Skip to content
Permalink
master
Switch branches/tags
Go to file
 
 
Cannot retrieve contributors at this time

DolphinDB教程:历史数据回放

一个量化策略在用于实际交易时,处理实时数据的程序通常为事件驱动。而研发量化策略时,需要使用历史数据进行回测,这时的程序通常不是事件驱动。因此同一个策略需要编写两套代码,不仅耗时而且容易出错。在DolphinDB中,用户可将历史数据按照时间顺序以“实时数据”的方式导入流数据表中,这样就可以使用同一套代码进行回测和实盘交易。

DolphinDB的流数据处理框架采用发布-订阅-消费的模式,数据持续地以流的形式发布给数据订阅者。订阅者收到消息以后,可使用自定义函数或者DolphinDB内置的聚合引擎来处理消息。DolphinDB流数据接口支持多种语言的API,包括C++, C#, Java, 和Python等。用户可以使用这些API来编写更加复杂的处理逻辑,更好地与实际生产环境相结合。详细情况请参考DolphinDB流数据教程

1. 函数介绍

replay

replay(inputTables, outputTables, [dateColumn], [timeColumn], [replayRate], [absoluteRate=true], [parallelLevel=1])

replay函数的作用是将若干表或数据源同时回放到相应的输出表中。用户需要指定输入的数据表或数据源、输出表、日期列、时间列、回放速度以及并行度。

  • inputTables: 单个表或包含若干表或数据源(见replayDS介绍)的元组。
  • outputTables: 可以是单个表或包含若干个表的元组,表示共享的流数据表对象,也可以是字符或字符串,表示共享流数据表的名称。输入表和输出表的个数一致,且一一对应,每对输入/输出表的schema相同。
  • dateColumn 与 timeColumn: 字符串, 表示输入表的日期和时间列,若均不指定则默认第一列为dateColumn。若有dateColumn,则该列必须为分区列之一;若无dateColumn,则必须指定timeColumn,且其必须为分区列之一。若输入表中时间列同时包含日期和时间,需要将dateColumn和timeColumn设为同一列。回放时,系统将根据dateColumn和timeColumn的设定,决定回放的最小时间精度。在此时间精度下,同一时刻的数据将在相同批次输出。举例来说,若timeColumn最小时间精度为秒,则每一秒的数据在统一批次输出;若只设置了dateColumn,那么同一天的所有数据会在一个批次输出。
  • replayRate: 整数,表示数据回放速度。若absoluteRate为true,replayRate表示每秒钟回放的数据条数。由于回放时同一个时刻数据在同一批次输出,因此当replayRate小于一个批次的行数时,实际输出的速率会大于replayRate。若absoluteRate为false,依照数据中的时间戳加速replayRate倍回放。若replayRate未指定或为负,以最大速度回放。
  • absoluteRate是一个布尔值。默认值为true,表示replayRate为每秒回放的记录数。若为false,表示依照数据中的时间戳加速replayRate倍回放。
  • parallelLevel: 整数, 表示读取数据的并行度。当源数据单个分区相对内存较大,或者超过内存时,需要使用replayDS函数将源数据划分为若干个小的数据源,依次从磁盘中读取数据并回放。参数parallelLevel指定同时读取这些经过划分之后的小数据源的线程数,可提升数据读取速度。

replayDS

replayDS(sqlObj, [dateColumn], [timeColumn], [timeRepartitionSchema])

replayDS函数可以将输入的SQL查询转化为数据源,结合replay函数使用。其作用是根据输入表的分区以及timeRepartitionSchema,将原始的SQL查询按照时间顺序拆分成若干小的SQL查询。

  • sqlObj: SQL元代码,表示回放的数据,如<select * from sourceTable>。
  • dateColumn: 字符串, 表示日期列。若不指定,默认第一列为日期列。replayDS函数默认日期列是数据源的一个分区列,并根据分区信息将原始SQL查询拆分为多个查询。
  • timeColumn: 字符串, 表示时间列,配合timeRepartitionSchema使用。
  • timeRepartitionSchema: TIME或NANOTIME类型向量,如08:00:00 .. 18:00:00。对sqlObj在每一个dateColumn分区中,在timeColumn维度上进一步拆分。

