create-dwy 0.12.1 → 0.13.0

package/templates/claude-global/skills//346/225/260/346/215/256/345/272/223/dwy-dolphindb/references/official/modules/gtja191Alpha/191alpha.md

@@ -0,0 +1,205 @@
+---
+source_url: https://docs.dolphindb.cn/zh/modules/gtja191Alpha/191alpha.html
+fetched_at: 2026-05-19T09:50:05Z
+category: modules
+title: 国泰君安 191 Alpha 因子库
+sha1: 846acc17b473b247e4b07bb6389182cb968ceb1c
+---
+
+# 国泰君安 191 Alpha 因子库
+
+[国泰君安 191 Alpha 因子](src/gtja191Alpha.dos) 来源于国泰君安 2017 年 6 月份公布的研报《基于短周期价量特征的多因子选股体系——数量化专题之九十三》，属于短周期价量因子。为了使用户更方便地计算因子，本模块使用 DolphinDB 脚本实现了所有 191 个因子的函数，并封装在 DolphinDB 模块 gtja191Alpha 中。
+
+本文将为大家介绍该因子库的基本规范，并以其中几个因子为例，展示因子库在批计算、流计算中的应用。
+
+**注意**：本教程包含的所有代码兼容 DolphinDB 2.00.9，1.30.21 及以上版本。
+
+## 1. 函数命名规则与入参规范
+
+- gtja191Alpha 模块中的所有函数命名规则为 gtjaAlpha + 因子序号， 如 gtjaAlpha1 ，gtjaAlpha29 ，gtjaAlpha166 。
+- 每一个因子的入参字段有所不同，具体参考 [附录1-因子入参一览表](#%E9%99%84%E5%BD%951-%E5%9B%A0%E5%AD%90%E5%85%A5%E5%8F%82%E4%B8%80%E8%A7%88%E8%A1%A8) 。本教程涉及到的所有字段如下：
+
+  | 参数名称 / 标准字段名称 | 参数含义 |
+  | --- | --- |
+  | tradetime | 交易时间 |
+  | securityid | 股票代码 |
+  | open | 开盘价 |
+  | close | 收盘价 |
+  | high | 最高价 |
+  | low | 最低价 |
+  | vol | 交易量 |
+  | vwap | 成交量加权平均价格 |
+  | index\_open | 指数开盘价 |
+  | index\_close | 指数收盘价 |
+- gtja191Alpha 模块中的所有因子均为矩阵入参。
+
+## 2. 批计算使用范例
+
+本章节将从环境配置、数据准备、计算调用方法等方面具体介绍 gtja191Alpha.dos 模块的用法。
+
+### 2.1. 环境准备
+
+把附件的 gtja191Alpha.dos 放在 [home]/modules 目录下，[home] 目录由系统配置参数 home 决定，可以通过 `getHomeDir()` 函数查看。
+
+更多 DolphinDB 模块的说明，请参阅 [DolphinDB 教程：模块](../../tutorials/tu_modules.html)。
+
+### 2.2. 数据准备
+
+本文提供了因子测试用的 [日频数据文件 (datatest.csv)](https://www.dolphindb.cn/downloads/docs/191_data.zip) ，该数据包含了国泰君安 191 因子 [所需的字段](#%E5%87%BD%E6%95%B0%E5%91%BD%E5%90%8D%E8%A7%84%E5%88%99%E4%B8%8E%E5%85%A5%E5%8F%82%E8%A7%84%E8%8C%83) 。如使用其他数据，请对照 [所需的字段](#%E5%87%BD%E6%95%B0%E5%91%BD%E5%90%8D%E8%A7%84%E5%88%99%E4%B8%8E%E5%85%A5%E5%8F%82%E8%A7%84%E8%8C%83) 自行添加缺少字段。
+
+对于数据，需要保证当前数据的表字段名与模块字段名一致。为方便使用，本教程准备了一个辅助模块 [gtja191Prepare.dos](helper/gtja191Prepare.dos) 来帮助统一字段名。调用前辅助模块前，需将该辅助模块放置在 gtja191Alpha 同级目录下。
+
+辅助模块中有三类函数：
+
+1. prepareData 函数，可将数据与标准字段的名称对齐。函数的参数中，rawData 为使用的数据源，startTime 与 endTime 为需要的数据的起始时间和结束时间，其余参数为现有字段名与标准字段的对应名称。
+2. gtjaPrepare 函数，将表中字段提取成计算所需的矩阵并用字典存储。
+3. gtjaCalAlpha# 函数，最终计算函数，会调用 gtjaPrepare 函数及 gtja191Alpha 模块中的计算函数。
+
+辅助模块具体用法将在本节及下一节中介绍。
+
+一般来说，数据准备阶段，用户需调用辅助模块中的 prepareData 函数将数据与标准字段名称对齐。
+
+**注意**：如若用户采用的数据字段名与输入字段中的标准字段名一致，无需调用准备函数 prepareData 。
+
+载入模块和数据方法如下，data 为准备好的数据：
+
+```dolphindb
+use gtja191Alpha
+use gtja191Prepare
+login('admin', '123456')
+rawData = loadText("/YOUR_DIR/datatest.csv")
+startTime = timestamp(2010.01.01)
