目录结构

.
├── assets
│   └── ddb_dump_journal.csv
├── dolphindb
│   └── project
│       ├── modules
│       └── scripts
├── ipynb
│   ├── ddb.ipynb
│   ├── ddb_pe.ipynb
│   ├── ddb_pit.ipynb
│   ├── dos.ipynb
│   └── mssql.ipynb
├── README.md
└── src
    ├── DDBBase.py
    ├── expr
    │   └── DDBExpression.py
    ├── factor
    │   └── DDBFactor.py
    ├── __init__.py
    ├── loader
    │   ├── DDBBasicInfoLoader.py
    │   ├── DDBDailyLoader.py
    │   ├── DDBHFTLoader.py
    │   ├── DDBLoader.py
    │   ├── DDBPITLoader.py
    │   ├── make_hft.py
    │   └── ProtoBuffEntitys
    ├── ReadTickFromDB.py
    ├── run.py
    └── script.py

目录说明

• assets
  • 程序运行过程中产生、或者依赖的配置数据
  • ddb_dump_jounral.csv记录海通高频数据写入DolphinDB的日志（类似log）
• dolphindb
  • DolphinDB的客户端Workspace，主要用来放置dos文件
  • 目录结构是DolphinDB的官方Java客户端设定的，因此略显臃肿
• ipynb
  • jupyter notebook的存放目录
  • 包含开发DolphinDB相关功能的草稿和SQL-Server相关功能的草稿
• src
  • Python源代码目录，是工作的主要目录
  • 大部分源码文件以DDB开头，表示与DolphinDB相关，继承和代码复用关系可以进一步优化
  • DDBBase.py：
    • DDB*的基类，包含了一些常用常量
  • run.py：
    • 用于执行具体操作任务的入口脚本
    • TODO：需要支持命令行参数来选择执行功能和配套参数
  • loader目录：代码专门用于向DolphinDB写入数据（似乎称为Dumper更合适），目前包括：
    • DDBLoader.py：其他Loader类的基础类
    • DDBHFTLoader.py：用以导入高频数据（海通高频数据）
    • DDBDailyLoader.py：用以导入日频数据（市场日K线数据）
    • DDBPITLoader.py：用以导入低频PIT数据，主要是财报数据
    • loader/ProtoBuffEntitys目录：
      • 用以解析海通高频数据中，protobuf字节流的Python辅助代码
  • factor目录：用于生成因子
    • DDBFactor.py：目前只有生成日频因子
  • expr目录：用于支持基于DDB的各种表达式操作
    • DDBExpression.py：提供了基本的操作表达式，目前包括：
    • 通过Function View，读取DolphinDB的分布式存储表：
      • 在任意时间点上，获取所有公司某张财报、指定财报期的最新可见快照
      • 在任意时间点上，获取所有公司某张财报中某科目、指定财报期的最新可见快照
    • 通过一般Function，对内存表进行操作：
      • 流量表累计数值转单季值
      • 跨年同比指标计算（分母为去年基数取绝对值，函数会同时返回当年值和去年基数，以便进一步调整）

一分钟K线数据校验

海通数据vs 旭诺MongoDB数据质量对比

MongoDB的数据问题比较严重，主要有以下几个大问题：

1. MongoDB的日内分钟数据加上了9:25集合竞价的数据，同时剔除了14:57-14:59尾盘集合竞价的数据，所以MongoDB的标准日内分钟是239分钟，但实际上日内分钟不同股票、不同交易日内都有不同程度的分钟丢失，导致股票日内记录数通常小于239，集中在开盘前几分钟（这个问题比较严重，开盘往往对因子计算影响较大），尾盘收盘时刻和日内离散的时刻，采样结果显示，20220121当天4609个股票，仅99只股票有15:00收盘时刻的数据；
2. 早年的数据，甚至有整个交易日所有股票无数据的情况，例如2018、2019年，近年来少一些；
3. 有些股票的时间序列上有部分字段的数据缺失，例如只有开盘和收盘价，没有最高最低，或者有价格数据但无成交数据。

海通分钟数据和旭诺MongoDB映射表

海通字段	MongoDB字段	映射规则（旭诺→海通）
m_nDate	nActionDay	Int型→date型
m_nTime	nTime	Int型→time型
m_nOpen	nOpen	nOpen/10000
m_nHigh	nHigh	nHigh/10000
m_nLow	nLow	nLow/10000
m_nClose	nClose	nClose/10000
code	szXnCode	copy
m_iVolume	iVolume	copy
m_iTurover	iTurnover	copy
m_nMatchItems

另外还要注意以下几点：

1. 海通数据是前置的，旭诺数据是后置的，即前者14:56的数据反映的是14:56-14:57的成交情况，后者反映的是14:55-14:56的成交情况，所以在映射时要错位映射。
2. 1的逻辑也导致了海通数据没有11:30和15:00两个时间戳，而旭诺数据有，且旭诺数据将14:56-15:00的数据都包括在了15:00这个时间戳内。不过旭诺数据依然有9:30的时间戳，反映开盘行情。

海通数据vs天软数据

以天软数据为基准，海通数据主要有三点问题：

1. 历史上一大段时间缺失了001872 001914 689009三只股票，其中
   • 001872在20181226之前无数据，因为20181226更换了股票代码，之前的股票代码为000022；
   • 001914在20191216之前无数据，因为20191216更换了股票代码，之前的股票代码为000043；
   • 689009在20210402-20210528期间无数据，股票这期间并未更换股票代码或停牌等其他重大事件
   • 对于前两种情况，海通的处理逻辑是，变更前和变更后的代码分开记录变更前后的数据，而天软的处理逻辑是，保留变更前的记录，同时copy一份到变更后，并用变更后的股票代码继续记录变更后的数据，所以导致变更之前的时间戳上天软有变更后代码的数据，但海通没有。对于第三种情况，则属于__数据缺失__。
2. 海通数据多了很多停牌、未上市或者已退市，但并未做剔除处理的数据，最多的时候单日多出来190只股票。这些未剔除的数据都是当天停牌的，显示为高开低收全天一样，且成交量、成交额、成交笔数全为0（唯一例外是20151123的600568.SH在9:30有成交数据，但当天实际上是停牌的）。由于海通对于停牌等情况的基本处理逻辑是剔除当天行情，整个行情理论上不包含停牌期的时间戳和数据，且在天软里面也完全没有退市、停牌、未上市期间的行情数据，所以这些多出来的股票数据属于__异常__。
3. 海通的数据相比于天软，剔除了北交所的股票，但多出来了510300.SH, 510050.SH, 510500.SH, 159915.SZ, 159949.SZ 5个etf。
   • 不过目前这三个问题影响不算很大，对于（1），可以在后续处理时将两个股票代码的行情进行拼接，并统一用变更后代码赋值code列，即可保证和天软数据一致；对于（2），由于天软daily是准确的，可以通过天软daily数据进行过滤，或者对日内vol求和进行判断，和为0的属于异常点，计算因子时不予考虑；对于（3），在数据处理时加上股票代码的正则表达式过滤。

Appendix: 海通高频数据录入说明:

• Python语言从数据库中读取字节流程序并解码还原示例程序在ReadTickFromDB.py中。
• 该函数需要pymssql、gzip、google.protobuf（可用pip install protobuf安装）三个外部依赖库需要在运行程序。
• 成功读取后，每个标的会读出并解析成一个结构体数组的数据结构，可以对于该数据进行进一步操作。