单个内存表回放

单内存表回放只需要设置输入表、输出表、日期列、时间列和回放速度即可。

replay(inputTable, outputTable, `date, `time, 10)

使用data source的单表回放

若数据表的行数过多,可使用replayDS函数将其划分为若干个小的数据源,再使用replay函数从磁盘中读取数据并回放。replay内部实现使用了pipeline框架,取数据与输出分开执行。当replayDS函数的输入为数据源时,多块数据可以并行读取,以避免输出线程等待的情况。此例中并行度设置为2,表示有两个线程同时执行取数据的操作。

inputDS = replayDS(<select * from inputTable>, `date, `time, 08:00:00.000 + (1..10) * 3600000)
replay(inputDS, outputTable, `date, `time, 1000, true, 2)

多表回放

replay也支持多张表的同时回放,只需将多张输入表以元组的方式传入replay,并且分别指定输出表即可。这里输出表和输入表应当一一对应,每一对都必须有相同的表结构。如果指定了日期列或时间列,那么所有表中都应当存在相应的列。

ds1 = replayDS(<select * from input1>, `date, `time, 08:00:00.000 + (1..10) * 3600000)
ds2 = replayDS(<select * from input2>, `date, `time, 08:00:00.000 + (1..10) * 3600000)
ds3 = replayDS(<select * from input3>, `date, `time, 08:00:00.000 + (1..10) * 3600000)
replay([ds1, ds2, ds3], [out1, out2, out3], `date, `time, 1000, true, 2)

取消回放

如果replay函数是通过submitJob调用,可以使用getRecentJobs获取jobId,然后用cancelJob取消回放。

getRecentJobs()
cancelJob(jobid)

如果replay函数是直接调用,可在另外一个GUI session中使用getConsoleJobs获取jobId,然后使用cancelConsoleJob取消回放任务。

getConsoleJobs()
cancelConsoleJob(jobId)

2. 如何使用回放的数据

回放的数据以流数据形式存在,我们可以使用以下三种方式来订阅与消费这些数据:

  • 在DolphinDB中订阅,使用DolphinDB脚本自定义回调函数来消费流数据。
  • 在DolphinDB中订阅,使用内置的流计算引擎来处理流数据,譬如时间序列聚合引擎、横截面聚合引擎、异常检测引擎等。DolphinDB内置的聚合引擎可以对流数据进行实时聚合计算,使用简便且性能优异。在3.2中,我们使用横截面聚合引擎来处理回放的数据,并计算ETF的内在价值。横截面聚合引擎的具体用法参见DolphinDB用户手册
  • 第三方客户端通过DolphinDB的流数据API来订阅和消费数据。

3. 金融示例

回放level1报价数据并计算ETF内在价值

本例中使用美国股市2007年8月17日的level1报价数据,执行replayDS函数进行数据回放,并通过DolphinDB内置的横截面聚合引擎计算ETF内在价值。数据存放在分布式数据库"dfs://TAQ"的quotes表,以下是quotes表的结构以及数据预览。

quotes = database("dfs://TAQ").loadTable("quotes")
quotes.schema().colDefs;
name typeString typeInt
time SECOND 10
symbol SYMBOL 17
ofrsiz INT 4
ofr DOUBLE 16
mode INT 4
mmid SYMBOL 17
ex CHAR 2
date DATE 6
bidsize INT 4
bid DOUBLE 16
select top 10 * from quotes where date=2007.08.17;
symbol date time bid ofr bidsiz ofrsiz mode ex mmid
A 2007.08.17 04:15:06 0.01 0 10 0 12 80
A 2007.08.17 06:21:16 1 0 1 0 12 80
A 2007.08.17 06:21:44 0.01 0 10 0 12 80
A 2007.08.17 06:49:02 32.03 0 1 0 12 80
A 2007.08.17 06:49:02 32.03 32.78 1 1 12 80
A 2007.08.17 07:02:01 18.5 0 1 0 12 84
A 2007.08.17 07:02:01 18.5 45.25 1 1 12 84
A 2007.08.17 07:54:55 31.9 45.25 3 1 12 84
A 2007.08.17 08:00:00 31.9 40 3 2 12 84
A 2007.08.17 08:00:00 31.9 35.5 3 2 12 84

