干货丨DolphinDB高频数据处理技巧：数据透视的应用

行列转换（pivot）是一个常见的整理数据的需求，又称为转置或者透视。

高频数据通常以下图的格式保存：每一行为一个股票在某个时刻的信息。

我们进行数据处理时，考虑到后续的向量化操作，有时会希望数据或者中间结果将原始数据转置，即每行代表不同的时刻，而每列代表一只股票。在DolphinDB中可通过pivot by语句对原始数据或分组聚合结果进行行列转置。若与向量化操作搭配使用，在高频数据处理和计算中，行列转换不仅可简化策略代码，还能提高代码效率。具体请看下面的两个例子。

1. 计算股票收益的两两相关性

---

在配对交易(pair trading)及风险对冲(hedging)时，经常需要计算给定一篮子股票之间的两两相关性。这种复杂的计算在传统的数据库中无法执行，而使用一般的统计软件不仅需要数据迁移，还需要繁琐的代码。下面我们使用DolphinDB来计算股票收益的两两相关性。

首先，载入美股股票高频交易数据库：

quotes = loadTable("dfs://TAQ", "quotes")

接下来，选择2009年8月4日中500只报价变动最频繁的股票：

dateValue=2009.08.04
num=500
syms = (exec count(*) from quotes where date = dateValue, time between 09:30:00 : 15:59:59, 0

下面我们利用pivot by将高频数据降维成为分钟级数据，并且改变原始数据的结构，生成一个分钟级股票价格矩阵：每一列是一只股票；每一行是一分钟。

priceMatrix = exec avg(bid + ofr)/2.0 as price from quotes where date = dateValue, Symbol in syms, 0

DolphinDB的语言非常灵活。在这里，pivot by不仅将数据转换为透视表，同时也可以搭配聚合函数使用，具有"group by"的功能。

利用高阶函数each将价格矩阵转换为收益率矩阵：

retMatrix = each(def(x):ratios(x)-1, priceMatrix)

利用高阶函数pcross计算这500只股票之间收益的两两相关性：

corrMatrix = pcross(corr, retMatrix)

选取与每只股票相关性最高的10只股票：

mostCorrelated = select * from table(corrMatrix).rename!(`sym`corrSym`corr) context by sym having rank(corr,false) between 1:10

选取与SPY相关性最高的10只股票：

select * from mostCorrelated where sym='SPY' order by corr desc

quotes总共有2,693亿条数据，2009年8月4日这天一共有近1.9亿条数据，执行上面的计算，耗时仅需1,952毫秒。

1. 计算股票组合的价值

---

在进行指数套利交易回测时，需要计算给定股票组合的价值。当数据量极大时，回测时采用一般数据分析系统，对系统内存及速度的要求极高。而DolphinDB database 从底层进行优化，对硬件的要求不高。

在本例中，为了简化起见，假定某个指数只由两只股票组成：AAPL与FB，时间戳精度为纳秒，指数成分权重存在weights字典中。

Symbol=take(`AAPL, 6) join take(`FB, 5)
Time=2019.02.27T09:45:01.000000000+[146, 278, 412, 445, 496, 789, 212, 556, 598, 712, 989]
Price=173.27 173.26 173.24 173.25 173.26 173.27 161.51 161.50 161.49 161.50 161.51
quotes=table(Symbol, Time, Price)
weights=dict(`AAPL`FB, 0.6 0.4)
ETF = select Symbol, Time, Price*weights[Symbol] as weightedPrice from quotes
select last(weightedPrice) from ETF pivot by Time, Symbol;

运行结果如下：

Time                          AAPL    FB
----------------------------- ------- ------
2019.02.27T09:45:01.000000146 103.962
2019.02.27T09:45:01.000000212         64.604
2019.02.27T09:45:01.000000278 103.956
2019.02.27T09:45:01.000000412 103.944
2019.02.27T09:45:01.000000445 103.95
2019.02.27T09:45:01.000000496 103.956
2019.02.27T09:45:01.000000556         64.6
2019.02.27T09:45:01.000000598         64.596
2019.02.27T09:45:01.000000712         64.6
2019.02.27T09:45:01.000000789 103.962
2019.02.27T09:45:01.000000989         64.604

由于时间戳精度为纳秒，基本上所有交易的时间戳均不一致。如果回测时的数据行数极多（几亿或几十亿行）且指数成分股数量也较多（如S&P500指数的500只成分股），使用传统分析系统，要计算任一时刻的指数价值，需要将原始数据表的3列（时间，股票代码，价格）转换为同等长度但是宽度为指数成分股数量+1的数据表，向前补充空值(forward fill NULLs)，进而计算每行的指数成分股对指数价格的贡献之和。这种做法，会产生比原始数据表大很多倍的中间过程数据表，很有可能会导致系统内存不足。同时，计算速度也很慢。

使用DolphinDB的pivot by语句，只需要一行代码，即可实现上述的所有步骤，代码简洁，而且无需产生中间过程数据表，有效避免内存不足的问题，同时极大提升计算速度。

select rowSum(ffill(last(weightedPrice))) from ETF pivot by Time, Symbol;

结果如下：

Time                          rowSum
----------------------------- -------
2019.02.27T09:45:01.000000146 103.962
2019.02.27T09:45:01.000000212 168.566
2019.02.27T09:45:01.000000278 168.56
2019.02.27T09:45:01.000000412 168.548
2019.02.27T09:45:01.000000445 168.554
2019.02.27T09:45:01.000000496 168.56
2019.02.27T09:45:01.000000556 168.556
2019.02.27T09:45:01.000000598 168.552
2019.02.27T09:45:01.000000712 168.556
2019.02.27T09:45:01.000000789 168.562
2019.02.27T09:45:01.000000989 168.566

DolphinDB下载：DolphinDB

使用过程中有任何问题，欢迎加入智臾科技：DolphinDB技术交流群，内含二维码