量化新手初次听闻时序数据库

最新推荐文章于 2025-11-23 08:24:43 发布

原创

最新推荐文章于 2025-11-23 08:24:43 发布 · 1.7k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#时序数据库 #时空数据库 #TSDB #InfluxDB

刷文看到有人说做高频交易的都用时序数据库，比MySQL之流牛逼的多，新鲜事物，学习一下。

特别是看到Jeff一段话：

时间（是）浩瀚的人类历史长河中总是一个耀眼的词汇，当科技的年轮划到数据时代，时间与数据库碰到一起，把数据库内建时间属性后，产生了时序数据库。

瞬间觉得，时序数据库，是个有温度的科技产物。DB-Engines从2014年起将时间序列数据库作为独立目录(链接)来分类统计，当前（2019.8.29），数据库中属于时序的江湖是：

Rank	DBMS	Database Model
1	Oracle	Relational
2	MySQL	Relational
3	Microsoft SQL Server	Relational
4	PostgreSQL	Relational
5	MongoDB	Document
34

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ikeepo

关注关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

量化交易系统中+如何设计高效的数据库架构？

zhangzhechun的专栏

07-09

649

设计一个高效的量化交易系统数据库架构需要考虑多个方面，包括数据存储、数据检索、扩展性和高可用性等。

时序数据库：数据库领域的未来之星

2502_91592937的博客

06-19

1187

本文旨在全面介绍时序数据库这一专业领域，帮助读者理解其核心概念、技术原理和实际应用。我们将覆盖从基础理论到高级应用的完整知识体系，包括但不限于：时序数据特性、存储引擎设计、查询优化策略以及行业解决方案。首先介绍时序数据库的基本概念和背景然后深入分析其核心架构和技术原理接着通过实际案例展示具体应用最后探讨未来发展趋势和挑战时序数据(Time Series Data): 按时间顺序记录的数据点序列，通常包含时间戳和一个或多个测量值数据点(Data Point)

参与评论您还未登录，请先登录后发表或查看评论

量化新手初识KDB时序数据库

漫步量化

09-02

4198

上文《量化新手初次听闻时序数据库》提到，KDB是专门处理金融tick数据的时序数据库，今天来研究一下。这几个知乎问答金融分析量化系统，高频交易程序数据库通常采用哪种方式存贮数据？ Kdb+有可能不再是最快的时序数据库？ Quant 如何运算百万行的数据？请问有人熟悉Q/KDB吗? q语言与量化分析利器kdb+ KDB/Q是什么语言？几个认知 kdb+作为上一代时序数据库，最大...

分布式数据库中的事务时序

weixin_30550271的博客

03-25

212

概述在单机数据库领域，我们为每个事务都分配一个序列号，比如Oracle的SCN(SystemChangeNumber),MySQL的LSN(LogSequenceNumber)，这个序列号可以是逻辑的，也可以是物理的。我们依赖这个序列号对系统中发生的事务进行排序，确保所有事务都有严格的先后关系。数据库中所有的事务都按分配的序列号排序，对于任何时间点发生的读，保证能读到这个时间点之前的...

探索LinDB：高性能开源时间序列数据库

最新发布

gitblog_00183的博客

11-23

481

LinDB是一款开源的时间序列数据库，以其高性能、高可用性和水平扩展性著称。它不仅提供了强大的数据存储和查询功能，还配备了直观的管理界面，使得用户可以轻松地监控和管理数据库。LinDB的设计理念是简化时间序列数据的处理，使其适用于各种复杂的应用场景。 ## 项目技术分析 LinDB的核心构建在Go语言之上，充分利用了Go的高效并发处理能力和简洁的语法结构。项目遵循严格的代码质量管理，通过多种静

金融量化交易场景下数据库如何改造？同花顺、弘源泰平真实案例分享

涛思数据

10-12

1599

⬆️ 点击图片，与专业的解决方案架构师聊一聊在金融量化交易场景中，每天都会产生大量的交易记录和交易信息需要存储，同时对数据也有较高要求的查询需求，整体需求概括起来就是历史数据的存储、实时数据的接收以及数据的监控和分析。对于这类有典型时序特征的数据，很多企业在业务初期选择了团队熟悉的 HBase、MySQL、MongoDB 等数据库。但是随着业务的快速发展，这些数据库已经无法满足大体量数据的写入、存...

