成功的量化交易 PART 2-交易系统(7)

上周，我那个朋友在量化交易团队里负责历史数据的获取和存储。
他说，这事儿挺关键的，得重点关注几个方面。

首先，历史数据的重要性不容小觑。
不管是买方还是卖方，都在技术基础设施上投入了不少。
对于量化交易来说，数据的及时性、准确性和存储要求是关键。

然后，不同类型的数据特点及选择策略也很有讲究。
比如基础数据，它包括宏观经济趋势数据，公司行为等。
这部分数据，部分可以从政府网站免费获取，但长期历史数据可能价格不菲。

新闻数据通常是非结构化的，适合用“NoSQL”数据库存储。
资产价格数据，尤其是高频策略，对存储需求大，技术要求也高。

金融工具和基准数据也有各自的特点。
比如股票、债券、期货等，没有一种数据库结构可以容纳所有。

至于数据获取与存储的技术要点，技术栈的选择很重要。
关系数据库管理系统（RDBMS）和文档存储引擎（即“NoSQL”）是常用的选择。

回溯测试平台和数据获取也是关键。
有些平台可以自动提供数据，但成本也不低。
内部实现可以更好地控制数据和优化策略。

总的来说，这事儿挺复杂的，需要综合考虑多方面因素。
我那个朋友说，有时候还得根据历史数据的考虑，拒绝一些策略。
创建健壮的数据中心用于回测目的难度也很大。

文档型数据库

上周看了一篇关于文档型数据库的文章。
挺有意思的。

文档型数据库属于NoSQL。
主要就是存XML、JSON这种文档。

2 02 3 年4 月的时候，我查过资料。
特点就是不用像关系型数据库那样。
提前定义好结构。

数据直接存成JSON或XML格式。
这个是核心。

我那个朋友用过MongoDB。
这个就是典型的文档型数据库。
它就用JSON格式。

文档里面可以嵌套。
比如数组、对象。
比关系型数据库灵活多了。

适合那种数据结构变动频繁的场景。
比如物联网。

我最近又看了一下。
文档型数据库扩展性也不错。
数据量大了也能扛。

总结一下。
就是存结构化文档。
用起来方便。
适合某些特定场景。

这部分我不确定。
反正就是这种类型数据库。
你看着办。