小言_互联网的博客

1000倍!ClickHouse存储A股数据实践

402人阅读  评论(0)

作者:量化投资与机器学习公众号独家撰写

前言

量化回测,苦于MySQL久矣,特别是进行股票日内因子构建分析或全市场因子测试的时候,每当按下回车时,MySQL就跟丢了魂一样,查询费时,大吞吐量读取也非常耗时。虽然MySQL的优化技巧足够写一本书,但这些都需要交给专业的DB工程师去做,量化打工人没有能力更没有时间倒腾这些。那有没有省时省力,高效存储股票行情数据的解决办法呢。带着这个问题,编辑部简单的搜索了一下,总体分为几个方案:

1、用二进制文件分日期分股票存储,比如HDF5。
2、使用SQL Server等支持分区表的事务型数据库。
3、使用hive这样的离线数据仓库。
4、用Greenplum等开源或商业MPP数据仓库。
5、InfluxDB, Kdb+和Clickhouse等开源或商用的专业时序数据库。

以上大部分技术总体看来就是三个选择:

1、存文件:最傻瓜的就是存csv文件,但需要手撸一个文件管理系统,后续维护也麻烦。
2、常用数据库:MySQL或Mongo,这也是大家日常在用的,好不好用心里都清楚。
3、专业时序数据库:商业的KDB,鼎鼎大名,但一个字:贵。开源的InfluxDB,Clikhouse(惊喜连连)。

为什么选择Clickhouse?

其实在2017年,量化投资与机器学习公众号就专门写了2篇文章介绍了Clickhouse,可能在当时,社区还不够完善和活跃,大家对Clickhouse的认知度还不够,但是我们一直觉得Clickhouse是个好武器!

ClickHouse:一款适合于构建量化回测研究系统的高性能列式数据库(一)

2017-07-27

ClickHouse:一款适合于构建量化回测研究系统的高性能列式数据库(二)

2017-07-28


为什么Clickhouse适合且特别适合量化研究回测的场景,回答这个题,我们可以先了解几个概念。

OLAP VS OLTP

OLAP是联机分析处理的简称,通俗的讲,OLAP的场景侧重对大量的数据进行多维度的分析。数据批量导入后,分析师需要对数据进行反复分析,持续测试。数据读取的次数要远多于写入次数。OLTP是联机事务处理的简称,通常是针对某一项小事务对数据进行不断的增删改查,比如在线购物、交易就是典型的OLTP场景。

很明显,量化研究回测就是一个典型的OLAP场景,首先我们需要快速的导入大量的历史数据,然后我们需要对大量的历史数据进行读取分析。Clickhouse等专业的时序数据库就是为了满足OLAP的场景。而传统的关系型数据库主要面向OLTP的场景。

行式存储VS列式存储

与传统关系型数据库的行式存储不同的是,Clickhouse采用列式存储,相比于行式存储,列式存储在分析场景下有着许多优良的特性

  • 分析场景中往往需要读大量行但是少数几个列。在行存模式下,数据按行连续存储,不参与计算的列在IO时也要全部读出,读取时间严重超时。而列存模式下,只需要读取参与计算的列即可,极大加速了查询。

  • 同一列中的数据属于同一类型,节省了大量的存储空间,降低了存储成本,从磁盘中读取相应数据耗时更短。

所以列式存储相对于行式存储的优点总结起来:查得快,读的快。

用Clickhouse存储A股行情数据

安装

参考官方文档,不支持Windows,如在CentOS的安装(小编的服务器是CentOS7.0),只需在命令行执行以下代码:


   
  1. sudo yum install yum-utils
  2. sudo rpm -- import https: //repo.clickhouse.tech/CLICKHOUSE-KEY.GPG
  3. sudo yum-config-manager --add-repo https: //repo.clickhouse.tech/rpm/clickhouse.repo
  4. sudo yum install clickhouse-server clickhouse-client
  5. sudo systemctl start clickhouse-sever

操作

安装完之后,clickhouse会默认创建用户名为default,且密码为空的用户。对于clickhouse的操作可以通过以下几种方式:

1、clickhouse-client客户端

在命令行输入clickhouse-client,默认使用default账户连接localhost服务器

2、mysql客户端

也可以通过mysql的客户端连接clickhouse数据库,在命令行执行以下代码:

mysql --protocol tcp -u default -P 9004

3、GUI的客户端:DBeaver, Pycharm专业版也可以连接Clickhouse(推荐):

导入数据

股票日度行情数据存ClickHouse表设计

  • 只存储股票上市期间的价格数据(大于等于上市日期,小于退市日期)

  • 上市期间每个交易日都存,如果没交易,则价格成交量及成交金额等都存为-1(-1代表空值)。

  • 价格数据都会乘以100装换为整型,复权因子乘以1000000转换为整型,如果直接存为float会出现小数位数变化的问题,比如1258.021545 会变成1258.0215453 。而如果使用Decimal控制精度,在使用pandahouse读取数据时需要修改源码。

*空值会影响效率,所以存储时把空值转换为-1

在整理行情数据的时候也遇到了很多意想不到的情况,比如暂停上市的股票每周五还出现有成交的行情数据。有些退市的股票不一定会有ST的状态,比如暴风影音直接从正常交易转为待退市股票,并没有ST。量化第一步数据清洗,虽然耗时,但也是对自己负责。

建库

可以直接在clickhouse-client执行以下语句,创建stock_data数据库:

CREATE DATABASE stock_data

建表

建库完了就是建表,只有数据表见好了才能往表里导入数据:


   
  1. CREATE TABLE stock_data.stock_daily_price
  2. (    `trade_date` Date,
  3.      `sec_code` UInt32,
  4.      `open` Int32,
  5.      `high` Int32,
  6.      `low` Int32,
  7.      `close` Int32,
  8.      `volume` Int64,
  9.      `amount` Int64,
  10.      `adjfactor` Int32,
  11.      `st_status` Int16,
  12.      `trade_status` Int16
  13. ) ENGINE = ReplacingMergeTree() 
  14. ORDER BY (intHash32(sec_code), trade_date)

说明

  • 默认都是非空,如果允许空,则使用Nullable(Int32)的字段类型声明。

  • 注意:amount和volume设置为Int64,防止数据超范围。

  • ENGINE是表引擎,默认使用MergeTree,这里使用ReplacingMergeTree是为了防止重复值。

  • ORDER BY表示对某几列数据进行排序,比如这里对股票代码和日期进行排序,ORDER BY的列也会被设置为索引。

导入数据

我们使用python读取csv并进行数据清洗后,在存入clickhouse中,所以需要用python连接clickhouse,有以下两种方法:

  • clickhouse-driver:主要用于操作数据库,而不是读写数据。如果用于读取数据,获取的数据还需要进行类型的转换,不如直接用pandahouse来的便捷。

  • pandahouse:类似pandas的to_sql和read_sql,可以将clickhouse的数据直接读取为Dataframe

数据类型为Decimal时,pandahouse会出现异常报错,原因是由于pandahouse里面没有对Decimal的数据类型作相应的转换,可以在源文件做以下修改:

# convert.py

对比

编辑部一共在数据库里存入了4300只股票所有的历史行情,一共1100多万行,虽然没有做严格的速度测试,但对以下简单查询语句在同一机器的MySQL和Clickhouse进行了对比。

MySQL 2620ms  VS  Clickhouse 10ms

SELECT COUNT(sec_code) FROM stock_daily_price;

MySQL 725ms  VS  Clickhouse 18ms

SELECT COUNT(distinct (sec_code)) FROM stock_daily_price;

MySQL 10ms VS Clickhouse 2.2ms

SELECT * FROM stock_daily_price WHERE sec_code='600000.SZ' LIMIT 10;

量化研究,特别是多因子测试,经常需要获取上千只股票,不同日期的价格数据,所以我们在Python中直接连接数据库取数据,读取1000只股票2017年-2020年的行情数据(都使用in操作符),其中:

Clickhouse用时:132ms

MySQL用时:145秒

Clickhouse的速度是MySQL的1000倍!

量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者,连续2年被腾讯云+社区评选为“年度最佳作者”。


转载:https://blog.csdn.net/weixin_38754123/article/details/114381312
查看评论
* 以上用户言论只代表其个人观点,不代表本网站的观点或立场