干货丨如何用时序数据库寻找相似的历史k线 - SegmentFault 思否

热爱科学、文人、计算机

12-17

700

干货丨如何用时序数据库寻找相似的历史k线 - SegmentFault 思否

【技术选型】时序数据库选型

DreamSun的博客

06-06

3501

时序数据治理是数据治理领域核心、打通IT与OT域数据链路，是工业物联网基石、大数据价值创造的关键、企业管理提升的发动机、是数字化转型的重要支撑。工业企业在生产经营过程中，会运用物联网技术，采集大量的数据并进行实时处理，这些数据都是时序的，而且具有显著的特点，比如带有时间戳、结构化、没有更新、数据源唯一等。时序数据处理应用于智慧城市、物联网、车联网、工业互联网领域的过程数据采集、过程控制，并与过程管理建立一个数据链路，属于工业数据治理的新兴领域。公共安全：上网记录、通话记录、个体追踪、区间筛选；

深度分析数据库领域的时序数据库性能

2502_91592937的博客

04-29

1071

时序数据库是专门用于处理时间序列数据的数据库。随着物联网、金融、工业监控等领域的快速发展，时间序列数据呈现出爆发式增长。这些数据具有时间戳、连续采样、高频率等特点，传统数据库在处理此类数据时面临诸多挑战，如存储效率低、查询性能差等。因此，研究时序数据库的性能具有重要的现实意义。本文的范围主要聚焦于对时序数据库性能的深入分析，包括数据存储性能、查询性能、写入性能等方面。通过理论分析、代码实践和实际案例研究，全面评估时序数据库在不同场景下的性能表现。背景介绍：介绍时序数据库性能分析的目的、预期读者和文档结构。

小散量化炒股记｜搭建本地化的股票量化数据库这么几步就够了

hangzhouyx的博客

08-02

7729

前言相信大家都听说了量化交易这个东西了吧！量化交易是一种新兴的系统化金融投资方法，它综合多个学科的知识，用先进的数学模型代替人的主观思维制定交易策略，利用计算机强大的运算力从庞大的股票、...

小散量化炒股记｜使用MySQL管理股票数据的操作模版来啦

hangzhouyx的博客

04-12

1627

前言数据是量化交易的源头，如何高效地管理大量数据是量化交易分析中非常关键的环节。数据库就是最佳的解决方案。通过API接口获取到股票行情数据之后，我们可以存入到数据库之中，这样下次调用的时候只需要从本地数据库中获取即可。目前流行的数据库有Oracle、MySQL、MongoDB、Redis、SQLite……关于数据库的选型通常取决于性能、数据完整性以及应用方面的需求。每个数...

一文了解量化数据源—常见量化数据源对比选择

richardzhutalk的博客

05-22

4494

简介金融数据是量化的基础，没有数据量化就无从下手。随着行业竞争加剧，量化对高质量—更快更全更准数据的要求更高，毕竟搞量化不能输在起跑线上。现在各种量化数据源五花八门，发现很多朋友对这块不是很清楚，个人也在上面花了不少时间，这次把已知的一些数据分享出来，感兴趣的朋友可以关注公众号加群一起交流。量化数据源对比量化数据源分为如下几种：开源量化数据、券商/量化交易平台提供的数据源、专业数据服务公司和自己抓取清洗几种方式。开源量化数据通过抓取各类财经网站或公开的金融数据，进行清洗加工存储后开放出来，为量化学习者提供金

监控系统经典架构详解

linus.lin的博客

05-16

6619

我们回顾一下监控系统经典架构各个功能模块的职能。采集器：用于收集监控数据，业界有不少开源解决方案，大同小异，总体分为推拉两种模式，各有应用场景。Telegraf、Exporters 用得最广泛，Grafana-Agent 是后来者。时序库：用于存储时序数据，有很多开源方案可供选择。如果规模比较小，1000 台机器以下，通常一个单机版本的 Prometheus 就够用了。如果规模再大一些，建议你考虑 VictoriaMetrics，毕竟架构简单，简单的东西可能不完备，但是出了问题容易排查，更加可控。

分析时序数据的三步骤：使数据平稳、时序模型、评估

Mlooker的博客

06-13

2万+

作者：Chris St. Jeor & Sean Ankenbruck，Zencos贪心科技编译时间序列预测是一个易于使用，成本较低的方案，它可以提供强大的解决问题能力。这篇文章将介绍建立一个质量模型的三个基本步骤。这篇文章将围绕如何构建一个时间序列模型，并将列举三个基本步骤:使数据平稳，选择正确的模型，以及评估模型的准确性。本篇文章所使用的历史页面视图数据示例来源于一家大型汽车营销公司。...