+endTime = timestamp(2010.01.31)
+data = prepareData(rawData=rawData, startTime=startTime, endTime=endTime, securityidName="securityid", tradetimeName="tradetime", openName="open", closeName="close", highName="high", lowName="low", volumeName="vol", vwapName="vwap", indexCloseName="index_close", indexOpenName="index_open")
+```
+
+### 2.3. 使用范例
+
+gtja191Alpha 模块中的所有因子均为矩阵入参，故用户需先准备矩阵，再调用对应的 gtjaAlpha# 函数，返回的结果亦为矩阵。由于不同因子计算时用到的参数不同，用户需通过查询 [附录1-因子入参一览表](#%E9%99%84%E5%BD%951-%E5%9B%A0%E5%AD%90%E5%85%A5%E5%8F%82%E4%B8%80%E8%A7%88%E8%A1%A8) 来确定所需的参数。
+
+以国泰君安 Alpha 第1号因子为例，计算方法如下：
+
+```dolphindb
+use gtja191Alpha
+open, close, vol = panel(data.tradetime, data.securityid, [data.open, data.close, data.vol])
+res = gtjaAlpha1(open, close, vol)
+
+//or you can use dictionary
+input = dict(`open`close`vol, panel(data.tradetime, data.securityid, [data.open, data.close, data.vol]))
+res = gtjaAlpha1(input.open, input.close, input.vol)
+```
+
+为了更加便于用户计算，省去查询参数这一步骤，因子计算 [辅助函数模块 gtja191Prepare.dos](helper/gtja191Prepare.dos) 提供了所需的矩阵准备函数 gtjaPrepare 和计算函数 gtjaCalAlpha#，用户可将其作为模块导入。
+
+以 gtjaAlpha 第 1 号因子为例，辅助模块内的函数如下：
+
+```dolphindb
+def gtjaPrepare(data, startTime, endTime){
+    t = select securityid, tradetime, vol, low, high, close, open, vwap, index_close, index_open from data where tradetime between startTime : endTime
+    return dict(`vol`low`high`close`open`vwap`index_close`index_open, panel(t.tradetime, t.securityid, [t.vol, t.low, t.high, t.close, t.open, t.vwap, t.index_close, t.index_open]))
+}
+
+def gtjaCalAlpha1(data, startTime, endTime){
+    input = gtjaPrepare(data, startTime, endTime)
+    return gtja191Alpha::gtjaAlpha1(input.open,input.close,input.vol)
+}
+//调用方法如下：
+use gtja191Prepare
+
+res = gtjaCalAlpha1(data, startTime, endTime)
+```
+
+**注意**：直接调用计算模块及辅助模块的整体调用方式请参考 [gtja191Alpha 模块调用脚本](/helper/gtja191AlphaRes.dos)
+
+### 2.4. 注意事项
+
+gtja191Alpha 模块中部分因子的原公式定义并不明确，gtja191Alpha 模块对这些做了一定的调整：
+
+- 因子内做 RANK(A) 或 TSRANK(A, n) 计算时，默认用百分比的形式返回排名。
+- 计算 SMA(A, n, m) 值时，取用数据A过去n天的加权平均值，其中平滑系数参数alpha=n/m。
+- 原论文中定义 SUMAC(A, n) 为计算 A 的前 n 项的累加，实际计算时与计算 SUM(A, n) 无异。
+
+## 3. 实时流计算使用范例
+
+国泰君安 191 Alpha 因子中大多数因子的实现方式都较为复杂，在流计算中，需要创建多个引擎级联完成。DolphinDB 提供了一个解析引擎 `streamEngineParser` 来代替人工创建并串联多个引擎，大大提高效率。除此之外，gtja191Alpha 模块也实现了批流一体，即做流计算时无需修改计算代码，直接在流引擎 `streamEngineParser` 中调用即可。
+
+`streamEngineParser` 解析本模块因子计算的大致逻辑如下，用户如自行写因子函数时可以做参考：
+
+1. 涉及到 row 系列函数 的计算，会解析为横截面引擎（`createCrossSectionalEngine`)。
+2. 如若计算中用到了 `rolling` 函数，会解析为时间序列聚合引擎(`createTimeSeriesEngine`)。
+3. 其余计算会解析为响应式状态引擎(`createReactiveStateEngine`)。
+
+本小节以国泰君安 Alpha 第 1 号因子为例，演示如何调用 gtja191Alpha 模块，实现流计算：
