网站搬家数据库配置购物网站seo关键词定位
交易本身对市场会产生影响，尤其是短时间内大量交易，会影响金融资产的价格。一个订单到来时的市场价格和订单的执行价格通常会有差异，这个差异通常被称为交易成本。在量化交易的策略回测部分，不考虑交易成本或者交易成本估计不合理，容易导致回测和实盘结果有较大的差异。本文将介绍如何在分布式时序数据库DolphinDB中，如何使用asof join和window join快速估计每个股票的交易成本。
需要的数据包括含有逐笔交易的交易表trades和包含level 1报价的quotes表。它们分别包含以下字段：
trades
Symbol：股票代码
Time：时间
Trade_Volume：交易量
Trade_Price：交易价格
quotes
Symbol：股票代码
Time：时间
Bid_Price：买方报价
Offer_Price：卖方报价
实验中用到的数据都是从纽约证券交易所获取，大家可以从NYSE的ftp下载。参考附录1。
计算股票的交易成本，我们需要找到一个基准价格，通常会把与实际交易最近的一次报价的中间价作为基准价。这意味着要对交易记录表和买卖报价表进行连接。但是，成交和买卖报价的发生时间不可能完全一致，因此不能使用常用的等值连接（equal join）。DolphinDB提供了两种专门为时序数据设计的连接方式：asof join和window join。我们将使用这两种连接方式来计算股票的交易成本。
第一种方法：使用asof join
使用交易发生前（包括交易时刻）的最近一次报价的中间加作为基准。使用交易金额做加权平均。乘上10000是为了把结果转化成basis points。函数aj用于两个表的asof join，前两个参数分别是两个需要join的数据表，第三个参数是join的字段。join的时候首先按股票分组，每个组之内再按照时间行进asof join。右表数据（quotes表）必须保证每个股票组内的记录是按照最后一个连接字段（time）升序排列的。
TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from aj(trades,quotes,`Symbol`Time) group by symbol第二种方法：使用window join
如果你觉得单次报价的偶然性比较大，我们可以取交易前一段时间的报价的均值或中值作为基准价。下面的例子取交易前10ms的报价均值作为基准。pwj是prevailing window join的缩写，该函数比起aj多了两个参数。新增的第三个参数指定相对的时间窗口。因为时间单位是纳秒，-10000000:0 表示从交易的发生时刻到前10ms的窗口。新增的第4个参数是每个窗口中需要计算的一系列聚合函数。
TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from pwj(trades,quotes,-10000000:0,<[avg(Offer_Price) as Offer_Price, avg(Bid_Price) as Bid_Price]>,`Symbol`Time) group by symbolasof join和window join是DolphinDB专门为时序数据设计的连接方式，不仅简化了时序数据的操作，大大减少了代码量。以上面的交易成本计算为例，仅仅使用了1行SQL代码就完成了所有个股的交易成本计算。
DolphinDB对两种连接方式实现做了大量的优化，运行速度极快。我们以2016年10月24日纽约证券交易所的股票交易数据和买卖报价数据为例。股票交易表有8023只股票共2700万条交易记录，买卖报价表有7000万条记录。如此庞大的数据量，使用第一种方法，DolphinDB执行耗时仅470多毫秒；使用第二种方法，DolphinDB执行耗时仅825毫秒，速度极快。
最后我们看看结果是不是make sense。观察一下三个股票的交易成本：GS（高盛），TSLA（特斯拉），AAPL（苹果）。
select * from TC where symbol in `GS`TSLA`AAPL第一种方法的结果：
symbol cost
AAPL 0.5446
GS 1.2678
TSLA 16.6456第二种方法的结果：
symbol cost
AAPL 0.535
GS 1.1543
TSLA 18.1025感兴趣的朋友可以到官网下载DolphinDB database 试用版计算股票的交易成本。
附录1.生成样本数据
访问ftp://ftp.nyxdata.com/Historical%2Data%20Samples/Daily%20TAQ%20Sample/并且下载EQY_US_ALL_TRADE_20161024.gz和EQY_US_ALL_NBBO_20161024.gz两个文件，然后把它们解压，保存在/DolphinDB/Data目录下，把两个文件的最后一行删除，因为最后一行是用来标记文件结尾的。
sed -i '$ d' EQY_US_ALL_TRADE_20161024
sed -i '$ d' EQY_US_ALL_NBBO_20161024接着，执行下面的脚本。
DATA_DIR = "./DolphinDB/Data"
PTNDB_DIR = DATA_DIR+"/NYSETAQSeq"
db = database(PTNDB_DIR, SEQ, 16)Trades = loadTextEx(db, `Trades, DATA_DIR + "/EQY_US_ALL_TRADE_20161024”,'|')
Quotes = loadTextEx(db, `Quotes, DATA_DIR + "/EQY_US_ALL_NBBO_20161024",'|')表Trades包含2016年10月24日美国股市的所有交易数据。表Quotes包含同一天的全国最佳买卖报价（NBBO）。