自营投研 - 股票
因子存储
DolphinDB 支持将分散在各研究团队、各策略组的因子结果统一沉淀为集中因子库，在同一套架构下同时管理从毫秒级高频因子到日度、周度、月度因子，覆盖股票、期货、期权等多资产。通过按「时间 × 标的」或「时间 × 因子名」等维度灵活分区，并在库内直接完成因子写入、更新与查询，既兼顾高频批量写入，又支撑全市场、多因子、长历史的快速截面与时序访问。
在实测场景中，可在分钟级完成数百 GB 多因子数据的批量入库，并在秒级完成单因子全市场增删改，真正实现因子“存”和“查”的一体化、高性能管理。
精选教程与最佳实践：
- 中高频多因子库存储最佳实践
因子计算
DolphinDB 内置图灵完备的编程语言，结合丰富的向量化函数与流计算引擎，可以高效表达截面因子、时序因子、行业/主题因子以及跨资产因子逻辑。高频微结构因子、日度技术与风格因子、中长期基本面因子可在同一框架下融合，构建多周期协同的 Alpha 体系。
通过 UDF 与模块封装团队自研逻辑，实现“策略组内复用 + 机构内共享”。平台内置 WorldQuant 101 Alpha 因子指标库、技术分析指标库、MyTT 指标库、CSAP 截面因子指标库等开箱即用模块，加速因子研发进程。
精选教程与最佳实践：
- 因子计算最佳实践
- 基于 Level-2 行情数据的因子计算实践
- 因子实现案例库：通用金融因子、ETF 期权隐含波动率和希腊值、深度不平衡/买卖压力指标/波动率计算、股票复权因子和复权行情、基金日频因子
- 因子实现方案对比：Python+HDF5 vs. DolphinDB 一体化因子计算方案、Python+文件存储 vs DolphinDB 因子计算
流批一体因子开发
DolphinDB 流批一体架构让股票因子从研发到生产无缝衔接。投研环境中基于历史数据开发的因子计算逻辑，可以无需改写直接部署到实盘流式计算环境，确保回测与实盘的因子值完全一致。这种“一次开发、处处运行”的模式消除了传统 Python 研发 + C++ 生产的双栈开发困扰，策略上线周期可缩短 80% 以上。
系统支持因子的历史批量回填和实时增量更新，投研人员可以在盘后快速验证新因子的历史表现，盘中则实时监控因子值变化。从因子创意到实盘验证的完整闭环可在数小时内完成，大幅提升策略研发效率。
精选教程与最佳实践：
- 搭建 Level-2 快照数据流批一体因子计算平台
- 实时高频因子的实现
- 实时场景：分钟资金流、日累计逐单资金流、实时涨幅榜
多因子建模
在因子评估和筛选的基础上，DolphinDB 依托高性能分布式 JOIN 与时序计算引擎，可将经过筛选的因子与行情、财务、持仓、交易及风险因子按时间与标的对齐，一步生成建模所需的特征表和标签集，支持从 Alpha 信号到可交易组合的完整流程。
- 多因子框架：在库内直接实现线性加权、截面回归、IC 加权等传统多因子模型，生成标的打分或预期收益，用于选股和择时；
- 风险因子与组合约束：内置多因子风险模型框架，可快速构建风险模型进行因子暴露分析与收益归因，在持仓约束、行业/风格中性、因子暴露约束等多重限制下完成组合优化，求解最优权重；
- 机器学习与深度学习建模：结合内置机器学习框架以及 XGBoost、AI Dataloader、LibTorch 等插件，在 DolphinDB 内完成大规模因子样本的模型训练与实时推理。
精选教程与最佳实践：
- 内置机器学习框架：金融实时实际波动率预测
- XGBoost 插件应用：开发股票波动率预测模型的676个输入特征
- AI Dataloader 和 Libtorch 工具应用：通过深度学习进行股票实时波动率预测
因子自动挖掘
对于已构建了大规模因子库的机构，DolphinDB 提供基于统一数据底座的因子自动挖掘能力，支持从海量历史数据中自动搜索潜在 Alpha。Shark GPLearn 是基于遗传算法的因子自动挖掘框架，通过符号回归自动生成与数据分布相拟合的 Alpha 表达式。相比开源 gplearn，Shark GPLearn 提供 GPU 加速、整合 DolphinDB 丰富的算子库、原生支持“时间 × 股票 × 因子”的三维面板数据处理。大幅缩短“生成-筛选-回测”迭代周期，可在统一平台上实现"人工设计 + 自动挖掘"组合研究流程，大幅提升研究产出效率。