(1) 对要进行回放的数据进行划分。回放大量数据时,若将数据全部导入内存后再回放,可能导致内存不足。可先使用replayDS函数并指定参数timeRepartitionSchema,将数据按照时间戳分为60个部分。

trs = cutPoints(09:30:00.000..16:00:00.000, 60)
rds = replayDS(<select * from quotes where date=2007.08.17>, `date, `time,  trs);

(2) 定义输出表outQuotes为流数据表。

sch = select name,typeString as type from quotes.schema().colDefs
share streamTable(100:0, sch.name, sch.type) as outQuotes

(3) 定义ETF成分股票权重字典weights以及聚合函数etfVal,用于计算ETF内在价值。为简化起见,本例使用了一个虚构的由AAPL、IBM、MSFT、NTES、AMZN、GOOG这6只股票组成的的ETF。

defg etfVal(weights,sym, price) {
    return wsum(price, weights[sym])
}
weights = dict(STRING, DOUBLE)
weights[`AAPL] = 0.1
weights[`IBM] = 0.1
weights[`MSFT] = 0.1
weights[`NTES] = 0.1
weights[`AMZN] = 0.1
weights[`GOOG] = 0.5

(4) 创建流聚合引擎,并订阅数据回放的输出表outQuotes。订阅outQuotes表时,我们指定过滤条件,只有symbol为AAPL、IBM、MSFT、NTES、AMZN、GOOG的数据才会发布到横截面聚合引擎,减少不必要的网络开销和数据传输。

setStreamTableFilterColumn(outQuotes, `symbol)
outputTable = table(1:0, `time`etf, [TIMESTAMP,DOUBLE])
tradesCrossAggregator=createCrossSectionalAggregator("etfvalue", <[etfVal{weights}(symbol, ofr)]>, quotes, outputTable, `symbol, `perBatch)
subscribeTable(tableName="outQuotes", actionName="tradesCrossAggregator", offset=-1, handler=append!{tradesCrossAggregator}, msgAsTable=true, filter=`AAPL`IBM`MSFT`NTES`AMZN`GOOG) 

(5) 开始回放,设定每秒回放10万条数据,聚合引擎则会实时地对回放的数据进行消费。

submitJob("replay_quotes", "replay_quotes_stream",  replay,  [rds],  [`outQuotes], `date, `time, 100000, true, 4)

(6) 查看ETF内在价值。

//查看outputTable表内前15行的数据,其中第一列时间为聚合计算发生的时间
select top 15 * from outputTable;
time etf
2019.06.04T16:40:18.476 14.749
2019.06.04T16:40:19.476 14.749
2019.06.04T16:40:20.477 14.749
2019.06.04T16:40:21.477 22.059
2019.06.04T16:40:22.477 22.059
2019.06.04T16:40:23.477 34.049
2019.06.04T16:40:24.477 34.049
2019.06.04T16:40:25.477 284.214
2019.06.04T16:40:26.477 284.214
2019.06.04T16:40:27.477 285.68
2019.06.04T16:40:28.477 285.68
2019.06.04T16:40:29.478 285.51
2019.06.04T16:40:30.478 285.51
2019.06.04T16:40:31.478 285.51
2019.06.04T16:40:32.478 285.51

4. 性能测试

以下对 DolphinDB database 的数据回放功能进行性能测试。测试服务器配置如下:

  • 主机:DELL PowerEdge R730xd
  • CPU:Intel Xeon(R) CPU E5-2650 v4(24核 48线程 2.20GHz)
  • 内存:512 GB (32GB × 16, 2666 MHz)
  • 硬盘:17T HDD (1.7T × 10, 读取速度222 MB/s,写入速度210 MB/s)
  • 网络:万兆以太网

测试脚本如下:

sch = select name,typeString as type from  quotes.schema().colDefs
trs = cutPoints(09:30:00.000..16:00:00.001,60)
rds = replayDS(<select * from quotes where date=2007.08.17>, `date, `time,  trs);
share streamTable(100:0, sch.name, sch.type) as outQuotes1
jobid = submitJob("replay_quotes","replay_quotes_stream",  replay,  [rds],  [`outQuotes1], `date, `time, , , 4)

在不设定回放速率(即以最快的速率回放),并且输出表没有任何订阅时,回放331,204,031条数据耗时仅需要90~110秒。