邁進金融數據服務3.0時代，DolphinDB +聚源數據在路上_風聞

【1.0時代   終端+Excel】

      1.0時代，我們獲取數據的方式是在終端點開瀏覽器，把數據通過 Excel 下載到本地中使用。Excel 中各種透視表與插件組合滿足了絕大多數小批量數據使用的場景。Excel+終端瀏覽器，基本解決了小批量數據使用的問題。

      【2.0時代   SQL+單一數據來源】

      隨着研究的深入、數據維度的拓展、數據規範的清晰，結構化數據開始成為標配。相比於過去的數據瀏覽器提取方式，SQL 通過一個或幾個語句就能實現全部數據的提取，讓用户倍感輕鬆。信息化帶來的效率提升，彷彿經歷了“工業革命”般的體驗。

      【2.0時代後期   更高的算力需求】

      逐漸地，SQL 也開始暴露一些無法滿足研究需求的問題。假如研究的重心放在組合管理、因子挖掘、風險控制領域，SQL 似乎既不能滿足計算要求、也無法滿足數據處理的時效性要求，這意味着，用户需要花費大量的精力提高一點點效率。

      於是，DolphinDB 與聚源也開始給合作探索一種全新的業務模式。

      【3.0時代   探索高質量+高性能】

      高質量數據與高性能數據庫的融合是市場對3.0時代新業務場景的期待，但目前來看仍存在一些難題待解。以MySQL為例，在海量的時序數據場景下存在一些問題：

      ·存儲成本大：對於時序數據壓縮不佳，需佔用大量機器資源。

      ·維護成本高：單機系統，需要在上層人工的分庫分表，維護成本高。

      ·寫入吞吐低：單機寫入吞吐低，很難滿足時序數據千萬級的寫入壓力（針對tick級數據場景）。

      ·查詢性能差：海量數據的聚合分析性能差。

      在3.0時代的探索過程中，DolphinDB 與聚源數據達成合作，我們為構建一站式行情數據庫服務模式共同努力。

      全新的業務場景下，用户可以通過 DolphinDB 訪問和調用聚源數據庫的各類數據，快速實現高頻數據對接、存儲、查詢、指標計算、因子研究等，助力實現更便捷、更高效的投研。海量數據意味着數據質量高、歷史可追溯時間長、維度多，因此全量數據供應商顯得尤為重要，而數據質量是一切的基礎。

      從數據質量的角度：

      聚源數據庫以金融證券為核心，服務內容涵蓋投研數據、財富數據、固收數據、風險數據、ESG 數據等，廣泛應用於金融資訊展示、金融投研、大數據分析、風控、量化回測、金融監管等多個領域，經過二十餘年的發展，公司與國內券商、基金、保險、信託、銀行、期貨、資產管理公司等機構建立了廣泛的業務合作，確立了在中國金融數據服務領域的領先地位，是中國最優秀的金融資訊服務供應商之一。

      從數據庫性能的角度：

      SQL 或者單一 Python 的處理方法，無論便攜性還是成本都不算友好。比如計算一個投資組合的協方差矩陣，無法在 SQL 中完成，需要藉助額外的 Python 反推回數據庫。高性能時序數據庫 DolphinDB 有出色的內置函數、多範式的腳本語言、靈活的自定義計算，無論是在數據存儲端，還是在複雜分析端，都是比 SQL 和 Python 更優的選擇。以下圖為例：

      高質量數據、高性能數據庫二者怎麼融合？從最傳統的量化場景出發，以聚源提供的因子庫為例。

      DolphinDB 支持直接加工底層數據結果並且及時反饋結果到使用者手中，量化場景下的基礎因子、特色因子、回測框架都可以直接依託其後的數據基準進行融合。這些步驟的融合幫助用户解決數據儲存量極大、讀取緩慢的通病。也就意味着，當擁有了捆綁好的高質量基礎數據與高性能平台的時候，用户便有了所有想要的內容。同時，因為 DolphinDB 自定義的優勢加上聚源數據除常規的披露數據外，還有包括但不限於其它主流另類數據（司法，工商，輿情，預期、宏觀行業等）等，極大方便機構客户做特色因子挖掘和回測的工作流程，將原本離散化的工作任務集成式佈置在 DolphinDB 上，真正發揮出1+1融合但是產出遠大於2的效果。

      數據質量與數據庫性能的優勢相互結合，機構可以直接享受到聚源高質量數據加 DolphinDB 高性能數據庫的一站式服務。

      除此之外，分佈式高性能的數據存儲，必然對高頻率的數據量處理有着顯著優勢，對於聚源在金融全場景下涵蓋的各更新頻率不一的數據，科學合理的插值方法，是提高數據頻率的有效手段;因子算法部署在更為高頻的數據空間（如 Alpha191 算法由日K，調整為 1分鐘K），也是挖掘非線性因子的，進入市場顆粒化程度更深領域的主要路徑。數據升頻與 DolphinDB 的高性能協作，勢必會開闢量化數據場景的新賽道。

      這也意味着，3.0時代將迎來數據庫與編程語言的融合。

      在傳統的數據庫時代，我們更看重數據的寫入，所以我們強調數據庫的一致性、原子性、持久性等，而用於分析的 SQL 語句功能則相對簡單，複雜的分析和計算通常由更高級的編程語言（如 C++， Python 等）來完成。在海量數據時代，我們更看重數據的讀取，也就是通過對海量數據的分析，發掘數據背後的價值，數據分析的時效性則對企業的競爭能力至關重要。未來 SQL 語句和更高級的編程語言也將走向融合，高質量的數據+高性能的數據庫將解決數據來源廣、時效性差、成本開銷大等一系列長期困擾市場的難題。

      基於此，DolphinDB 與聚源，在路上。