+
+1. 首先定义输入输出的表结构：
+
+   ```dolphindb
+   inputSchema = table(1:0, ["SecurityID","TradeTime","open","close","vol"], [SYMBOL,TIMESTAMP,DOUBLE,DOUBLE,DOUBLE])
+   resultStream = table(10000:0, ["SecurityID","TradeTime","factor"], [SYMBOL,TIMESTAMP,DOUBLE])
+   ```
+2. 调用 gtja191Alpha 模块，并在 `streamEngineParser` 中使用 gtjaAlpha1 函数：
+
+   ```dolphindb
+   use gtja191Alpha
+   metrics = <[SecurityID,gtjaAlpha1(open,close,vol)]>
+   streamEngine = streamEngineParser(name="gtjaAlpha1Parser", metrics=metrics, dummyTable=inputSchema, outputTable=resultStream, keyColumn="SecurityID", timeColumn=`tradetime, triggeringPattern='keyCount', triggeringInterval=4000)
+   ```
+
+   部分因子可能会创建多个引擎，可以调用 `getStreamEngineStat()` 查看总共串联了哪些引擎：
+
+   ```dolphindb
+   getStreamEngineStat()
+
+   // output
+   ReactiveStreamEngine->
+   name          user  status lastErrMsg numGroups numRows numMetrics memoryInUsed snapshotDir ...
+   ------------- ----------- ------ ---------- --------- ------- ---------- ------------ ----------- 
+   gtjaAlpha1P...guest OK                4000      84000   5          800928                   ...
+   gtjaAlpha1P...guest OK                4000      84000   2          1264872                  ...
+
+   CrossSectionalEngine->
+   name         user  status lastErrMsg   numRows numMetrics metrics      triggering...triggering......
+   ------------ -------- ------ ------------ ---------- ---------- ------------ ------------------ --------------- ---
+   gtjaAlpha1...guest OK                  4000    3          SecurityID...keyCount     4000         ...
+   ```
+3. 将数据注入引擎，即可在 resultStream 输出表中查看结果：
+
+   ```dolphindb
+   streamEngine.append!((select SecurityID, TradeTime, close, high, low from data order by TradeTime))
+   //check the result
+   res = exec factor from resultStream pivot by TradeTime, SecurityID
+   ```
+
+**注意**：完整 国泰君安 191 Alpha 流计算流程代码可查看 [国泰君安191Alpha流计算完整过程](helper/gtja191StreamTest.dos) 。
+
+## 4. 小结
+
+本文介绍了 `gtja191Alpha` 模块的用法。该模块用 DolphinDB 内置函数实现了 国泰君安 191 Alpha 因子，具有简单便捷、批流一体的特点。
+
+## 5. 附录
+
+### 5.1. 附录1-因子入参一览表
+
+| 因子序号 | 所需参数 | 因子序号 | 所需参数 | 因子序号 | 所需参数 |
+| --- | --- | --- | --- | --- | --- |
+| 15, 37, 54, 184, 185 | open, close | 119 | open,vol,vwap | 9, 68, 123 | high,low,vol |
+| 55, 107, 137, 171 | open,close,high,low | 10, 14, 18, 19, 20, 21, 22, 23, 24, 27, 31, 34, 46, 53, 58, 63, 65, 66, 67, 71, 79, 86, 88, 89, 98, 106, 112, 116, 122, 127, 129, 135, 143, 146, 147, 151, 152, 153, 157, 160, 162, 165, 166, 167, 169, 173, 174, 183, 189, 190 | close | 77, 130 | high,low,vol,vwap |
