1、最普通的是去营业部,现场看行情 ＋ 现场交易

到现在为止,这种方式也是非常重要的方式,有时候不为别的,只是为了一种气氛,或者为了获取其他人的经验和消息。

后来慢慢出现了非现场交易

2、(图文卡 股票机 收音机,电视机)＋ 电话委托

97年参加工作,周围很多炒股的人,大家看行情的方法比较多样化年龄大点儿的同事,用的时收音机听行情,交易次数比较少,稍聪明点儿的人开始用电话委托。

收音机听行情的方式到现在还有很多人在用。因为可以上班时候听行情。

下班的时候,可以通过图文电视台看股票信息,电视里的股评节目也非常火。

后来,有同事开始用股票机,记得当时波导出的寻呼机900左右,包括一年的租费,可以看股票曲线,好多人买。那之前我印像中,寻呼机大都是进口的牌子,而且价格很高。

也有同事买图文卡的,都忘记了名字了,好象是海通的吧,股票机和图文卡现在用的人也越来越少了。

3、软件行情 ＋ 网上交易

那时候我还不炒股,买电脑(联想)的时候,电脑商在桌面上装了一个核新的网上交易软件,券商是银河证券。

现在这种方式已是非现场交易的主流了。相信不用我多说。

4、wap炒股

wap那几年火了一阵子,后来无声无息了,最近因为网络条件和运营商主推又慢慢火起来了这种方式各大门户网站一般都有的。

5、短信炒股

很多是黑马,荐股之类的,也有个股信息也有支持交易的,我知道的江苏一家券商支持,名字不记得了这种方式各大网站均有,用的人也比较多。

6、stk utk

部分券商或运营商主推的,联通CDMA卡上内值的stk叫utk

7、ussd

又称超级短信,支持交易,去年才有的一种炒股方式,很多古老的手机都支持。现在股票方式现在主要有和大券商和核新合作在搞。

这种方式的交互性比短信好很多,支持的手机比wap多很多。

8、手机客户端炒股

这里面东东可多了,现在手机发展很快,功能也越做越强。

平台上java,brew,操作系统symbian,smartphone,ce,linux,palm……

国内主要做做的有,核新、四方,掌上网,丰帆等,其中核新支持的交易和手机比较多,掌上网和移动的关系比较好,下载方便,四方主要java方式,丰帆主攻symbian

9、pda手机

移动梦网上pda.monternet.com上有相关的pda手机炒股软件,支持交易有钱人的手机,俺的手机没那么好。

10、机顶盒

现在越来越多的机顶盒里可以内置炒股软件,有些也支持交易。

现今周围都是炒股的朋友,方法还真是千姿百态。用手机炒股的朋友,大概是为了追求速度吧,时时刻刻都要知道股市的走势。小编还是认为炒股只是一种投资方法,不应该过分沉迷,应该与它保持一定的距离,有一个全面的炒股软件已足以。不妨把炒股培养为一种兴趣,以炒股为乐。也许做到不以物喜,不以己悲的时候,您的股运就会来了！

关注微信号yicaicom，更多精彩等你看！

流数据实时关联在金融业务场景中非常常见，对流数据实时融合，可以使因子指标计算更高效，也能满足更丰富的信息输出需求。DolphinDB 提供了多种流数据连接引擎，用户直接调用即可实现流数据实时关联。