技术调研：时序数据库（二）

授人以鱼，不如授人以渔。

06-26

840

摘要：主流开源时序数据库选型指南涵盖多种场景需求。Prometheus适用于容器监控，VictoriaMetrics适合大规模数据存储；QuestDB和Druid满足金融实时分析需求；IoTDB专为物联网优化；ClickHouse擅长日志分析；OpenTSDB适合传统监控系统。选型需考虑写入性能、查询复杂度及技术栈兼容性，建议根据具体场景进行基准测试验证。轻量监控可选Prometheus，海量IoT数据推荐TDengine，复杂分析考虑ClickHouse或Druid。

主流时序数据库分析及选型

热门推荐

谬也的博客

12-03

2万+

对比了当前主流的时序数据库的优缺点，以供选型时参考。

Prometheus 笔记（02）— 监控系统典型架构、采集器（Telegraf_Exporters）、时序数据库（OpenTSDB_InfluxDB_TDEngine）告警引擎、展示 Grafana

wohu1104的专栏

05-04

3967

数据触发式，是指服务端接收到监控数据之后，除了存储到时序库，还会转发一份数据给告警引擎，告警引擎每收到一条监控数据，就要判断是否关联了告警规则，做告警判断。周期轮询式，架构简单，通常是一个规则一个协程，按照用户配置的执行频率，周期性查询判断即可，因为是主动查询的，做指标关联计算就会很容易。

时间序列化数据库选型？时序数据库的选择？

涛思数据

05-17

1347

时序数据库 量化

06-21

### 时序数据库在量化交易中的应用与解决方案时序数据库（Time Series Database, TSDB）因其高效的数据写入能力和快速查询性能，在量化交易和量化分析领域中具有广泛的应用价值。以下是关于时序数据库在量化交易中的具体应用及解决方案的详细分析[^1]。 #### 核心应用场景 1. **高频数据存储**：量化交易需要处理大量的市场数据，包括价格、成交量、订单簿深度等。这些数据通常以时间序列的形式存在，且更新频率极高。时序数据库能够高效存储这些高频数据，并支持实时写入和查询[^2]。 2. **实时策略回测**：量化交易策略的开发离不开历史数据的回测。时序数据库可以通过优化的时间范围查询功能，快速提取指定时间段内的数据，从而加速策略回测过程[^3]。 3. **风险管理与监控**：在量化交易中，风险管理和监控是关键环节。时序数据库可以记录交易系统的状态变化、市场波动情况以及异常事件，为风险评估提供数据支持[^4]。 #### 技术优势 - **高效写入性能**：量化交易系统每秒可能生成数万条数据记录，时序数据库通过采用LSM Tree等数据结构，确保了高吞吐量的数据写入能力[^3]。 - **快速时间范围查询**：量化分析通常需要对特定时间段内的数据进行统计分析，时序数据库针对时间戳进行了优化，能够快速返回符合要求的数据集。 - **压缩与存储优化**：市场数据量庞大，传统数据库可能面临存储成本过高的问题。时序数据库通过对数据进行高效的压缩和分层存储，降低了存储开销。 #### 主流解决方案 1. **InfluxDB**：作为一款流行的开源时序数据库，InfluxDB支持高并发写入和灵活的查询语言（Flux）。其内置的插件生态系统可以轻松对接量化交易平台，用于存储和分析市场数据[^3]。 2. **TimescaleDB**：基于PostgreSQL的扩展，TimescaleDB兼容SQL语法，同时具备强大的时序数据处理能力。它适合需要复杂查询逻辑的量化分析场景。 3. **ClickHouse**：尽管并非专为时序数据设计，ClickHouse凭借其卓越的列式存储和高性能查询能力，在量化交易领域也得到了广泛应用。它可以处理大规模的历史数据并支持实时分析[^2]。 #### 示例代码以下是一个使用InfluxDB存储和查询市场数据的示例： ```python from influxdb_client import InfluxDBClient, Point from influxdb_client.client.write_api import SYNCHRONOUS # 连接到InfluxDB client = InfluxDBClient(url="http://localhost:8086", token="your-token", org="your-org") write_api = client.write_api(write_options=SYNCHRONOUS) # 写入市场数据 point = Point("market_data") \ .tag("symbol", "AAPL") \ .field("price", 150.25) \ .field("volume", 1000) \ .time("2023-10-01T10:00:00Z") write_api.write(bucket="quant_db", record=point) # 查询市场数据 query_api = client.query_api() query = 'from(bucket:"quant_db") |> range(start: -1h) |> filter(fn: (r) => r._measurement == "market_data" and r.symbol == "AAPL")' result = query_api.query(query) for table in result: for record in table.records: print(f"Time: {record.get_time()}, Price: {record.get_value()}") ``` ####