+| 140 | open,close,high,low,vol | 2, 3, 28, 47, 57, 59, 72, 78, 82, 96, 110, 126, 158, 159, 161, 164, 172, 175, 186 | close,high,low | 8, 13 | high,low,vwap |
+| 1, 136 | open,close,vol | 11, 52, 60, 111, 115, 117, 128, 150, 176, 191 | close,high,low,vol | 5, 32, 42, 62, 83, 141 | high,vol |
+| 39, 45 | open,close,vol,vwap | 114 | close,high,low,vol,vwap | 108 | high,vol,vwap |
+| 12 | open,close,vwap | 104 | close,high,vol | 103 | low |
+| 6, 187 | open,high | 101, 163, 170 | close,high,vol,vwap | 44, 61, 74, 138, 179 | low,vol,vwap |
+| 118 | open,high,low | 33, 91 | close,low,vol | 80, 81, 97, 100, 102, 145, 155, 168 | vol |
+| 56, 69 | open,high,low,vol | 4, 25, 29, 40, 43, 48, 76, 84, 85, 94, 99, 113, 134, 142, 178, 180 | close,vol | 16, 36, 70, 90, 95, 121, 132, 154 | vol,vwap |
+| 87 | open,high,low,vwap | 7, 64, 73, 92, 125, 131, 144 | close,vol,vwap | 41 | vwap |
+| 93 | open,low | 17, 26, 120, 124 | close,vwap | 30, 149, 181 | close,index\_close |
+| 156 | open,low,vwap | 38, 177 | high | 75, 182 | close,open,index\_close,index\_open |
+| 35, 105, 139, 148 | open,vol | 49, 50, 51, 109, 133, 188 | high,low |  |  |
+
+### 5.2. 附录2
+
+- [国泰君安 191 Alpha 因子模块](src/gtja191Alpha.dos)
+- [下载日频数据文件](https://www.dolphindb.cn/downloads/docs/191_data.zip)
+- [国泰君安191 Alpha 辅助模块](helper/gtja191Prepare.dos)
+- [国泰君安191Alpha流计算完整过程](helper/gtja191StreamTest.dos)
+- [gtja191Alpha 模块调用脚本](helper/gtja191AlphaRes.dos)

package/templates/claude-global/skills//346/225/260/346/215/256/345/272/223/dwy-dolphindb/references/official/modules/mytt/mytt.md

@@ -0,0 +1,456 @@
+---
+source_url: https://docs.dolphindb.cn/zh/modules/mytt/mytt.html
+fetched_at: 2026-05-19T09:50:01Z
+category: modules
+title: MyTT 指标库
+sha1: 0df993c3b4f55fc39d046ca99282c48c7d997786
+---
+
+# MyTT 指标库
+
+MyTT(My麦语言 T通达信 T同花顺)是一个简单易用的Python库，它将通达信、同花顺、文华麦语言等指标公式最简化移植到了Python中，实现的常见指标包括MACD、RSI、BOLL、ATR、KDJ、CCI、PSY等。MyTT全部基于numpy和pandas的函数进行封装。
+
+为了方便用户在DolphinDB中计算这些技术指标，我们使用DolphinDB脚本实现了MyTT中包含的指标函数，并封装在DolphinDB mytt module中。 相比于Python中的MyTT库，DolphinDB mytt module中的计算函数不仅在批处理中性能有大幅提升，而且支持DolphinDB的流式增量计算引擎，可以直接用于实时流计算场景。
+
+因为DolphinDB mytt module是基于DolphinDB V1.30.18和DolphinDB V2.00.6开发的，所以建议用户使用DolphinDB V1.30.18和DolphinDB V2.00.6及以上版本运行mytt指标库中的函数。在DolphinDB V1.30.19和DolphinDB V2.00.7支持了`BARSLAST`, `BARSLASTCOUNT`, `TOPRANGE`, `LOWRANGE`函数在流式增量计算引擎中的使用。在DolphinDB V1.30.21和DolphinDB V2.00.9中`CROSS`函数与DolphinDB内置变量名冲突，函数名修改为`CROSS_`。
+
+匹配不同DolphinDB版本的mytt module：
+
+- V1.30.18, V2.00.6: [mytt.dos](src/1.30.18or2.00.6/mytt.dos)
+- V1.30.19, V2.00.7: [mytt.dos](src/1.30.19or2.00.7/mytt.dos)
+- V1.30.21, V2.00.9: [mytt.dos](src/1.30.21or2.00.9/mytt.dos)
+
+## 1. 函数及参数的命名与用法规范