这里我们罗列了一下用户经常会用到的一些场景：

- 根据行情快照和逐笔成交数据实时计算复杂高频因子；

- 在逐笔成交数据的基础上丰富委托信息并实时输出；

- 根据逐笔成交数据实时匹配最近一次报价；

- 对多个数据源降频采样，计算分钟指标并将结果关联到同一张表中；

- 根据快照数据实时匹配股票历史日频指标；

- 实时计算股票与某指数的分钟收益率相关性。

上一期中，我们为大家介绍了如何使用 window join 将行情快照和逐笔成交数据进行关联分析。本期会有什么样的场景应用呢？快来看看吧~

有成交数据了，想关联原始委托数据怎么办？

我们知道，逐笔成交数据中包含了买卖双方的原始委托订单号，理论上来说，通过股票代码和订单号，就可以关联到逐笔委托数据，从而在成交数据的基础上丰富原始委托信息。

具体来说，对于每条逐笔成交数据，我们都要找到对应的委托单，然后将结果与逐笔成交记录一一对应输出。在找到对应的委托单前，该条逐笔成交记录暂时不输出。

在 DolphinDB 中，可以用两个 Left Semi Join 引擎级联的方式，对成交表 trades 中的卖方委托单、买方委托单依次进行关联。

大家可以前往知乎搜索DolphinDB，查看引擎级联更详细的介绍。

// create table share streamTable(1:0, `Sym`BuyNo`SellNo`TradePrice`TradeQty`TradeTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME]) as trades share streamTable(1:0, `Sym`OrderNo`Side`OrderQty`OrderPrice`OrderTime, [SYMBOL, LONG, INT, LONG, DOUBLE, TIME]) as orders share streamTable(1:0, `Sym`SellNo`BuyNo`TradePrice`TradeQty`TradeTime`BuyOrderQty`BuyOrderPrice`BuyOrderTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME, LONG, DOUBLE, TIME]) as outputTemp share streamTable(1:0, `Sym`BuyNo`SellNo`TradePrice`TradeQty`TradeTime`BuyOrderQty`BuyOrderPrice`BuyOrderTime`SellOrderQty`SellOrderPrice`SellOrderTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME, LONG, DOUBLE, TIME, LONG, DOUBLE, TIME]) as output // create engine: left join buy order ljEngineBuy=createLeftSemiJoinEngine(name="leftJoinBuy", leftTable=outputTemp, rightTable=orders, outputTable=output, metrics=<[SellNo, TradePrice, TradeQty, TradeTime, BuyOrderQty, BuyOrderPrice, BuyOrderTime, OrderQty, OrderPrice, OrderTime]>, matchingColumn=[`Sym`BuyNo, `Sym`OrderNo]) // create engine: left join sell order ljEngineSell=createLeftSemiJoinEngine(name="leftJoinSell", leftTable=trades, rightTable=orders, outputTable=getLeftStream(ljEngineBuy), metrics=<[BuyNo, TradePrice, TradeQty, TradeTime, OrderQty, OrderPrice, OrderTime]>, matchingColumn=[`Sym`SellNo, `Sym`OrderNo]) // subscribe topic subscribeTable(tableName="trades", actionName="appendLeftStream", handler=getLeftStream(ljEngineSell), msgAsTable=true, offset=-1) subscribeTable(tableName="orders", actionName="appendRightStreamForSell", handler=getRightStream(ljEngineSell), msgAsTable=true, offset=-1) subscribeTable(tableName="orders", actionName="appendRightStreamForBuy", handler=getRightStream(ljEngineBuy), msgAsTable=true, offset=-1)

构造数据写入作为原始输入的 2 个流数据表：

// generate data: trade t1 = table(`A`B`B`A as Sym, [2, 5, 5, 6] as BuyNo, [4, 1, 3, 4] as SellNo, [7.6, 3.5, 3.5, 7.6]as TradePrice, [10, 100, 20, 50]as TradeQty, 10:00:00.000+(400 500 500 600) as TradeTime) // generate data: order t2 = table(`B`A`B`A`B`A as Sym, 1..6 as OrderNo, [2, 1, 2, 2, 1, 1] as Side, [100, 10, 20, 100, 350, 50] as OrderQty, [7.6, 3.5, 7.6, 3.5, 7.6, 3.5] as OrderPrice, 10:00:00.000+(1..6)*100 as OrderTime) // input data orders.append!(t2) trades.append!(t1)

输入数据与关联关系如下：

通过两个 Left Semi Join 引擎，上图中 trades 数据流中的每一条记录将分别和 orders 数据流中的两条记录关联，进而取得 orders 中的委托量、价、时间等字段，关联得到的结果表 output 如下：

有成交数据了，怎么实时匹配最近一次报价？

因为逐笔成交数据和报价数据的发生时间不可能完全一致，所以这两张数据表不能使用常用的等值连接。在计算个股交易成本时，往往需要以成交时间为基准，找到交易发生前的最近一次报价数据，因此需要以邻近匹配的方式关联两个数据流。

这个场景的特征是，每条成交记录匹配一条时刻早于自己的报价记录，输出与原始的每一条成交记录一一对应。

在 DolphinDB 中，我们可以用 Asof Join 引擎来实现此场景：

// create table share streamTable(1:0, `Sym`TradeTime`TradePrice, [SYMBOL, TIME, DOUBLE]) as trades share streamTable(1:0, `Sym`Time`Bid1Price`Ask1Price, [SYMBOL, TIME, DOUBLE, DOUBLE]) as snapshot share streamTable(1:0, `TradeTime`Sym`TradePrice`TradeCost`SnapshotTime, [TIME, SYMBOL, DOUBLE, DOUBLE, TIME]) as output // create engine ajEngine = createAsofJoinEngine(name="asofJoin", leftTable=trades, rightTable=snapshot, outputTable=output, metrics=<[TradePrice, abs(TradePrice-(Bid1Price+Ask1Price)/2), snapshot.Time]>, matchingColumn=`Sym, timeColumn=`TradeTime`Time, useSystemTime=false, delayedTime=1000) // subscribe topic subscribeTable(tableName="trades", actionName="appendLeftStream", handler=getLeftStream(ajEngine), msgAsTable=true, offset=-1, hash=0) subscribeTable(tableName="snapshot", actionName="appendRightStream", handler=getRightStream(ajEngine), msgAsTable=true, offset=-1, hash=1)

构造数据写入作为原始输入的 2 个流数据表，先写入右表，再写入左表：

// generate data: trade t1 = table(`A`A`B`A`B`B as Sym, 10:00:02.000+(1..6)*700 as TradeTime, (3.4 3.5 7.7 3.5 7.5 7.6) as TradePrice) // generate data: snapshot t2 = table(`A`B`A`B as Sym, 10:00:00.000+(3 3 6 6)*1000 as Time, (3.5 7.6 3.5 7.6) as Bid1Price, (3.5 7.6 3.6 7.6) as Ask1Price) // input data snapshot.append!(t2) trades.append!(t1)

输入数据与关联关系如下：

关联得到的结果表 output 如下，左表中全部 7 条数据都有对应的输出。本例中，在创建引擎时指定了 delayTime 参数，因此对于分组 B ，即使右表 snapshot 中没有比 10:00:06.200 更大的时间戳， 右表 trades 中最后一条数据(B,10:00:06.200, 7.6) 仍然能够在注入引擎 2s 后强制输出。

下期预告

Equal Join & Lookup Join ...

上一篇：巴菲特炒股技巧(巴菲特是靠炒股赚钱吗)

下一篇：c4d北京线下培训班(炒股培训班骗局)