6家券商综合评级上升,12月券商App终端业务体验评测报告发布

news2024/11/15 21:57:09

随着移动金融服务的盛行,手机 App 炒股成为广大股民普遍的选择。股市行情变幻莫测,行情推送速度会影响到投资者的交易决策,委托下单与撤单等关键操作环节的响应性能又会极大影响投资者的收益。由此,行情数据的推送实时性和交易的快捷性成为考验各大券商App 性能的两大核心场景。

博睿数据发布12月券商APP终端业务体验评测报告,报告主要包含《券商App行情能力象限》和《券商App终端业务体验评测报告》,旨在帮助券商知己知彼,优化用户体验,提升整体竞争力。

测试周期:2023.12.01-2023.12.31

测试场景:行情刷新速度及交易性能

评测工具:博睿数据独家产品 Bonree Stock

行情刷新速度

行情刷新速度根据SQE指数来进行排序,SQE指数也即行情体验指数(Stock Quotations Experience Index),是衡量各券商的行情数据推送实时性的指标,行情体验指数大的券商(该指数在0-1之间),数据时效性高。

三个因素影响券商App行情刷新速度:

·券商行情机与行情源同步是否足够及时,内部加工处理行情的效率是否高效;

·各券商使用的接入线路品质的差异,如各地域运营商下的终端用户到券商行情机之间网络链路质量情况的好坏,高时延和丢包等情况都直接影响行情数据到客户手机的延迟;

·App端行情拉取机制的差异。

行情推达率

推达率是基于当天全部所有的正式券商采集的数据汇总出当天的基准推送数据,与该券商采集的数据对比统计出的百分比。

券商App行情能力象限

SQE代表行情刷新速率,值越大表示刷新越快(计算和取值标准跟以前相同,通过每天的SQE数据汇总得出月的SQE数据);标准差代表行情刷新稳定性,值越小表示越稳定(以每天的SQE数据为基准,计算当月中各天数据的标准差);横轴为行情刷新速率;纵轴为行情稳定性。

交易性能

交易性能测试遵循“四同”原则,即同款手机设备、同接入网络、同时间基准、同测试标的(同指数或同股票)。在实验室中的大量真实手机设备上,同时发起委托、撤单等交易关键操作,并通过对本地网络报文数据及App内存数据的结合分析,准确获取撤单上报耗时、撤单成功率等指标,通过预先设计的抛物线模型打分公式对交易性能进行综合评分。

交易性能的优劣主要从两方面进行考量,即交易操作的响应时延和交易操作的成功率。因此,我们目前参考的权重指标即委托耗时 + 上报耗时、交易操作是否成功两项。

四大时刻影响交易性能:

T1:用户点击撤单弹框确认按钮的时刻;

T2:App网络层真实发出撤单上报请求的时刻;

T3:App网络层接收到响应报文首包的时刻;

T4:App本地接收完响应报文并将其构造为程序中对应对象的时刻。

每两个相邻时刻相减得到的阶段耗时代表不同影响因素,这四个关键时刻的明细数据可以为券商优化交易操作相应性能指明方向,是各大券商IT技术团队进行用户体验优化的重要依据之一。

版权声明

1、本报告版权归北京博睿宏远数据科技股份有限公司(股票简称:博睿数据,股票代码:688229)所有。报告中所包含的文字及数据内容均受有关著作权法律保护,转载摘录必须注明出处。未经许可,企业或个人不得用于商业用途。任何未经授权使用本报告的行为都将违反《中华人民共和国著作权法》和其他法律法规以及有关国际公约的规定。

2、本报告由于数据样本选取及评测方式限制,其数据结果会受到样本的影响。由于研究方法及样本限制,研究资料收集范围限制,部分数据不能够完全反应真实市场情况。本报告内容及观点仅供参考,不构成任何投资建议。本报告对所提供的内容力求准确、完整和及时,但不对其准确性、完整性和及时性承担任何法律责任。