+
+- Python MyTT库中所有函数名大写，所有参数名大写，为适应使用者的使用习惯，DolphinDB mytt module中的函数名、参数、参数默认值均与MyTT保持一致。
+- 为得到有意义的计算结果，mytt中函数的参数表示时间跨度的参数均要求至少是2。
+- 由于LAST函数与DolphinDB中内置关键字冲突，mytt中将此函数命名为LAST\_。
+
+## 2. 环境配置
+
+把附件的mytt.dos放在节点的[home]/modules目录下，[home]目录由系统配置参数home决定，可以通过`getHomeDir()`函数查看。初次使用模块文件时，[home]目录没有modules目录，手动创建modules目录，然后把mytt.dos模块文件放入该目录即可。
+
+## 3. 使用范例
+
+### 3.1. 脚本中直接使用指标函数
+
+对一个向量直接使用mytt模块中的`EMA`函数（指数平滑法）进行计算：
+
+```dolphindb
+//如果未设置自动加载mytt module，新会话需要手动加载一次mytt module
+use mytt
+
+close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
+x = EMA(close, 5)
+```
+
+### 3.2. 在SQL语句中分组使用
+
+用户经常需要在数据表中对多组数据在每组内进行计算。在以下例子中，先构造了一个包含2个股票的数据表：
+
+```dolphindb
+use mytt
+
+close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72
+date = (2020.03.02 + 0..4 join 7..11).take(20)
+symbol = take(`F,10) join take(`GPRO,10)
+t = table(symbol, date, close)
+```
+
+对其中每只股票使用mytt模块中的`EMA`函数进行计算：
+
+```dolphindb
+update t set EMA = EMA(close, 5) context by symbol
+```
+
+### 3.3. 返回多个列的结果
+
+某些函数会返回多个列的结果，例如函数`BIAS`(乘离率指标)。
+
+直接使用的例子：
+
+```dolphindb
+use mytt
+
+close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
+bias1, bias2, bias3 = BIAS(close, L1 = 2, L2 = 4, L3 = 6)
+```
+
+在SQL语句中使用的例子：
+
+```dolphindb
+use mytt
+
+close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72
+date = (2020.03.02 + 0..4 join 7..11).take(20)
+symbol = take(`F,10) join take(`GPRO,10)
+t = table(symbol, date, close) 
+select *, BIAS(close, L1 = 2, L2 = 4, L3 = 6) as `bias1`bias2`bias3 from t context by symbol
+
+symbol date       close  bias1    bias2    bias3
+------ ---------- ----- -------- -------- --------
+F      2020.03.02 7.2
+F      2020.03.03 6.97 -1.623
+F      2020.03.04 7.08  0.783  
+F      2020.03.05 6.74 -2.46     -3.68
+F      2020.03.06 6.49 -1.89     -4.839    
+F      2020.03.09 5.9  -4.762    -9.958   -12.333
+F      2020.03.10 6.26  2.961    -1.378   -4.767
+F      2020.03.11 5.9  -2.961    -3.87    -7.74
+F      2020.03.12 5.35 -4.889    -8.586   -12.391
+F      2020.03.13 5.63  2.55     -2.679   -4.925
+GPRO   2020.03.02 3.81
+GPRO   2020.03.03 3.935 1.614
+GPRO   2020.03.04 4.04  1.317   
+GPRO   2020.03.05 3.74 -3.856    -3.639
+GPRO   2020.03.06 3.7  -0.538    -3.99 
+GPRO   2020.03.09 3.33 -5.263    -10.061 -11.417
+GPRO   2020.03.10 3.64  4.448     1.041  -2.435
+GPRO   2020.03.11 3.31 -4.748    -5.293  -8.732
+GPRO   2020.03.12 2.69 -10.333   -17.039 -20.921
+GPRO   2020.03.13 2.72  0.555    -11.974 -15.833
+```
+
+## 4. 函数计算性能
+
+本节将以`AVEDEV`函数为例做直接使用的性能对比，同时使用真实股票日频数据对所有函数进行分组使用性能对比。
+
+### 4.1. 直接使用性能对比
+
+在DolphinDB中：
+
+```dolphindb
+use mytt
