交易本身對市場會產生影響，尤其是短時間內大量交易，會影響金融資產的價格。一個訂單到來時的市場價格和訂單的執行價格通常會有差異，這個差異通常被稱爲交易成本。在量化交易的策略回測部分，不考慮交易成本或者交易成本估計不合理，容易導致回測和實盤結果有較大的差異。本文將介紹如何在分佈式時序數據庫DolphinDB中，如何使用asof join和window join快速估計每個股票的交易成本。
需要的數據包括含有逐筆交易的交易表trades和包含level 1報價的quotes表。它們分別包含以下字段：
trades
Symbol：股票代碼
Time：時間
Trade_Volume：交易量
Trade_Price：交易價格
quotes
Symbol：股票代碼
Time：時間
Bid_Price：買方報價
Offer_Price：賣方報價
實驗中用到的數據都是從紐約證券交易所獲取，大家可以從NYSE的ftp下載。參考附錄1。
計算股票的交易成本，我們需要找到一個基準價格，通常會把與實際交易最近的一次報價的中間價作爲基準價。這意味着要對交易記錄表和買賣報價表進行連接。但是，成交和買賣報價的發生時間不可能完全一致，因此不能使用常用的等值連接（equal join）。DolphinDB提供了兩種專門爲時序數據設計的連接方式：asof join和window join。我們將使用這兩種連接方式來計算股票的交易成本。
第一種方法：使用asof join
使用交易發生前（包括交易時刻）的最近一次報價的中間加作爲基準。使用交易金額做加權平均。乘上10000是爲了把結果轉化成basis points。函數aj用於兩個表的asof join，前兩個參數分別是兩個需要join的數據表，第三個參數是join的字段。join的時候首先按股票分組，每個組之內再按照時間行進asof join。右表數據（quotes表）必須保證每個股票組內的記錄是按照最後一個連接字段（time）升序排列的。
TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from aj(trades,quotes,`Symbol`Time) group by symbol第二種方法：使用window join
如果你覺得單次報價的偶然性比較大，我們可以取交易前一段時間的報價的均值或中值作爲基準價。下面的例子取交易前10ms的報價均值作爲基準。pwj是prevailing window join的縮寫，該函數比起aj多了兩個參數。新增的第三個參數指定相對的時間窗口。因爲時間單位是納秒，-10000000:0 表示從交易的發生時刻到前10ms的窗口。新增的第4個參數是每個窗口中需要計算的一系列聚合函數。
TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from pwj(trades,quotes,-10000000:0,<[avg(Offer_Price) as Offer_Price, avg(Bid_Price) as Bid_Price]>,`Symbol`Time) group by symbolasof join和window join是DolphinDB專門爲時序數據設計的連接方式，不僅簡化了時序數據的操作，大大減少了代碼量。以上面的交易成本計算爲例，僅僅使用了1行SQL代碼就完成了所有個股的交易成本計算。
DolphinDB database 對兩種連接方式實現做了大量的優化，運行速度極快。我們以2016年10月24日紐約證券交易所的股票交易數據和買賣報價數據爲例。股票交易表有8023只股票共2700萬條交易記錄，買賣報價表有7000萬條記錄。如此龐大的數據量，使用第一種方法，DolphinDB執行耗時僅470多毫秒；使用第二種方法，DolphinDB執行耗時僅825毫秒，速度極快。
最後我們看看結果是不是make sense。觀察一下三個股票的交易成本：GS（高盛），TSLA（特斯拉），AAPL（蘋果）。
select * from TC where symbol in `GS`TSLA`AAPL第一種方法的結果：
symbol cost
AAPL 0.5446
GS 1.2678
TSLA 16.6456第二種方法的結果：
symbol cost
AAPL 0.535
GS 1.1543
TSLA 18.1025感興趣的 朋友 可以 到官網下載DolphinDB database 試用版計算股票的交易成本。
附錄1.生成樣本數據
訪問ftp://ftp.nyxdata.com/Historical%2Data%20Samples/Daily%20TAQ%20Sample/並且下載EQY_US_ALL_TRADE_20161024.gz和EQY_US_ALL_NBBO_20161024.gz兩個文件，然後把它們解壓，保存在/DolphinDB/Data目錄下，把兩個文件的最後一行刪除，因爲最後一行是用來標記文件結尾的。
sed -i '$ d' EQY_US_ALL_TRADE_20161024
sed -i '$ d' EQY_US_ALL_NBBO_20161024接着，執行下面的腳本。
DATA_DIR = "./DolphinDB/Data"
PTNDB_DIR = DATA_DIR+"/NYSETAQSeq"
db = database(PTNDB_DIR, SEQ, 16)
Trades = loadTextEx(db, `Trades, DATA_DIR + "/EQY_US_ALL_TRADE_20161024”,'|')
Quotes = loadTextEx(db, `Quotes, DATA_DIR + "/EQY_US_ALL_NBBO_20161024",'|')表Trades包含2016年10月24日美國股市的所有交易數據。表Quotes包含同一天的全國最佳買賣報價（NBBO）。