免责声明：本文基于个人使用体验，与任何厂商无商业关系。内容仅供技术交流参考，不构成投资建议。
一、前言
量化交易会产生大量数据：行情数据、交易记录、策略状态、回测结果等。如何高效存储和查询这些数据？2026年了，数据库设计在量化交易中越来越重要。
今天分享一下我在量化交易数据库设计方面的实践经验。
二、数据库需求分析
1. 数据类型
| 数据类型 | 特点 | 存储需求 |
|---|---|---|
| 行情数据 | 高频、量大 | 时间序列数据库 |
| 交易记录 | 结构化、查询多 | 关系型数据库 |
| 策略状态 | 实时更新 | 内存数据库+持久化 |
| 回测结果 | 分析为主 | 关系型数据库 |
2. 查询需求
# 常见查询需求queries=["查询某品种的历史K线","查询某时间段的交易记录","查询策略的实时状态","查询回测结果对比","统计分析交易表现",]三、数据库选择
1. 时间序列数据库
适用场景：行情数据存储
选择：
| 数据库 | 特点 | 适用 |
|---|---|---|
| InfluxDB | 专为时序数据设计 | 高频行情数据 |
| TimescaleDB | PostgreSQL扩展 | 需要SQL查询 |
| ClickHouse | 列式存储 | 大数据分析 |
示例：
# 使用InfluxDB存储行情数据frominfluxdbimportInfluxDBClient client=InfluxDBClient(host='localhost',port=8086,database='trading')defsave_quote(symbol,quote):"""保存行情数据"""json_body=[{"measurement":"quotes","tags":{"symbol":symbol},"time":quote.datetime,"fields":{"open":quote.open,"high":quote.high,"low":quote.low,"close":quote.close,"volume":quote.volume,}}]client.write_points(json_body)# 查询defquery_quotes(symbol,start_time,end_time):"""查询行情数据"""query=f''' SELECT * FROM quotes WHERE symbol = '{symbol}' AND time >= '{start_time}' AND time <= '{end_time}' '''result=client.query(query)returnresult2. 关系型数据库
适用场景：交易记录、策略配置
选择：
| 数据库 | 特点 | 适用 |
|---|---|---|
| MySQL | 成熟稳定 | 中小规模 |
| PostgreSQL | 功能强大 | 复杂查询 |
| SQLite | 轻量级 | 单机应用 |
示例：
importsqlite3importpandasaspd# 创建数据库conn=sqlite3.connect('trading.db')# 创建表defcreate_tables(conn):"""创建表"""cursor=conn.cursor()# 交易记录表cursor.execute(''' CREATE TABLE IF NOT EXISTS trades ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp TEXT NOT NULL, symbol TEXT NOT NULL, direction TEXT NOT NULL, volume INTEGER NOT NULL, price REAL NOT NULL, pnl REAL, order_id TEXT, strategy_name TEXT ) ''')# 策略配置表cursor.execute(''' CREATE TABLE IF NOT EXISTS strategies ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL UNIQUE, params TEXT, status TEXT, created_at TEXT ) ''')conn.commit()create_tables(conn)3. 内存数据库
适用场景：实时状态、缓存
选择：
| 数据库 | 特点 | 适用 |
|---|---|---|
| Redis | 高性能 | 缓存、实时状态 |
| Memcached | 简单 | 简单缓存 |
四、数据库设计实践
1. 行情数据表设计
# K线数据表CREATE TABLE klines(idBIGINT PRIMARY KEY AUTO_INCREMENT,symbol VARCHAR(20)NOT NULL,datetime DATETIME NOT NULL,period INT NOT NULL,--周期（秒）openDECIMAL(10,2),high DECIMAL(10,2),low DECIMAL(10,2),close DECIMAL(10,2),volume BIGINT,open_interest BIGINT,UNIQUE KEY uk_symbol_datetime_period(symbol,datetime,period),INDEX idx_symbol_datetime(symbol,datetime));# Tick数据表CREATE TABLE ticks(idBIGINT PRIMARY KEY AUTO_INCREMENT,symbol VARCHAR(20)NOT NULL,datetime DATETIME(3)NOT NULL,--毫秒精度 price DECIMAL(10,2),volume INT,bid_price1 DECIMAL(10,2),ask_price1 DECIMAL(10,2),bid_volume1 INT,ask_volume1 INT,UNIQUE KEY uk_symbol_datetime(symbol,datetime),INDEX idx_symbol_datetime(symbol,datetime));2. 交易记录表设计
# 交易记录表CREATE TABLE trades(idBIGINT PRIMARY KEY AUTOINCREMENT,timestamp DATETIME NOT NULL,symbol VARCHAR(20)NOT NULL,direction VARCHAR(10)NOT NULL,--BUY/SELL offset VARCHAR(10)NOT NULL,--OPEN/CLOSE volume INT NOT NULL,price DECIMAL(10,2)NOT NULL,commission DECIMAL(10,2),--手续费 slippage DECIMAL(10,2),--滑点 pnl DECIMAL(10,2),--盈亏 order_id VARCHAR(50),strategy_name VARCHAR(50),signal_info TEXT,--信号信息（JSON） INDEX idx_timestamp(timestamp),INDEX idx_symbol(symbol),INDEX idx_strategy(strategy_name));3. 策略状态表设计
# 策略状态表CREATE TABLE strategy_states(idBIGINT PRIMARY KEY AUTOINCREMENT,strategy_name VARCHAR(50)NOT NULL,timestamp DATETIME NOT NULL,equity DECIMAL(12,2),--权益 position_info TEXT,--持仓信息（JSON） signal_info TEXT,--信号信息（JSON） error_info TEXT,--错误信息 INDEX idx_strategy_timestamp(strategy_name,timestamp));五、数据操作实践
1. 数据写入