+
+close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
+close = take(close, 100000)
+timer x = mytt::AVEDEV(close, 100)
+```
+
+对一个长度为100000的向量直接使用mytt模块中的`AVEDEV`函数，耗时为25ms。
+
+与之对应的Python代码如下：
+
+```dolphindb
+import numpy as np
+from MyTT import *
+import time
+
+close = np.array([7.2,6.97,7.08,6.74,6.49,5.9,6.26,5.9,5.35,5.63])
+close = np.tile(close,10000)
+start_time = time.time()
+x = AVEDEV(close, 100)
+print("--- %s seconds ---" % (time.time() - start_time))
+```
+
+Python MyTT库中的`AVEDEV`函数耗时为25000ms，是DolphinDB mytt module中的`AVEDEV`函数的1000倍。测试数据量越大，性能差异越显著。
+
+### 4.2. 分组使用性能对比
+
+- 测试数据为上海证券交易所2020年，全年2919个证券（筛选交易日大于120）日频交易数据，总记录数为686,104条。
+- 计算逻辑为按照股票代码进行分组计算各指标。
+- 为了测试函数计算性能，DolphinDB和Python测试代码都是单线程运行。
+- [DolphinDB测试代码](test/DolphinDBRunTime.txt)
+- [Python测试代码](test/PythonRunTime.py)
+- [下载测试数据](https://www.dolphindb.cn/downloads/docs/mytt_data.csv)
+- [Python MyTT库](test/MyTT.py)
+
+测试结果如下表所示：
+
+| 序号 | 函数 | Python（ms） | DolphinDB（ms） | 运行时间比 |
+| --- | --- | --- | --- | --- |
+| 1 | RD | 296 | 16 | 18 |
+| 2 | RET | 243 | 13 | 18 |
+| 3 | ABS | 229 | 15 | 15 |
+| 4 | LN | 253 | 25 | 10 |
+| 5 | POW | 311 | 30 | 10 |
+| 6 | SQRT | 248 | 19 | 13 |
+| 7 | MAX | 390 | 34 | 11 |
+| 8 | MIN | 373 | 29 | 12 |
+| 9 | IF | 282 | 21 | 13 |
+| 10 | REF | 740 | 17 | 43 |
+| 11 | DIFF | 662 | 22 | 30 |
+| 12 | STD | 1,263 | 24 | 98 |
+| 13 | SUM | 1,297 | 22 | 58 |
+| 14 | CONST | 258 | 22 | 11 |
+| 15 | HHV | 1,207 | 30 | 40 |
+| 16 | LLV | 1,218 | 31 | 39 |
+| 17 | HHVBARS | 2,952 | 41 | 72 |
+| 18 | LLVBARS | 2,878 | 38 | 75 |
+| 19 | MA | 1,220 | 24 | 50 |
+| 20 | EMA | 1,171 | 26 | 45 |
+| 21 | SMA | 1,199 | 28 | 42 |
+| 22 | WMA | 4,322 | 20 | 216 |
+| 23 | DMA | 1,123 | 27 | 41 |
+| 24 | AVEDEV | 176,652 | 32 | 5,520 |
+| 25 | SLOPE | 53,703 | 29 | 1,851 |
+| 26 | FORCAST | 60,321 | 38 | 1,587 |
+| 27 | LAST | 4,132 | 38 | 108 |
+| 28 | COUNT | 1,249 | 20 | 62 |
+| 29 | EVERY | 1,267 | 28 | 45 |
+| 30 | EXIST | 1,490 | 22 | 67 |
+| 31 | BARSLAST | 559 | 18 | 31 |
+| 32 | BARSLASTCOUNT | 607 | 17 | 35 |
+| 33 | CROSS\_ | 2,088 | 80 | 26 |
+| 34 | LONGCROSS | 6,019 | 94 | 64 |
+| 35 | VALUEWHEN | 968 | 27 | 35 |
+| 36 | BETWEEN | 489 | 42 | 11 |
+| 37 | TOPRANGE | 3,647 | 37 | 99 |
+| 38 | LOWRANGE | 3,703 | 36 | 103 |
+| 39 | MACD | 3,060 | 86 | 35 |
+| 40 | KDJ | 4,705 | 144 | 32 |
+| 41 | RSI | 2,539 | 103 | 24 |
+| 42 | WR | 5,632 | 166 | 33 |
+| 43 | BIAS | 5,318 | 135 | 39 |
+| 44 | BOLL | 3,067 | 90 | 34 |
+| 45 | PSY | 2,596 | 82 | 31 |
+| 46 | CCI | 163,681 | 76 | 2,153 |
+| 47 | ATR | 2,281 | 101 | 22 |
+| 48 | BBI | 3,667 | 66 | 55 |
