【1.0時代? ?終端+Excel】

　　1.0時代，我們獲取數(shù)據(jù)的方式是在終端點開瀏覽器，把數(shù)據(jù)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(shù)小批量數(shù)據(jù)使用的場景。Excel+終端瀏覽器，基本解決了小批量數(shù)據(jù)使用的問題。

　　【2.0時代? ?SQL+單一數(shù)據(jù)來源】

　　隨著研究的深入、數(shù)據(jù)維度的拓展、數(shù)據(jù)規(guī)范的清晰，結(jié)構(gòu)化數(shù)據(jù)開始成為標配。相比于過去的數(shù)據(jù)瀏覽器提取方式，SQL 通過一個或幾個語句就能實現(xiàn)全部數(shù)據(jù)的提取，讓用戶倍感輕松。信息化帶來的效率提升，仿佛經(jīng)歷了“工業(yè)革命”般的體驗。

　　【2.0時代后期? ?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(shù)據(jù)處理的時效性要求，這意味著，用戶需要花費大量的精力提高一點點效率。

　　于是，DolphinDB 與聚源也開始給

　　近日，書香門地集團檢測中心參加2023年林產(chǎn)品檢驗檢測能力驗證活動中人造板甲醛釋放量、吸水厚度膨脹率和密度3個檢測項目，均取得滿意結(jié)果，這已是書香門地集團檢測中心連續(xù)4年取得該榮譽。

　　該活動由國家林業(yè)和草原局林產(chǎn)品質(zhì)量和標準化研究中心組織、國家人造板與木竹制品質(zhì)量檢驗中心等承辦，是一份給承擔林產(chǎn)品質(zhì)量監(jiān)測任務的各級檢驗檢測機構(gòu)和自愿參與的實驗室的年度盲樣考卷，是評價檢驗檢測實驗室檢測能力的有效手段。

　　書香門地集團檢測中心連續(xù)4年取得國家林業(yè)和草原局林產(chǎn)品質(zhì)量和標準化研究中心結(jié)果滿意的考核，充分說明書香門地集團檢測能力持續(xù)保證結(jié)果的準確性。年考并不是終點，而是一個新的開始。在中國林科院木工所的培訓和指導下，書香門地集團充分利用通知結(jié)果改進檢測中心檢測水平，確保檢驗檢測能力持續(xù)滿足要求并不斷提升。

　　未來，書香門地集團檢測中心將不斷提高質(zhì)量控制與運行管理水平，持續(xù)加強檢驗檢測能力建設，擴展更多檢測項目，為原物料和產(chǎn)品在采購、研發(fā)和生產(chǎn)等各個環(huán)節(jié)提供數(shù)據(jù)支撐，為書香門地高質(zhì)量發(fā)展保駕護航，為消費者甄選優(yōu)質(zhì)健康家居產(chǎn)品。

　　合作探索一種全新的業(yè)務模式。

　　【3.0時代? ?探索高質(zhì)量+高性能】

　　高質(zhì)量數(shù)據(jù)與高性能數(shù)據(jù)庫的融合是市場對3.0時代新業(yè)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(shù)據(jù)場景下存在一些問題：

　　·存儲成本大：對于時序數(shù)據(jù)壓縮不佳，需占用大量機器資源。

　　·維護成本高：單機系統(tǒng)，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(shù)據(jù)千萬級的寫入壓力(針對tick級數(shù)據(jù)場景)。

　　·查詢性能差：海量數(shù)據(jù)的聚合分析性能差。

　　在3.0時代的探索過程中，DolphinDB 與聚源數(shù)據(jù)達成合作，我們?yōu)闃?gòu)建一站式行情數(shù)據(jù)庫服務模式共同努力。

　　全新的業(yè)務場景下，用戶可以通過 DolphinDB 訪問和調(diào)用聚源數(shù)據(jù)庫的各類數(shù)據(jù)，快速實現(xiàn)高頻數(shù)據(jù)對接、存儲、查詢、指標計算、因子研究等，助力實現(xiàn)更便捷、更高效的投研。海量數(shù)據(jù)意味著數(shù)據(jù)質(zhì)量高、歷史可追溯時間長、維度多，因此全量數(shù)據(jù)供應商顯得尤為重要，而數(shù)據(jù)質(zhì)量是一切的基礎。