北京博睿宏远数据科技股份有限公司

2024.01.25

整体来看,2023年12月行情能力象限中,上市券商整体表现稳定,入围领导者象限的券商较上月增加2家。6家券商综合评级上升,其中,4家券商从冲刺者象限上升到领导者象限,1家券商从潜力者象限上升到冲刺者象限,1家券商从潜力者象限上升到稳定者象限。

相关咨询请扫码填写表单

我们将与您联系

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1411560.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

小程序系列--14.小程序分包

一、基础概念 1. 什么是分包 分包指的是把一个完整的小程序项目,按照需求划分为不同的子包,在构建时打包成不同的分包,用户在使用时按需进行加载。 2. 分包的好处 3. 分包前项目的构成 4. 分包后项目的构成 5. 分包的加载规则 6. 分包的…

vue3预览pdf文件的几种方法

vue3预览pdf集中方法 方法一&#xff1a; iframe&#xff1a;这种方法显示有点丑 <iframesrc"E:\\1.pdf"frameborder"0"style"width: 80%; height: 100vh; margin: auto; display: block"></iframe>方法二&#xff1a; 展示效果&…

Objective-C方法的声明实现及调用

1.无参数的方法 1)声明 a.位置&#xff1a;在interface括弧的外面 b.语法&#xff1a; - (返回值类型)方法名称; interface Person : NSObject -(void) run; end 2)实现 a.位置&#xff1a;在implementation中实现 b.语法&#xff1a;加大括弧将方法实现的代码写在大括孤之中 …

浅出深入-机器学习

文章目录 一、K近邻算法1.1 先画一个散列图1.2 使用K最近算法建模拟合数据1.3 进行预测1.4 K最近邻算法处理多元分类问题1.5 K最近邻算法用于回归分析1.6 K最近邻算法项目实战-酒的分类1.6.1 对数据进行分析1.6.2 生成训练数据集和测试数据集1.6.3 使用K最近邻算法对数据进行建…

抽象工厂模式-C#实现

该实例基于WPF实现&#xff0c;直接上代码&#xff0c;下面为三层架构的代码。 一 Model using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks;namespace 设计模式练习.Model.抽象工厂模式 {public abstrac…

学习笔记之 机器学习之预测雾霾

文章目录 Encoder-DecoderSeq2Seq (序列到序列&#xff09; Encoder-Decoder 基础的Encoder-Decoder是存在很多弊端的&#xff0c;最大的问题就是信息丢失。Encoder将输入编码为固定大小的向量的过程实际上是一个“信息有损的压缩过程”&#xff0c;如果信息量越大&#xff0c;…

Rollup:打包 TypeScript - React 组件库

调用浏览器摄像头拍照组件 1、前提1、安装依赖2、添加 rollup.config.js 配置3、修改 package.json3.1 添加打包命令3.2 添加组件入口3.3 添加组件声明入口3.4 浏览器支持 1、前提 1.1 通过 create-react-app take-photo --template 创建前端应用 1.2 添加组件 TakePhoto (拍照…

华为三层交换机之基本操作

Telnet简介 Telnet是一个应用层协议,可以在Internet上或局域网上使用。它提供了基于文本的远程终端接口&#xff0c;允许用户在本地计算机上登录到远程计算机&#xff0c;然后像在本地计算机上一样使用远程计算机的资源。Telnet客户端和服务器之间的通信是通过Telnet协议进行的…

<蓝桥杯软件赛>零基础备赛20周--第17周--并查集

报名明年4月蓝桥杯软件赛的同学们&#xff0c;如果你是大一零基础&#xff0c;目前懵懂中&#xff0c;不知该怎么办&#xff0c;可以看看本博客系列&#xff1a;备赛20周合集 20周的完整安排请点击&#xff1a;20周计划 每周发1个博客&#xff0c;共20周。 在QQ群上交流答疑&am…

JavaSE基础学习

一、编程入门 二、Java语言概述 三、Java基本语法 四、程序流程控制 五、数组 六、面向对象(上) 数组工具类的封装: 七、面向对象(中) 八、面向对象(下) 九、异常处理 十、多线程 十一、常用类 十二、枚举类与注解 十三、集合 十四、泛型 十五、IO流 十六、网络编程 十七、反射…