+| 49 | DMI | 6,181 | 250 | 24 |
+| 50 | TAQ | 2,292 | 64 | 35 |
+| 51 | KTN | 3,170 | 164 | 19 |
+| 52 | TRIX | 4,329 | 97 | 44 |
+| 53 | VR | 2,732 | 117 | 23 |
+| 54 | EMV | 4,437 | 132 | 33 |
+| 55 | DPO | 2,455 | 59 | 41 |
+| 56 | BRAR | 4,909 | 156 | 31 |
+| 57 | DFMA | 2,890 | 52 | 55 |
+| 58 | MTM | 1,659 | 43 | 38 |
+| 59 | MASS | 4,602 | 99 | 46 |
+| 60 | ROC | 2,000 | 63 | 31 |
+| 61 | EXPMA | 1,900 | 49 | 38 |
+| 62 | OBV | 1,790 | 94 | 19 |
+| 63 | MFI | 3,488 | 158 | 22 |
+| 64 | ASI | 4,173 | 316 | 13 |
+
+从测试结果分析可知：
+
+- DolphinDB mytt module 中的函数计算性能远远超过 Python MyTT 库，最大的性能差距达到 5520 倍，普遍性能差距在 30 倍左右。
+
+**Python pandas测试核心代码**
+
+```dolphindb
+data.groupby("symbol").apply(lambda x: RSI(np.array(x.close), N = 24))
+```
+
+**DolphinDB测试核心代码**
+
+```dolphindb
+RSI = select symbol, tradedate, mytt::RSI(close, N=24) as `RSI from data context by symbol
+```
+
+## 5. 正确性验证
+
+基于分组使用性能对比中的测试数据和代码，验证 DolphinDB mytt module 中函数的计算结果是否和 Python MyTT 库一致。
+
+### 5.1. 浮点数精度问题
+
+**结果有差异的函数**
+
+- `CROSS_, LONGCROSS`
+
+**原因**
+
+- 浮点数精度问题
+- 对于CROSS\_和LONGCROSS函数，在浮点数比较上，DolphinDB mytt module中的处理比Python MyTT库更加严谨。DolphinDB mytt module中首先会对浮点数round保留小数点后6位，然后再进行大小判断，而MyTT中并没有类似处理，因此对于相同大小的浮点数，Python的判别可能会出错，如下图所示：
+
+  
+![](images/python_compare.png)
+
+### 5.2. NULL 值的处理
+
+**结果有差异的函数**
+
+- `SUM, DMI, EMV, MASS, MFI, ASI`
+
+**原因**：
+
+- 若输入向量开始包含空值，则从第一个非空位置开始计算。DolphinDB mytt module与Python MyTT库的计算规则一致。
+- 对一个滚动/累积窗口长度为k的函数，每组最初的(k-1)个位置的结果均为空。DolphinDB mytt module与Python MyTT库的计算规则一致。
+- 对一个滚动/累积窗口长度为k的函数，若一组中第一个非空值之后再有空值，Python MyTT库会对包含nan的窗口计算结果都处理为nan。DolphinDB mytt module会对窗口内非NULL的元素按计算规则计算，得到一个非NULL的计算结果。
+
+DolphinDB 代码与结果：
+
+```dolphindb
+close = [99.9, NULL, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67]
+mytt::SUM(close, 5);
+
+[,,,,276.87, 260.27, 357.53, 371.51]
+```
+
+Python 代码与结果：
+
+```dolphindb
+close = np.array([99.9, np.nan, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67])
+MyTT.SUM(close,5)
+
+array([nan, nan, nan, nan, nan,  nan, 357.53, 371.51])
+```
+
+以滑动窗口求和为例，close向量的第2个元素为空值，DolphinDB mytt module在计算第5个元素（60.9）时，回看过去5个窗口内的数据`[99.9, NULL, 84.69, 31.38, 60.9]`，对非NULL的元素求和，所以结果向量的第5个元素为276.87。
+
+Python MyTT库会对包含nan的窗口计算结果都处理为nan，所以结果向量的前6个元素都为nan。
+
+除上述因为浮点数精度问题和NULL值的处理问题导致计算结果存在差异外，其余函数计算结果的百分比误差均小于1e-10。
+
+### 5.3. TOPRANGE、LOWRANGE 计算结果差异问题
+
+TOPRANGE函数是统计S序列的某个元素是近多少周期内的最大值，`TOPRANGE(High)`表示创多少日新高。
+
+mytt模块中的TOPRANGE函数与MyTT中的TOPRANGE函数在头部数据的计算中有差异，如下图所示，High序列`16.95, 17.31, 17.34`其TOPRANGE分别为创`0日新高，1日新高，2日新高`。MyTT在数据先下降再上升之后才开始统计创多少日新高，而mytt模块则从数据头部就开始统计创多少日新高。从而造成数据头部的计算结果会有差异。
+
+  
+![](images/toprangelowrange.png)  
+
