DolphinDB 讲座走进对外经济贸易大学，激发学子量化新思维

What this page covers

• 讲座活动概述与基础信息。
• 量化交易观点、行业痛点与解决方案定位。
• 海量行情数据存储方案要点（图片 AI 说明）。
• 海量数据分析方案要点（图片 AI 说明）。
• 中高频策略回测插件与模拟撮合引擎介绍。
• 产研一体回测框架流程（图片 AI 说明）。
• 研发投入规划的四个方向。

技能认证特训营第二期限时报名推广

页面顶部推广“技能认证特训营第二期”，并提供限时报名链接与福利优惠信息。

• “技能认证特训营第二期”处于正式开启状态。
• 页面提供该活动的限时报名链接。
• 页面提到可享专属福利优惠（表述较为概括）。

新闻栏目与文章标题

标示内容所属“新闻”栏目，并给出文章主标题。

• 页面将内容归类为“新闻”。
• 页面展示文章标题用于标识主题。

发布日期与活动概述

给出发布日期并概述 DolphinDB 与对外经济贸易大学联合举办讲座、主讲人与主持人及参与人数。

• 文章给出发布日期为 2024.12.06。
• DolphinDB 与对外经济贸易大学联合举办讲座（12月5日举行）。
• 主讲人为 DolphinDB 创始人兼 CEO 周小华（博士）。
• 主持人为对外经济贸易大学统计学院数量金融系主任周珂。
• 讲座听众为近百名同学。

讲座现场图片与AI说明

提供讲座现场图片及对图片内容的 AI 说明文字。

• 页面包含讲座现场相关图片内容。
• 页面提供对图片内容的 AI 说明文字。

讲座回顾：量化交易观点与行业痛点

回顾周小华博士讲述量化交易本质、Alpha 获取难度上升及海量数据存储分析等行业关注点，并提及传统方案不足与 DolphinDB 解决方案定位。

• 量化交易被概括为捕捉市场错误定价并实现超额收益。
• 观点强调高效数据处理与模型构建的重要性。
• 随着市场成熟，获取 Alpha 收益的难度逐年增加。
• 行业关注海量数据的高效存储与分析。
• 行业关注快速发现新的有效因子。
• 传统解决方案在中高频数据处理与实时计算方面被指出存在不足。
• DolphinDB 的高性能解决方案被定位为面向中高频量化交易。

海量行情数据存储方案（图片AI说明）

通过幻灯片 AI 说明列出 DolphinDB 海量行情数据存储方案的业务支持与可靠稳定特性。

• 该存储方案被归纳为“强业务支持”和“可靠稳定”两大板块。
• “强业务支持”包含对 Co-location 存储的支持。
• “强业务支持”包含 Pivot 的灵活转换能力。
• “强业务支持”包含高效连接能力。
• “强业务支持”包含高压缩比特性。
• “可靠稳定”包含 ACID 事务能力。
• “可靠稳定”包含分布式强一致性能力。
• “可靠稳定”包含 2PC 提交与 MVCC 并发控制能力。
• “可靠稳定”包含存算分离相关能力。

海量数据分析方案（图片AI说明）

通过幻灯片 AI 说明描述 DolphinDB 海量数据分析方案的表达能力、计算性能与金融场景组件能力。

• 海量数据分析方案被概括为三大核心能力。
• 核心能力之一是强大的表达能力。
• 核心能力之一是极致的计算性能。
• 核心能力之一是丰富的金融场景基础组件。
• 表达能力支持命令式范式。
• 表达能力支持向量式范式。
• 表达能力支持 SQL 范式。
• 计算性能路径包含 JIT 与向量化。
• 计算性能路径包含存算一体与分布式计算。
• 金融场景基础组件提到内置超 2000 个函数（含机器学习函数及流计算引擎）。

中高频策略回测插件与模拟撮合引擎介绍

介绍 DolphinDB 中高频策略回测插件的改进点、支持回测品种范围以及模拟撮合引擎的撮合规则与配置考虑因素。

• 页面指出常见回测框架存在计算耗时长与性能不足问题。
• 页面指出常见回测框架存在产研无法共享统一代码的问题。
• 中高频策略回测插件被描述为“更快速、更精确”等（表述为概括性）。
• 该回测插件支持多品种回测。
• 支持品种包括沪深股票、基金与可转债。
• 支持品种包括银行间债券。
• 支持品种包括期权与期货，以及外汇与数字货币。
• DolphinDB 提到模拟撮合引擎组件。
• 模拟撮合引擎遵循“价格优先、时间优先”的高精度撮合规则。
• 模拟撮合引擎研发考虑成本冲击与系统时延对交易的影响。
• 用户可通过灵活的撮合配置尽可能模拟实盘交易环境。

产研一体回测框架流程（图片AI说明）

通过流程图 AI 说明展示从实盘/历史数据到因子计算、策略与模拟撮合引擎的回测框架路径及其改进目标。

• 回测框架包含实盘数据来源（交易所实时行情）。
• 回测框架包含投研数据来源（历史行情数据）。
• 流程路径包含从数据到因子计算的阶段。
• 流程路径包含交易策略阶段。
• 流程路径包含模拟撮合引擎阶段。
• 该框架旨在缓解传统回测计算耗时长的问题。
• 该框架旨在支持产研共享统一代码的诉求。
• 该框架目标包括提升回测精度与效率。

FICC研究成果与模型工程化方法

描述 DolphinDB 在 FICC 领域的处理特点、将金融模型抽象为可调用函数并封装为曲线拟合与估值定价引擎以简化流程。

• 页面提到 DolphinDB 在 FICC 领域的研究成果。
• FICC 业务数据被描述为数据量庞大且更新频繁。
• FICC 业务被描述为对交易时效性要求极高。
• 方法包括将金融模型抽象成可直接调用的函数。
• 可调用函数覆盖债券、外汇、期货期权等类型。
• 相关函数被封装在曲线拟合引擎与估值定价引擎中。
• 用户可通过直接调用引擎来简化操作流程（表述较为概括）。

研发投入规划：四个关键领域

披露 DolphinDB 将在企业级实时计算、综合业务平台、异构计算与 AI 辅助决策等四个方向加大研发投入。

• DolphinDB 提到将加大研发投入。
• 方向之一为 Orca（企业级实时计算平台）。
• 方向之一为 Quant Cloud（综合业务平台）。
• 方向之一为 Shark（CPU-GPU 异构计算平台）。
• 方向之一为 AI 辅助决策系统。
• 研发投入规划被描述为支持金融机构决策智能化升级（表述较为概括）。

互动与交流现场（图片AI说明）

通过多张现场照片的 AI 说明描述提问互动与会后交流场景及其体现的产学研交流意义。

• 页面通过图片 AI 说明呈现现场提问互动场景。
• 页面通过图片 AI 说明呈现会后交流场景。
• 页面提及这些场景体现产学研交流意义（表述较为概括）。
• 互动环节被描述为同学积极提问与交流。

结尾：现场反响

以一句话总结讲座结束后的交流互动与热烈反响。

• 结尾总结讲座结束后仍有交流互动。
• 结尾概述现场反响较为热烈（表述为概括性）。

Facts Index