defsave_trade(conn,trade):"""保存交易记录"""cursor=conn.cursor()cursor.execute(''' INSERT INTO trades (timestamp, symbol, direction, offset, volume, price, pnl, order_id, strategy_name) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?) ''',(trade['timestamp'],trade['symbol'],trade['direction'],trade['offset'],trade['volume'],trade['price'],trade.get('pnl',0),trade.get('order_id'),trade.get('strategy_name')))conn.commit()# 批量写入（提高性能）defsave_trades_batch(conn,trades):"""批量保存交易记录"""cursor=conn.cursor()cursor.executemany(''' INSERT INTO trades (timestamp, symbol, direction, offset, volume, price, pnl, order_id, strategy_name) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?) ''',[(t['timestamp'],t['symbol'],t['direction'],t['offset'],t['volume'],t['price'],t.get('pnl',0),t.get('order_id'),t.get('strategy_name'))fortintrades])conn.commit()2. 数据查询
defquery_trades(conn,symbol=None,start_date=None,end_date=None,strategy=None):"""查询交易记录"""query="SELECT * FROM trades WHERE 1=1"params=[]ifsymbol:query+=" AND symbol = ?"params.append(symbol)ifstart_date:query+=" AND timestamp >= ?"params.append(start_date)ifend_date:query+=" AND timestamp <= ?"params.append(end_date)ifstrategy:query+=" AND strategy_name = ?"params.append(strategy)query+=" ORDER BY timestamp"df=pd.read_sql_query(query,conn,params=params)returndf# 使用trades=query_trades(conn,symbol='SHFE.rb2505',start_date='2025-01-01',end_date='2025-01-31')3. 数据分析
defanalyze_trades(conn,strategy_name=None):"""分析交易记录"""query="SELECT * FROM trades"ifstrategy_name:query+=f" WHERE strategy_name = '{strategy_name}'"df=pd.read_sql_query(query,conn)iflen(df)==0:returnNoneanalysis={'total_trades':len(df),'win_rate':(df['pnl']>0).sum()/len(df),'total_pnl':df['pnl'].sum(),'avg_profit':df[df['pnl']>0]['pnl'].mean()if(df['pnl']>0).any()else0,'avg_loss':df[df['pnl']<0]['pnl'].mean()if(df['pnl']<0).any()else0,'profit_loss_ratio':abs(df[df['pnl']>0]['pnl'].mean()/df[df['pnl']<0]['pnl'].mean())if(df['pnl']<0).any()else0,}returnanalysis# 使用analysis=analyze_trades(conn,strategy_name='ma_cross')print(analysis)六、性能优化
1. 索引优化
# 为常用查询字段创建索引CREATE INDEX idx_trades_symbol_timestamp ON trades(symbol,timestamp);CREATE INDEX idx_trades_strategy_timestamp ON trades(strategy_name,timestamp);CREATE INDEX idx_klines_symbol_datetime ON klines(symbol,datetime);2. 分区表
# 按时间分区（MySQL 5.7+）CREATE TABLE trades_2025_01 PARTITION OF trades FOR VALUES FROM('2025-01-01')TO('2025-02-01');CREATE TABLE trades_2025_02 PARTITION OF trades FOR VALUES FROM('2025-02-01')TO('2025-03-01');3. 数据归档
defarchive_old_data(conn,table_name,archive_date):"""归档旧数据"""# 导出旧数据query=f"SELECT * FROM{table_name}WHERE timestamp < ?"old_data=pd.read_sql_query(query,conn,params=[archive_date])# 保存到归档文件old_data.to_csv(f"archive_{table_name}_{archive_date}.csv",index=False)# 删除旧数据cursor=conn.cursor()cursor.execute(f"DELETE FROM{table_name}WHERE timestamp < ?",[archive_date])conn.commit()七、不同工具的数据库支持
| 工具 | 数据库支持 | 特点 |
|---|---|---|
| TqSdk | 需自己实现 | 灵活，可自定义 |
| VnPy | 有数据库模块 | 内置支持 |
| 掘金量化 | 平台数据 | 在线存储 |
八、我的数据库设计经验
作为一个从业二十年的期货量化交易者，分享几点数据库设计经验：
1. 数据库选择
我的选择：
- 行情数据：使用InfluxDB（时序数据库）
- 交易记录：使用MySQL（关系型数据库）
- 实时状态：使用Redis（内存数据库）
2. 表设计
我的设计原则：
- 按业务划分表
- 合理使用索引
- 考虑查询性能
3. 数据管理
我的管理方法：
- 定期归档旧数据
- 备份重要数据
- 监控数据库性能
我目前使用TqSdk做交易，自己设计数据库。虽然多写一些代码，但更灵活，可以完全控制数据结构。
这只是我个人的经验，每个人需求不同，建议根据自己的情况设计。
九、总结
2026年期货量化交易数据库设计要点：
- 数据库选择：根据数据类型选择合适数据库
- 表设计：合理设计表结构，考虑查询需求
- 性能优化：索引、分区、归档
- 数据管理：定期备份、归档、监控
好的数据库设计是量化交易的重要基础，能帮助高效存储和查询数据。
本文仅作为技术介绍，不代表对任何工具的推荐。实际使用请自行评估。
声明：本文基于个人学习经验整理，仅供技术交流参考，不构成任何投资建议。
