有人说，DolphinDB 是一个时序数据库；
也有人说，DolphinDB 就是 Python 加数据库的结合；还有人说，DolphinDB 是一个支持流数据处理的实时计算软件……
我们经常会听到类似的理解，其实很多小伙伴都会有好奇——DolphinDB 到底是什么定位？
United Real-time Platform for DBMS, Analytics and Stream Processing
一套完整的量化策略研发和交易流程，大体可以分为行情数据源存储、策略研发与实时交易三个部分。数据存储阶段对于数据库各有选择，有本地离线存储、传统关系型数据库存储，以及专业的时序数据库存储等，比如一般会用到 Oracle、ClickHouse、MySQL 等；策略研发阶段常用 Python 作为主力技术栈；到实时计算与交易环节，为了保证执行效率，往往又会转换成 C++，维护两套系统。
目前常用的解决方案如图所示，其中存在两个转换过程：从存储到分析的数据转换，和从投研到生产的代码转换。这两个转换过程的效率，以及数据分析的计算性能，是整个量化框架效率的决定性因素之一。
这张图中，DolphinDB 在哪里呢？
——DolphinDB 包含了这张图中的全部流程！
作为一款基于高性能时序数据库，支持数据分析与流计算的低延时平台，DolphinDB 不仅拥有领先的存储、查询性能，还有强大的计算和流数据实时分析功能。内置的1500多个函数基本覆盖了量化投研常用的计算逻辑，包括 WorldQuant 101 Alpha、国泰君安191 Alpha 等常用的因子库，用户只需要调用函数就可以一键计算。因此，DolphinDB 很好地解决了存储与计算交互的痛点，并且满足了从投研到生产的流批一体需求……
孰优孰劣？
在整个量化框架中，可以说策略研发环节是决定性能和效率的关键因素。Python 作为串联全流程的核心技术栈，既要与存储行情数据的数据库进行交互，又要保证极高的数据分析性能，为实盘交易奠定基础。我们征集了大家在使用 Python 进行量化投研时最常用的一些函数（库包）和语句，下表列举了部分结果：
在这些经典的计算场景下，Python 丰富的数据分析库包和成熟的生态，为因子投研带来了很大的便利，因此广受普及。
而事实上，以上这些大家常用的函数，在 DolphinDB 中，均有更优的实现——不仅计算效率更高，而且还针对各种金融场景做了特定优化。
与以 Python 为核心的传统量化解决方案相比，DolphinDB 的代码会更加简洁直观，运行时的性能也会有数量级的提升。那么，DolphinDB 能在什么程度上实现超越呢？
直播来袭
2023年4月27日19:30（周四），我们将举办主题为“打破 Python 束缚：Level 2 因子的脚本优化实践”的直播活动。直播将围绕 Level 2高频行情数据，以多个复杂因子计算为案例，为大家展示 Python 与 DolphinDB 的脚本差异和性能对比数据。在第二部分中，为了帮助大家更高效地实现从 Python 到 DolphinDB 的转换，我们还准备了详细的转换攻略，进行线上手把手教学！
本次直播将由 DolphinDB CEO 周小华博士，与数据分析负责人毛忻玥老师一同主讲。点击链接立即报名！
直播中，你将了解到：
- DolphinDB 如何替代以 Python 为核心的传统量化解决方案
- 基于高频行情数据的因子计算，包括 Level 2行情数据概览，用 DolphinDB TSDB 引擎存储 Level 2行情数据，以及基于快照、逐笔成交、逐笔委托数据的因子计算与性能对比
- 高频因子的流式实现，包括状态函数与无状态函数如何拆分，窗口计算与迭代的应用，循环与判断的高效实现，以及用即时编译（JIT）和独特的数组向量（array vector）实现流计算优化
- 从 Python 到 DolphinDB 转换攻略，包括数据结构对比、脚本语言转换思路，以及数据透视、多表关联、循环、时序数据处理等各种计算场景的转换教学
此外，此前有许多小伙伴参与了我们的 “What’s Your Cup of Tea——Python 语句征集”活动，都将获得抽奖资格，中奖名单将在直播后3-5个工作日公布，敬请期待~
干货满满，快点击链接报名！
