinDB 创始人兼 CEO 周小华博士出席并作精彩演讲。
传统开发模式 vs 锯齿开发模式
在投研和交易决策平台的搭建上，周小华博士结合国内外现状，总结了目前两种主要的开发路径：自研和向第三方厂商采购。
自研方案虽然能提供较高的灵活性和可定制性，使机构能够深度沉淀业务逻辑，但这种方案的成本极高，只有资金实力雄厚且有明确业务目标的机构才能承担。
第三方采购方案虽然能减少开发成本，但外部供应商的系统通常很难针对机构的核心业务逻辑进行充分的定制，机构将受到厂商制约，灵活性低。
“因此，我们引入了一种成本更低、灵活性更强的开发方案——基于 DolphinDB 二次开发各模块和系统。”周博士介绍道，“我们采用锯齿型开发范式，在一个稳定的多模态数据存取层上，融入了一个功能强大、扩展性强的计算中间层，并通过标准化的 API 和脚本接口向应用层提供服务。”
基于这一开发范式，机构可以在 DolphinDB 上快速且低成本地开发出大量符合业务需要的应用系统。而且机构能完全掌握核心逻辑，有助于业务沉淀。
从前端到后端的技术栈全覆盖
基于 DolphinDB 构建的买方投研与交易决策平台具体有哪些特性呢？
周博士首先介绍了 DolphinDB 技术栈，包括技术架构、金融业务中间件（函数、流计算引擎、插件…）、金融业务平台等内容。
以 Starfish 因子开发管理平台为例，周博士展示了 DolphinDB 技术栈实现的从前端到后端、从基础设施到业务应用的全面覆盖。
Starfish 底层采用 DolphinDB 分布式数据库，不仅可以高效管理海量金融数据，还能充分利用分布式计算优势进行后台任务批处理。在前端，平台采用 Typescript 作为主要开发语言，提供更严格的类型检查机制和更优秀的代码可维护性。框架选择方面，Starfish 使用 React 框架构建高性能的交互式用户界面。在后端，Starfish 以 DolphinScript 为核心，具有强大的数据处理能力和灵活的功能扩展性。前后端交互方面，平台通过 JavaScript API 进行接口调用，采用 JSON 作为数据交换格式，确保系统各层级间的高效通信。
周博士表示，Starfish 整合了量化投研全流程所需的核心功能，包括数据管理、因子研发、策略回测、团队协作等模块，可以助力金融机构快速构建和交付高质量的量化交易策略。
数据中台、策略回测、指标计算……投研交易解决方案集
随后，周博士重点介绍了 DolphinDB 目前推出的六大业务解决方案：投研数据中台、中高频因子存储和计算、策略回测和仿真交易、企业级指标计算、估值试算和风控、交易分析和监控，涵盖买方机构投研和交易的核心场景。
每个解决方案的推出都基于 DolphinDB 对具体业务的深入调研。例如，在指标计算方面，机构面临金融业务复杂度增加、同一指标重复开发和实现不一致、缺少流批一体技术栈等问题。针对这些问题，DolphinDB 开发了企业级指标计算平台，覆盖指标体系从构建、开发、验证、发布、落地到权限管理与统计分析的全流程。平台支持流批一体，整合资源，确保管理的全面性和规范性，显著提升机构的运营效率。
“DolphinDB 指标平台功能全面、性能好，可以替换‘传统数据库 + Python’这种多技术栈系统。”周博士分享到，“我们有个客户原先使用 Oracle 接收、存储数据，使用 Python 计算指标。但出现了数据读取耗时长、指标计算性能差等问题。使用 DolphinDB 后，系统从原有的分钟级时延降低至毫秒级，最复杂的指标代码量从 26000 多行降到 4000 多行，大幅提升了运作效率、降低开发和运维成本。”
周博士还分享了多个客户成功应用 DolphinDB 解决实际业务问题的案例，并与嘉宾们积极探讨了 DolphinDB 未来的优化方向。经过一番热烈讨论，活动圆满落幕。