现在申请试用 → https://dolphindb.cn/product#shark
精选教程与最佳实践：
- Shark GPLearn 因子挖掘快速上手
- 高性能因子挖掘平台白皮书
因子管理平台
DolphinDB 提供覆盖因子全生命周期的一体化管理平台，贯穿数据管理、因子研究、因子评估、策略回测的完整投研流程。平台自动记录每个因子的计算逻辑、数据依赖、历史表现、应用策略等元数据，支持因子血缘追溯和影响分析。投研团队可通过平台查看因子库中所有因子的 IC、IC_IR、多空收益等核心指标，对比不同因子的表现并进行组合优化。多用户协作机制让团队成员共享因子研究成果，避免重复开发。
现在申请试用 → https://dolphindb.cn/product#starfish
精选教程与最佳实践：
- 因子开发平台快速上手
- 因子开发管理平台白皮书
中高频回测框架
DolphinDB 中高频回测框架集数据回放、模拟撮合引擎、回测引擎于一体。事件驱动回测引擎将历史数据流同步分发至模拟撮合引擎与策略回调函数：策略基于实时行情生成交易信号并下单，回测引擎执行风控校验（资金、持仓、涨跌停等约束），通过审核的订单进入模拟撮合模块完成成交仿真，引擎根据成交结果实时更新账户状态。
相比 Backtrader、MetaTrader4 等回测工具，DolphinDB 回测框架覆盖股票、期权、期货、银行间债券、数字货币等多资产品种，核心撮合与回测引擎采用 C++ 实现，在全市场、多标的、中高频数据量级下相较 Python 框架可实现最高数十倍的性能提升。
精选教程与最佳实践：
- 快速上手 DolphinDB 回测
- DolphinDB 回测平台使用和性能优化攻略
- DolphinDB 回测平台与其它回测产品的对比分析
模拟撮合
DolphinDB 提供模拟撮合引擎插件，精确仿真订单在真实市场中的成交过程。撮合引擎接收实时行情数据（快照或逐笔）与策略委托订单（限价、市价、撤单），按价格优先、时间优先规则构建虚拟订单簿，动态计算每笔订单的成交价格、成交数量与成交时间。
引擎支持配置通道延迟、成交比例等参数，量化评估不同交易环境下的策略表现：对逐笔行情，实时合成 Tick 级订单簿并与后续委托持续撮合；对快照行情，可配置未成交订单是否跨快照排队等待。内置多种撮合算法，既可基于最新成交价与对手盘口按比例撮合，也可基于区间成交明细叠加盘口深度进行成交仿真。
通过精细化成交仿真，DolphinDB 帮助高频和日内策略将“理想回测收益”校正为更贴近实盘环境的“可实现收益”，用于评估滑点、流动性约束和冲击成本的真实影响。
精选教程与最佳实践：
- 模拟撮合引擎使用教程
原生 Python 和 C++ 嵌入式方案
DolphinDB 提供 Swordfish 嵌入式解决方案，支持在 Python 和 C++ 应用程序中直接调用其高性能计算引擎，无需通过网络连接数据库。对于券商自营投研团队，这意味着已有的 Python 研究脚本和 C++ 策略程序可以在不改写核心业务逻辑的前提下，直接获得 DolphinDB 的流式计算和分布式处理能力，实现毫秒级数据处理和大规模并行计算。这种"进程内调用"的架构既保留了原有代码资产和开发习惯，又显著提升了计算性能和数据处理效率，大幅降低平台迁移成本和技术风险。
精选教程与最佳实践：
- C++ Swordfish 方案
AI 智能投研
DolphinDB AI 智能投研系统将大语言模型与量化研究深度融合，投研人员可通过自然语言完成复杂分析任务。研报因子复现 Agent 可输入研报 PDF 自动识别因子逻辑并生成可执行代码；因子迭代 Agent 基于历史表现自动推荐调参方向和因子组合方案；组合管理 Agent 支持自然语言查询组合收益、风险归因、行业暴露等指标并生成分析报表；智能选股 Agent 结合市场表现、财务因子与投资逻辑自动生成股票池并给出选股理由。
通过丰富、专业的语料训练，系统能够理解 “市值中性化” “行业轮动” “动量反转”等量化投资术语，自动生成 DolphinDB 计算脚本并返回结果。这种智能化投研模式大幅降低技术门槛，让非技术背景的研究员也能高效完成量化分析，同时为资深量化团队提供更智能的辅助工具，显著加速研究迭代周期。