量化交易中，数据系统主要需要支撑两个场景。第一个是策略回测，面对的是过去10年的历史数据，数据量在10TB级别。目标是当我们脑袋里面有一个自认为绝好的策略思路时，能够快速的进行验证其是不是有效。从技术实现的角度来说，回测就是一遍一遍的轮询大量的历史数据进行计算。这里面的历史数据是不会更改的，要求读取的速度特别快。
另一个是实时交易，面对的是每秒10k+的交易数据流入，能够即时通过原始数据计算出量化因子，做出交易决策。还有风险控制，在出现事先没有预期到的风险时，要能够迅速把持仓退出来。这都要求延迟尽可能地小，控制滑点成本。
金融时间序列数据的特点
- 数据量比较大。以目前A股的level1 tick数据为例，每支股票每3s就会生成一条数据，3k+支股票每天交易4个小时，总计生成接近1500万条原始记录，加入基于原始记录生成的各类因子，数据量要翻N倍。使用level2逐笔成交数据的话，数据量要更大。
- 数据是分块的。依赖于交易所的交易日界定，每个交易日都是独立的，所以可以将每支股票每天的数据作为一块互不相关的数据块。每个数据块大约1M大小。
- 全部是数值型，没有文本。对数据的压缩很有效。
- 数据稳定增长，不会出现访问峰值。这对于系统的承压能力要求相对较低。
- 一次写入多次读取，不会修改已经写入的数据，数据写入压力小。
- 不需要支持事务。
- 对时效性和准确性要求很高。如果出现比较大的延迟或者数据错误，那策略的表现变得不可控，无法执行。
数据库的选择
- MySQL：以上文所提到的A股level1 tick数据量，MySQL是无法支撑的。对于历史数据来说数据量太大了，MySQL的数据压缩效率不高，存储和效率都无法满足需求；对于实时交易来说延迟会比较大。
如果数据频率时分钟K线，那用MySQL是可以解决的。使用MyISAM存储引擎，因为MyISAM可以对数据压缩，节约存储空间，读性能也要比InnoDB要好。
-
MongoDB：一个不错的选择，目前有很多量化团队在使用MongoDB作数据存储。对于中低频策略应该完全没问题。Mongoing中文社区 也有一系列相关的文章：
- InfluxDB：无论是面对历史回测或者实时交易的场景，InfluxDB都是很好的选择。具体在下文讨论。
- HDF5：非常高效的二进制文件，用来存储静态数据，特别是面对科学计算问题。具体在下文讨论。
- Kdb+：商用软件，性能很强大，但是q查询语言学习曲线很陡峭，而且license很贵。
- DolphinDB：比较新的时序数据库，也是商用软件， 官方宣称其性能可以替代kdb+。
InfluxDB
为什么选择InfluxDB
InfluxDB是目前最受欢迎的时序数据库，而且社区活跃度增长非常快。一图胜千言，我们看下面两个图就可以了解时序数据库的现状。
Ranking of Time Series DBMS (from DB-Engines)
Trend of InfluxDB Popularity (from DB-Engines)
与其它数据库对比
MongoDB vs InfluxDB | InfluxData Time Series Workloads
- InfluxDB outperformed MongoDB by 2.4x when it came to data ingestion
- InfluxDB outperformed MongoDB by delivering 20x better compression
- InfluxDB outperformed MongoDB by delivering 5.7x better query performance
InfluxDB vs OpenTSDB | Time Series Database Comparison
InfluxDB和OpenTSDB是目前最受欢迎两个时序数据库。
易用性：
- 在单机上，InfluxDB就是一个独立安装包，安装配置都很简单。
- 在集群系统中，OpenTSDB使用HBase存储数据，比较成熟。InfluxDB的集群解决方案是商业化的。
性能： - InfluxDB outperformed OpenTSDB by 9x when it came to data ingestion
- InfluxDB outperformed OpenTSDB by delivering 8x better compression
- InfluxDB outperformed OpenTSDB by delivering a minimum of 7x better query throughput
InfluxDB硬件配置建议
| Load | Field writes per second | Moderate queries per second | Unique series |
|---|---|---|---|
