TimescaleDB 量化行情库进阶：分区、压缩与连续聚合

Wed, 14 Oct 2026 21:30:00 +0800

远思为径，码动价值。欢迎来到远思码技术实验室的最新技术实践记录。

在量化数据存储选型那篇里，我留下了一个结论：冷数据归档用 ClickHouse，热数据计算交给 DolphinDB。但实验室真正跑日常研究的那套库，最后选了第三个选项——TimescaleDB。

原因很朴素：A 股日线一年也就一百多万行，任何数据库都扛得住；真正稀缺的是"能不能用 SQL 直接把数据拼出来"。TimescaleDB 是 PostgreSQL 扩展，意味着我可以用窗口函数、DISTINCT ON、CTE、generate_series 这些熟悉的东西，而不用为了一次取数去写一段 DolphinDB 脚本。

这篇记录的是把它从"能存"做到"能长期跑"的几个关键点。

一、超表分区：时间维度 + 空间维度

上一篇文章里我们建了最简单的超表：

CREATE TABLE daily_bar (
 symbol text NOT NULL,
 trade_date date NOT NULL,
 open double precision,
 high double precision,
 low double precision,
 close double precision,
 volume bigint,
 amount double precision,
 turnover double precision,
 pct_chg double precision,
 adj_factor double precision DEFAULT 1.0,
 PRIMARY KEY (symbol, trade_date)
);

SELECT create_hypertable('daily_bar', 'trade_date',
 chunk_time_interval => INTERVAL '1 year',
 if_not_exists => TRUE);

日线量级下这样完全够用。但当我把分钟线也接进来（5 分钟 K 线，全市场一年约 1.6 亿行）之后，问题出现了：单个 chunk 内部扫的是全市场。查询"贵州茅台最近一年 5 分钟线"仍然要扫过所有股票的 5 分钟数据。

解决办法是引入空间维度，按 symbol 做哈希分区：

SELECT create_hypertable('minute_bar', 'ts',
 partitioning_column => 'symbol',
 number_partitions => 8,
 chunk_time_interval => INTERVAL '7 days',
 if_not_exists => TRUE);

建完之后，一张超表实际变成 8 × 时间片 个物理子表。查询条件里带 symbol 时，规划器直接裁掉 7/8 的分区。

经验值：number_partitions 别超过 CPU 核心数的两倍太多。分区太碎会让插入时的元数据开销超过收益，8 分片在实验室的 8 核机器上正好。

二、压缩：按 symbol 分段，按时间排序

时序数据最大的浪费是重复。同一只股票、连续的交易日，symbol 完全重复，价格变化很小。TimescaleDB 的列式压缩把"同一 segment 内的行"转成数组存储，压缩比通常在 5~20 倍。

ALTER TABLE minute_bar SET (
 timescaledb.compress,
 timescaledb.compress_segmentby = 'symbol',
 timescaledb.compress_orderby = 'ts DESC'
);

-- 7 天以前的数据自动压缩
SELECT add_compression_policy('minute_bar', INTERVAL '7 days');

两个参数的选择逻辑：

compress_segmentby 决定了"哪些行会被放在一起"。因为绝大多数查询都是按股票取一段连续时间，所以分段键选 symbol。
compress_orderby 决定段内排序。时间倒序排列，让"最新 N 条"的查询能快速定位。

实验室实测（8 核 / 32GB / NVMe，A 股 5 分钟线 1 年）：

状态	表大小	单股 1 年查询耗时
未压缩	6.3 GB	210 ms
压缩后	780 MB	240 ms
压缩后 + 带 symbol 条件	780 MB	35 ms

压缩后写入变慢（约 1.4 倍），但我们的写入集中在盘后批处理，完全无所谓。如果你的场景是盘中高频写入 + 实时查询，压缩窗口不要设得太短——被压缩的 chunk 不能再直接 INSERT，新数据会跑到新的 chunk 去，这是设计使然而不是缺陷。

三、连续聚合：日线自动滚成月线

研究里最烦的是"每次都要手写一段 group by 把日线变月线"。连续聚合（Continuous Aggregate）把这一步变成库里的物化视图，增量刷新：

CREATE MATERIALIZED VIEW monthly_bar
WITH (timescaledb.continuous) AS
SELECT symbol,
 time_bucket('1 month', trade_date) AS trade_month,
 first(open, trade_date) AS open,
 max(high) AS high,
 min(low) AS low,
 last(close, trade_date) AS close,
 sum(volume) AS volume,
 sum(amount) AS amount
FROM daily_bar
GROUP BY symbol, trade_month
WITH NO DATA;

SELECT add_continuous_aggregate_policy('monthly_bar',
 start_offset => INTERVAL '3 years',
 end_offset => INTERVAL '1 day',
 schedule_interval => INTERVAL '1 hour');

注意 end_offset => INTERVAL '1 day'：只刷新到昨天为止。当月数据还在变，如果聚合到当天，物化结果就是一个会不断被改写的"半成品"，容易在回测里用到未完成的月线。查询时当月数据仍然走实时聚合（TimescaleDB 会自动 union 未物化的部分）。

真实用法是这样：

-- 查询某只股票的月线序列，物化部分 + 实时部分自动拼接
SELECT trade_month, open, close, volume
FROM monthly_bar
WHERE symbol = '600519' AND trade_month >= '2020-01-01'
ORDER BY trade_month;

