在构建量化交易系统时，历史行情数据（Tick/Bar）的存储和查询速度是决定回测效率的关键。最近我在重构实验室的数据底层，面临了一个经典的选择：是继续使用通用的 OLAP 神器 ClickHouse，还是转向金融专用的 DolphinDB？

性能与场景的权衡

1. ClickHouse：在大规模日志与宽表中的王者

ClickHouse 的列式存储和向量化执行引擎，让它在处理海量数据的聚合查询（Group By）时表现惊人。

• 优点：开源社区活跃，生态完善，对于非标准的宽表数据处理极快。
• 痛点：在处理复杂的时序窗口函数（如 moving average）和面板数据对齐（AsOf Join）时，SQL 写法较为繁琐，且性能在某些特定金融场景下不如专用数据库。

2. DolphinDB：为时序而生

DolphinDB 引入了许多针对金融时序数据的原生函数。

• 优点：内置了大量金融技术指标计算函数，AsOf Join 性能极佳，非常适合做因子计算和流式处理。
• 痛点：学习曲线较陡峭，需要适应其特有的脚本语言。

远思实验室的决策

考虑到我的核心需求是 高频数据的因子挖掘 和 ST-GNN 模型的特征工程，我决定采用 混合架构：

冷数据与归档：使用 ClickHouse 存储海量的原始 Tick 数据，利用其高压缩比节省磁盘空间。 热数据与计算：将近期数据和需要频繁重算的因子层放入 DolphinDB，利用其内存计算优势加速迭代。

下一步，我将分享如何使用 Python 将这两者打通，实现自动化的数据清洗流水线。