| Low | < 5 thousand | < 5 | < 100 thousand |
| Moderate | < 250 thousand | < 25 | < 1 million |
| High | > 250 thousand | > 25 | > 1 million |
| Probably infeasible | > 750 thousand | > 100 | > 10 million |
- Low - CPU: 2-4 cores, RAM: 2-4 GB, IOPS: 500
- Moderate - CPU: 4-6 cores, RAM: 8-32 GB, IOPS: 500-1000
- High - CPU: 8+ cores, RAM: 32+ GB, IOPS: 1000+
- Probably infeasible load - cluster solution
根据上文的推算结果，这里的load介于Moderate与High之间，使用单机InfluxDB就够了。
目前很多量化团队用的都是单机架构，主要在提高单机性能。那为什么不用分布式系统，比如Hive/HBase？因为学习和维护成本高，对于中小团队不现实。另一个原因就是这里数据并不是高并发的场景，性能较好的单机就可以解决。
InfluxDB存储交易数据
InfluxDB使用细节不在这里展开。学习资料：
在我们的系统中，每支股票用一个独立的 measurement 存储，类似于MySQL里面的table。如上文所说，每支股票每天的交易tick被当作一个独立数据块，在InfluxDB里面存储为一个series，通过添加tag记录交易日来区分。还加入另一个tag来记录数据源，因为我们可能会有多个数据源，这个tag可用来做数据源可靠性分析。
数据(line protocol)示例，其中date和source就是数据的tag集：
000001,source=XYZ,date=20190103 Price=123.45,Volume=6789,Amount=10111213 1546480800000检索示例，查询出某支股票一整天的交易数据，InfluxQL跟SQL使用基本一样：
SELECT * FROM "000001" WHERE date='20190103'使用技巧
- InfluxDB是不支持事务的，所以在读/写操作同时进行的场景中，有可能一条记录只有一半被写入，就被读出来了，这就是脏数据。为了判断读出来的是不是脏数据，需要对取出来的数据进行检查，如果某个不可能为空的字段是空值，那么求需要重新取一次。
-
复制measurement：
SELECT * INTO measurement_new FROM measurement_old GROUP BY *
HDF5
对于实时交易的场景，用InfluxDB提供数据管理系统，使用方便，也可以解耦合数据模块、计算模块和交易模块。
但是在面对历史数据回测的场景中，我们会预先通过原始数据计算出因子数据，在整个回测过程中只会对数据进行读取，不会做任何更新。如果这里依旧使用InfluxDB，就会在数据库连接和网络传输上产生额外的时间开销，这是没有必要的。这种情况下，本地文件存储就是一个很好的选择。高效而且简单易用的HDF5就是首选，可参考Python和HDF5大数据应用。
HDF5中有一个dataset的概念，就是一个相关数据组成的一个数据集，在我们的问题里面，前文所说的数据块就很好的符合这个概念，每个股票每天的数据作为一个数据集存储。
API接口
使用技巧
- 不建议用pandas中的
Dataframe.to_hdf5直接存储，而是使用h5py存储Dataframe内部的numpy.ndarray，读取时再将其组装为Dataframe。因为pandas会存入很多冗余信息，存储大小是后者的5倍以上。 -
使用压缩功能对数据进行压缩，节约存储空间。
# save: ticks is an instance of pandas.Dataframe with h5py.File('data.h5', mode='w') as f: f.create_dataset('/20190101/000001', data=ticks, compression='gzip', compression_opts=6, chunks=ticks.shape) # load: read dataset and pack it to a pandas.Dataframe columns = ['Price', 'Volume', 'Amount'] with h5py.File('data.h5') as f: dset = f.get('/20190101/000001') values = dset.value ticks = pandas.Dataframe(data=numpy.array(values), columns=columns)