在 C++ 使用模拟撮合引擎插件实现自定义的高性能回测

回测是量化交易投研的一个重要环节。量化策略上线之前，必须通过回测评估策略在历史数据上的表现。在中高频策略回测中，并不能简单的假设每个订单以当前价格或日终价格全部成交，需要一个模拟撮合引擎来模拟实际的交易过程，例如考虑订单能否成交、成交价格、成交量以及市场冲击等因素。DolphinDB 提供了模拟撮合引擎插件，支持沪深交易所 Level-2 逐笔行情和快照行情，实现了与交易所一致的 “价格优先，时间优先” 高精度撮合、支持基于多种行情数据的撮合模式、并提供丰富的撮合配置，模拟真实的实盘交易环境；支持通过 DolphinDB 脚本语言、Python 或 C++语言完成中高频策略的研发和测试，提供了一个性能优异且易扩展的中高频量化交易策略回测解决方案。

Swordfish 是一个专为金融行业设计的高性能数据分析计算函数库，具备卓越的内存处理能力和优化的计算性能。它不仅提供多种通用计算功能，还支持实时流数据处理和用户自定义函数，满足复杂数据分析和低延迟流数据计算的需求。Swordfish 能够在任何支持 C++ 的平台上运行，用户可以通过 C++ 脚本直接调用其接口，实现高效计算。

DolphinDB C++ API 用于连接 DolphinDB 服务端和 C++客户端，从而实现数据的双向传输和脚本的调用执行。 它可以方便您在 C++ 程序中使用 DolphinDB 进行数据的处理、分析和建模等操作，利用其优秀的计算性能和强大的存储能力来帮助您加速数据的处理和分析。

本文依照《DolphinDB 策略回测白皮书》的系统设计，介绍如何在 C++ 中封装模拟撮合引擎插件，实现一个简单易拓展高精度撮合的回测框架，从而可以方便地集成到已有的 C++ 回测或者仿真系统中。本文设计了统一的事件型接口，并提供 Swordfish 和 C++ API 两种实现。2 种方式的适用场景如下：

表 1-1 Swordfish 和 C++ API 实现回测框架场景对比

在《DolphinDB 策略回测白皮书》中，介绍了中高频量化交易策略回测平台的实现，主要包括三个重要环节：

• 行情数据回放
• 委托订单模拟撮合
• 策略开发与策略回测绩效评估

以此为依据可以设计出以 DolphinDB 为数据源在 C++ 进行回测的整体流程：

1. 创建远程行情流表，并对其进行订阅；
2. 回放行情数据到流表；
3. 在订阅回调中遍历和解析数据，将解析后的行情数据写入到模拟撮合引擎；
4. 触发行情回调，在回调内实现策略逻辑，执行下单等操作；
5. 模拟撮合引擎输出成交明细等信息，并触发相关业务回调，在回调内实现策略逻辑。
6. 回测结束后输出绩效指标。

使用 Swordfish 实现自定义回测的系统架构图如下：

使用 C++ API 实现自定义回测的系统架构图如下：

本教程根据 DolphinDB 的模拟撮合接口所具备的功能，设计出了行情和交易接口。主要包括如下功能模块：

• 配置项模块：负责回测框架实例的相关配置，包括远程连接配置、行情类别配置、并发相关配置等。
• 主动调用接口模块：提供可在代码中主动调用的接口，包括创建模拟撮合引擎实例、回放数据下单、撤单等接口。
• 回调接口模块：以回调函数的形式提供接口，包含行情回调、报单应答、成交通知等接口。

根据系统设计和接口设计，设计如下功能模块来实现回测和仿真交易系统：

• 远程连接：远程连接 DolphinDB 并执行脚本，实现回放数据和清理远程环境等接口。
• 插件加载和使用：加载模拟撮合插件，封装模拟撮合插件的相关脚本方法为 C++ 接口，实现下单和撤单等主动调用接口，以及报单委托和成交委托等回调。
• 流数据订阅、解析和回调：订阅 DolphinDB 的流表作为数据源，解析流数据并写入到模拟撮合引擎，实现行情回调。

下面分别介绍使用 Swordfish 和 C++ API 实现的逻辑。

基于前述设计与实现方案，本节通过核心代码示例详细阐述简易回测策略的实现逻辑，具体策略为在实时处理每笔行情快照数据后自动生成限价委托订单。完整代码请查看附件源码。

1. 定义接口类并实现策略

   继承 Interface 类为 CustomInterface 类，并重写 onQuote 方法，在收到一笔行情时调用 getMatchEngine 方法获取引擎实例，然后调用 submitOrder 下单：

   class CustomInterface : public Interface {
     public:
       CustomInterface(unordered_map<string, string> config) : Interface(config) {}
   
       void onQuote(const ConstantSP &quote) override {
           ...
           engine = getMatchEngine(new String(matchEngineName_));
           string symbol = quote->getMember("symbol")->getString();
           OrderField order;
           order.symbol = symbol;
           order.orderType = 5;
           order.price = bidPrice->getLong();
           order.orderQty = 200;
           order.direction = 1;
           submitOrder(engine, order);
       }
   };

2. 创建模拟撮合引擎在 main 函数中，创建 CustomInterface 类，使用 getExampleMatchEngineArgs 方法获取模拟撮合引擎的示例参数，然后使用 createMatchEngine 方法创建模拟撮合引擎。

   interface = new CustomInterface(config);
   auto args = interface->getExampleMatchEngineArgs();
   engine = interface->createMatchEngine(args);

3. 订阅行情数据使用 subQuoteTable 方法订阅行情数据，从而使行情回调方法生效。

   interface->subQuoteTable();

4. 回放行情数据

   使用 replayQuoteToMatchEngine 方法回放指定股票代码和日期时间范围的数据到引擎。

   interface->replayQuoteToMatchEngine(codes, startDate, endDate, engine, -1);

5. 等待回测结束

   使用 isBacktestEnd 方法等待回测结束。

   interface->isBacktestEnd(true);

6. 输出绩效指标

   以使用 getPosition 方法输出持仓为例。可以在 CustomInterface 类中实现自定义指标的计算和输出。

   cout << interface->getPosition() << endl;

本文使用的测试环境配置为：

• DolphinDB v3.00.2.2 单节点
• Swordfish v3.00.2 ABI0
• CPU：Intel(R) Xeon(R) Silver 4216 CPU @ 2.10GHz 64核
• 内存：400G
• 硬盘：SSD 12 Gbps

统计 Swordfish 实现的回测框架进行多并发全速回放的总耗时。下单策略为对每笔快照行情下 1 单限价单。性能统计如下：

表 6-1 Swordfish 实现的回测框架性能测试统计

可见多线程并行能够有效提高性能，但并不是线性的提升，因为服务端的数据回放到流表和发送到客户端需要一定的耗时。

由于 C++ API 实现下模拟撮合引擎位于远程 DolphinDB，故下单和撤单等操作存在网络时延，倍速回放时会出现客户端操作时刻服务端已回放到更后面的时间的情况，故只能原速回放，无法进行倍速回放性能测试。

本文展示了如何通过使用 Swordfish 或 C++ API 在 C++ 环境下调用模拟撮合引擎插件实现自定义的高性能回测，并封装了统一的接口，从而实现将 DolphinDB 回测逻辑方便地集成到已有的 C++ 回测系统。其中，Swordfish 可以本地运行模拟撮合引擎，具有更高的灵活性，并支持倍速回放，在性能方面表现更优。

CppApiBacktest.zip

SwordfishBacktest.zip