　　從數(shù)據(jù)質(zhì)量的角度：

　　聚源數(shù)據(jù)庫以金融證券為核心，服務內(nèi)容涵蓋投研數(shù)據(jù)、財富數(shù)據(jù)、固收數(shù)據(jù)、風險數(shù)據(jù)、ESG 數(shù)據(jù)等，廣泛應用于金融資訊展示、金融投研、大數(shù)據(jù)分析、風控、量化回測、金融監(jiān)管等多個領域，經(jīng)過二十余年的發(fā)展，公司與國內(nèi)券商、基金、保險、信托、銀行、期貨、資產(chǎn)管理公司等機構(gòu)建立了廣泛的業(yè)務合作，確立了在中國金融數(shù)據(jù)服務領域的領先地位，是中國最優(yōu)秀的金融資訊服務供應商之一。

　　從數(shù)據(jù)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(xié)方差矩陣，無法在 SQL 中完成，需要借助額外的 Python 反推回數(shù)據(jù)庫。高性能時序數(shù)據(jù)庫 DolphinDB 有出色的內(nèi)置函數(shù)、多范式的腳本語言、靈活的自定義計算，無論是在數(shù)據(jù)存儲端，還是在復雜分析端，都是比 SQL 和 Python 更優(yōu)的選擇。以下圖為例：

　　高質(zhì)量數(shù)據(jù)、高性能數(shù)據(jù)庫二者怎么融合?從最傳統(tǒng)的量化場景出發(fā)，以聚源提供的因子庫為例。

　　DolphinDB 支持直接加工底層數(shù)據(jù)結(jié)果并且及時反饋結(jié)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托其后的數(shù)據(jù)基準進行融合。這些步驟的融合幫助用戶解決數(shù)據(jù)儲存量極大、讀取緩慢的通病。也就意味著，當擁有了捆綁好的高質(zhì)量基礎數(shù)據(jù)與高性能平臺的時候，用戶便有了所有想要的內(nèi)容。同時，因為 DolphinDB 自定義的優(yōu)勢加上聚源數(shù)據(jù)除常規(guī)的披露數(shù)據(jù)外，還有包括但不限于其它主流另類數(shù)據(jù)(司法，工商，輿情，預期、宏觀行業(yè)等)等，極大方便機構(gòu)客戶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布置在 DolphinDB 上，真正發(fā)揮出1+1融合但是產(chǎn)出遠大于2的效果。

　　數(shù)據(jù)質(zhì)量與數(shù)據(jù)庫性能的優(yōu)勢相互結(jié)合，機構(gòu)可以直接享受到聚源高質(zhì)量數(shù)據(jù)加 DolphinDB 高性能數(shù)據(jù)庫的一站式服務。

　　除此之外，分布式高性能的數(shù)據(jù)存儲，必然對高頻率的數(shù)據(jù)量處理有著顯著優(yōu)勢，對于聚源在金融全場景下涵蓋的各更新頻率不一的數(shù)據(jù)，科學合理的插值方法，是提高數(shù)據(jù)頻率的有效手段;因子算法部署在更為高頻的數(shù)據(jù)空間(如 Alpha191 算法由日K，調(diào)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(shù)據(jù)升頻與 DolphinDB 的高性能協(xié)作，勢必會開辟量化數(shù)據(jù)場景的新賽道。

　　這也意味著，3.0時代將迎來數(shù)據(jù)庫與編程語言的融合。

　　在傳統(tǒng)的數(shù)據(jù)庫時代，我們更看重數(shù)據(jù)的寫入，所以我們強調(diào)數(shù)據(jù)庫的一致性、原子性、持久性等，而用于分析的 SQL 語句功能則相對簡單，復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(shù)據(jù)時代，我們更看重數(shù)據(jù)的讀取，也就是通過對海量數(shù)據(jù)的分析，發(fā)掘數(shù)據(jù)背后的價值，數(shù)據(jù)分析的時效性則對企業(yè)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(zhì)量的數(shù)據(jù)+高性能的數(shù)據(jù)庫將解決數(shù)據(jù)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。

　　基于此，DolphinDB 與聚源，在路上。