【论文阅读】Grasp-Anything: Large-scale Grasp Dataset from Foundation Models

文章目录 Grasp-Anything: Large-scale Grasp Dataset from Foundation Models针对痛点和贡献摘要和结论引言相关工作Grasp-Anything 数据集实验 - 零镜头抓取检测实验 - 机器人评估总结 Grasp-Anything: Large-scale Grasp Dataset from Foundation Models Project page&…

【重点】【DP】123.买卖股票的最佳时机III

题目 法1&#xff1a;单次遍历&#xff0c;Best! class Solution {public int maxProfit(int[] prices) {int f1 -prices[0], f2 0, f3 -prices[0], f4 0;for (int i 1; i < prices.length; i) {f1 Math.max(f1, -prices[i]);f2 Math.max(f2, f1 prices[i]);f3 Ma…

Cesium中实现流体模拟

流体模拟 流体模拟是指通过数学模型和计算机算法来模拟流体行为的过程。它可以用来研究和预测各种液体和气体的运动、相互作用和变形。 流体模拟有多种方法&#xff0c;下面列举了几种常见的方法&#xff1a; 网格方法&#xff1a;网格方法是最常用的流体模拟方法之一。它将模…

VSCode Vue项目中报错 [vue/require-v-for-key]

报错 [vue/require-v-for-key] Elements in iteration expect to have v-bind:key directives.eslint-plugin-vue 解决办法&#xff1a; 在设置里把这个取消勾选

Java 数据库连接

1&#xff0c;JDBC概述 在开发中我们使用的是java语言&#xff0c;那么势必要通过java语言操作数据库中的数据。这就是接下来要学习的JDBC。 1.1 JDBC概念 JDBC 就是使用Java语言操作关系型数据库的一套API 全称&#xff1a;( Java DataBase Connectivity ) Java 数据库连接 …

单片机14-17

目录 LCD1602 LCD1602液晶显示屏 直流电机驱动&#xff08;PWM&#xff09; LED呼吸灯 直流电机调速 AD/DA&#xff08;SPI通信&#xff09; AD模数转换 DA数模转换 红外遥控&#xff08;外部中断&#xff09; 红外遥控 红外遥控电机调速 LCD1602 LCD1602液晶显示屏 …

智能语音识别源码系统+语义理解+对话管理+语音合成 带完整的搭建教程

人工智能技术的不断发展&#xff0c;智能语音识别技术逐渐成为人们日常生活和工作中不可或缺的一部分。然而&#xff0c;目前市场上的智能语音识别产品大多存在一定的局限性&#xff0c;如识别率不高、功能单一等。为了解决这些问题&#xff0c;罗峰给大家分享一款基于智能语音…

pytorch学习笔记(十一)

优化器学习 把搭建好的模型拿来训练&#xff0c;得到最优的参数。 import torch.optim import torchvision from torch import nn from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear from torch.utils.data import DataLoaderdataset torchvision.datas…

【Python】采用OpenCV和Flask来进行网络图像推流的低延迟高刷FPS方法(项目模板)

【Python】采用OpenCV和Flask来进行网络图像推流的低延迟高刷FPS方法&#xff08;项目模板&#xff09; gitee项目模板&#xff1a; 网络图像推流项目模板&#xff08;采用OpenCV和Flask来进行网络图像推流的低延迟高刷FPS方法&#xff09; 前文&#xff1a; 【最简改进】基于…

深入浅出 diffusion(2):pytorch 实现 diffusion 加噪过程

我在上篇博客深入浅出 diffusion&#xff08;1&#xff09;&#xff1a;白话 diffusion 原理&#xff08;无公式&#xff09;中介绍了 diffusion 的一些基本原理&#xff0c;其中谈到了 diffusion 的加噪过程&#xff0c;本文用pytorch 实现下到底是怎么加噪的。 import torch…