四、增量写入：幂等 upsert 与复权因子

盘后同步任务每天会重跑，必须保证幂等。ON CONFLICT DO UPDATE 是标准解法：

INSERT INTO daily_bar (symbol, trade_date, open, high, low, close,
 volume, amount, turnover, pct_chg, adj_factor)
VALUES (:symbol, :trade_date, :open, :high, :low, :close,
 :volume, :amount, :turnover, :pct_chg, :adj_factor)
ON CONFLICT (symbol, trade_date) DO UPDATE
SET close = EXCLUDED.close,
 volume = EXCLUDED.volume,
 pct_chg = EXCLUDED.pct_chg,
 adj_factor = EXCLUDED.adj_factor;

这里有个容易忽略的设计：存未复权价 + 复权因子，而不是直接存前复权价。

前复权价会在每次除权后整体重算，历史数据被"改写"，导致同一天的因子值在不同时间点算出来不一样；
业界惯例（也是 akshare 的 hfq 接口）是存后复权或存 adj_factor，复权在查询层做，历史数值永远不变。

查前复权价时在 SQL 里乘一下即可：

SELECT trade_date,
 close * adj_factor / MAX(adj_factor) OVER () AS close_qfq
FROM daily_bar WHERE symbol = '000001' ORDER BY trade_date;

反面教材：早期我用"每天重写整段前复权序列"的方式同步数据，结果同一个因子在 3 月跑出来 IC 是 0.031，6 月重跑变成 0.027。差的那一点就是除权。数值漂移是量化研究里最隐蔽的 bug。

五、保留策略与冷热分层

分钟线不能无限堆。实验室的策略是：

-- 3 年前的分钟线直接删除
SELECT add_retention_policy('minute_bar', INTERVAL '3 years');

日线则不删，因为它小到可以忽略（15 年 A 股日线约 2 GB，压缩后 300 MB 左右）。

如果要做真正的归档，可以把老 chunk 的压缩数据 COPY 导出到对象存储（实验室用的是内网的 MinIO），再用 drop_chunks 释放：

-- 导出后再删除
COPY (SELECT * FROM minute_bar WHERE ts < '2021-01-01')
TO PROGRAM 'gzip > /mnt/minio-archive/minute_bar_2020.csv.gz' CSV HEADER;

SELECT drop_chunks('minute_bar', older_than => INTERVAL '5 years');

六、一个取数函数，统一到矩阵

数据库再好，研究时用的还是 DataFrame。实验室封装了一个按需取数的函数，把"复权、停牌、字段选择"都收在这里：

# src/data/loader.py
from __future__ import annotations

import pandas as pd
from sqlalchemy import create_engine

DSN = "postgresql+psycopg2://quant:quant@127.0.0.1:5432/quant"


def load_bars(symbols: list[str], start: str, end: str,
 freq: str = "1d", adjust: str = "qfq",
 engine=None) -> pd.DataFrame:
 """取行情长表，自动按 adjust 做复权。

 adjust: 'none' | 'qfq'(前复权) | 'hfq'(后复权)
 返回列: symbol, trade_date, open, high, low, close, volume, amount
 """
 engine = engine or create_engine(DSN, pool_pre_ping=True)
 table = "daily_bar" if freq == "1d" else "minute_bar"
 tcol = "trade_date" if freq == "1d" else "ts"

 sql = f"""
 SELECT symbol, {tcol} AS trade_date, open, high, low, close,
 volume, amount, adj_factor
 FROM {table}
 WHERE {tcol} BETWEEN :start AND :end
 AND symbol = ANY(:symbols)
 ORDER BY symbol, {tcol}
 """
 df = pd.read_sql(sql, engine, params={"start": start, "end": end, "symbols": symbols})

 if adjust in ("qfq", "hfq") and not df.empty:
 df = df.sort_values(["symbol", "trade_date"])
 grp = df.groupby("symbol", sort=False)["adj_factor"]
 ratio = grp.transform("last") if adjust == "qfq" else 1.0
 for col in ["open", "high", "low", "close"]:
 df[col] = df[col] * df["adj_factor"] / ratio
 return df.drop(columns=["adj_factor"])

ratio 那一行就是前复权的全部秘密：把当前复权因子归一，最新的价格保持原始数值，历史价格被等比缩小。

七、踩过的坑清单

ALTER TABLE hypertable 的坑：超表上加索引必须建在超表上（CREATE INDEX ON daily_bar (...)）），不要手动往 chunk 上建，重建 chunk 之后索引就丢了。
主键必须包含时间分区列。TimescaleDB 的约束要求唯一索引包含分区列，PRIMARY KEY (symbol) 会直接报错。
time_bucket 与交易日历不是一回事。“按月"聚合出来的是自然月，2 月只有 15 个交易日，用它算月收益没问题，但用它算"每月调仓"就会和交易日错位。
别在压缩 chunk 上做大量 UPDATE。压缩块和解压块的写入路径不同，反复更新老数据会把压缩收益吃光。需要修正历史数据时，一次性 decompress_chunk → 更新 → compress_chunk。
vacuum 不是万能的。时序表几乎只增不改，但 drop_chunks 之后还是建议看一眼 autovacuum 的触发情况。

结语

数据层做到这里，已经不是"能存数据"的层次，而是”取数不成为研究瓶颈"：单股分钟线 35 ms、全市场日线截面 1 秒内出结果。

数据齐了、因子有了，接下来是最容易自欺欺人的一环：回测。下一篇从零写一个向量化回测引擎，把手续费、滑点、涨跌停、T+1 全部显式建模。

远思为径，码动价值。基础设施的耐心，最终都会体现在回测曲线是否可信上。

PostgreSQL on 远思码技术实验室