在量化投研的普通研发流程中，一个有效策略的上线，要经历数据清洗、特征工程、因子评价、策略回测、代码转写、结果校验等多个阶段，才能最终投入实盘运行。
在这个流程中，因子挖掘或者特征工程往往需要大量计算资源，随着涉及的数据量增大或研究频率增高，以 python 为主流的因子计算框架通常会成为效率提升的瓶颈。
另一个让众多量化研究者头疼的耗时环节，无疑就是策略回测。回测作为策略上线前的“质检环节”，其重要性无需多言。但在一些中高频策略研究中，回测耗时轻则数小时，动辄一两天，大大影响了研究的效率。
除了性能瓶颈这个通病，中高频的策略回测还面临几个主要挑战：
首先，中高频策略对于交易的细节非常敏感，研究员们需要考虑决策时间点、成交价、手续费流动性等模拟撮合和市场成交情况，如果缺失细节的设计，策略回测和实盘交易的表现就会有很大差异。
其次，在使用历史数据进行回测时，计算信号以批处理的逻辑实现，但策略在实盘中运行时，往往需要以事件驱动的流式处理来应对实时更新的行情。因此对于同一套策略的验证与上线，就需要编写流和批两套框架，不仅耗时且容易出错。
最后，中高频策略回测涉及到的数据量十分庞大，历史数据通常在 TB 级别；与此同时，在设计高频策略时，通常还会采用一些指标、模型或机器学习方法来辅助判断市场的趋势；也往往会基于不同事件，如新行情、订单成交来开发对应策略。这对系统的性能和开发便利性都提出了很大的挑战。
工具的选择
量化投研从业者对 DolphinDB 这个工具应该都不陌生。作为一个专为量化投研交易设计的数据平台，DolphinDB 不仅有着超高性能，同时还内置了大量由“引擎、函数、模块、插件”四类专业开发工具构成的业务中间件，大幅提升量化投研的整体效率。目前，国内头部金融机构几乎都已将 DolphinDB 作为投研工具，用于因子计算加速等场景，将策略上线周期从数月缩短至数周。
11 月 5 日（本周二）19:30，DolphinDB 将在线上直播，正式发布其开发的中高频策略回测框架。直播包含对模拟撮合和回测框架的详细介绍、与市面产品的性能测试对比以及期货分钟频 CTA、股票高频、科创板做市实战案例分享等干货硬核内容。
👇扫描海报二维码报名👇
DolphinDB 回测框架由数据回放、模拟撮合引擎、回测引擎三部分组成。框架底层基于 C++ 优化，还支持启用 JIT 技术，性能较 python 回测框架快 10 到 100 倍。在模拟撮合时，它能够处理逐笔委托、成交等不同类型的行情数据，确保“价格优先，时间优先”的撮合原则。用户还可以根据自身需求灵活调整参数配置。而且，此框架支持的回测品种包括沪深股票、基金和可转债、银行间债券、各大期货交易所的期权和期货、以及外汇与数字货币。
Starfish 因子开发管理平台
点击“阅读原文”，报名直播~