+LOWRANGE函数与上述情况相同。
+
+## 6. 实时流计算案例
+
+在DolphinDB V1.30.3 中发布的响应式状态引擎（`createReactiveStateEngine`）是许多金融场景流批统一计算中的重要构件，DolphinDB mytt module在开发时就对其做了适配，使得mytt模块中的大部分函数可以在响应式状态引擎中实现增量计算。
+
+- 无需支持在响应式状态引擎的中使用的函数：`RET, CONST`。
+- 所有mytt中的**技术指标函数**均支持增量计算。
+
+示例代码如下：
+
+```dolphindb
+def cleanEnvironment(){
+	try{ unsubscribeTable(tableName="snapshotStream",actionName="aggr1min") } catch(ex){ print(ex) }
+	try{ dropStreamEngine("myttReactiveStateEngine") } catch(ex){ print(ex) }
+	try{ dropStreamEngine("aggr1min") } catch(ex){ print(ex) }
+	try{ dropStreamTable(`snapshotStream) } catch(ex){ print(ex) }
+	try{ dropStreamTable(`outputTable) } catch(ex){ print(ex) }
+	undef all
+}
+cleanEnvironment()
+go
+
+//load modules
+use mytt
+
+//define stream table
+name = `tradetime`SecurityID`high`low`open`close`vol
+type = `TIMESTAMP`SYMBOL`DOUBLE`DOUBLE`DOUBLE`DOUBLE`INT
+share streamTable(100:0, name, type) as snapshotStream
+name = `SecurityID`tradetime`K`D`J`DIF`DEA`MACD`UPPER`MID`LOWER`ROC`MAROC
+type = `SYMBOL`TIMESTAMP`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE
+share streamTable(1000000:0, name, type) as outputTable
+
+//register stream computing engine
+reactiveStateMetrics=<[
+    tradetime,
+    mytt::KDJ(close, high, low, N=9, M1=3, M2=3) as `K`D`J,
+    mytt::MACD(close, SHORT_=12, LONG_=26, M=9) as `DIF`DEA`MACD,
+    mytt::KTN(close, high, low, N=20, M=10) as `UPPER`MID`LOWER,
+    mytt::ROC(close, N=12, M=6) as `ROC`MAROC
+]>
+
+createReactiveStateEngine("myttReactiveStateEngine", metrics=reactiveStateMetrics, dummyTable=snapshotStream, outputTable=outputTable, keyColumn=`SecurityID, keepOrder=true)
+
+createTimeSeriesEngine(name="aggr1min", windowSize=60000, step=60000, metrics=<[first(open),max(high),min(low),last(close),sum(vol)]>, dummyTable=snapshotStream, outputTable=getStreamEngine("myttReactiveStateEngine"), timeColumn=`tradetime, useWindowStartTime=true, keyColumn=`SecurityID)
+
+subscribeTable(tableName="snapshotStream", actionName="aggr1min", offset=-1, handler=getStreamEngine("aggr1min"), msgAsTable=true, batchSize=2000, throttle=1, hash=0, reconnect=true)
+```
+
+## 7. DolphinDB mytt 指标列表
+
+### 7.1. 核心工具函数
+
+| **函数** | **语法** | **解释** |
+| --- | --- | --- |
+| RD | RN(N, D = 3) | 四舍五入取3位小数 |
+| RET | RET(S, N = 1) | 返回序列`倒数第N个值`，默认返回最后一个 |
+| ABS | ABS(S) | 返回序列或数值S的绝对值 |
+| LN | LN(S) | 求序列S底是e的自然对数 |
+| POW | POW(S, N) | 求序列S的N次方 |
+| SQRT | SQRT(S) | 求序列S的平方根 |
+| MAX | MAX(S1, S2) | 配对比较两个序列，给出比较以后大的序列 |
+| MIN | MIN(S1, S2) | 配对比较两个序列，给出比较以后小的序列 |
+| IF | IF(S, A, B) | 序列布尔判断，if S == True return A else B |
+| REF | REF(S, N = 1) | 对序列整体下移动N个单位，返回平移后的序列，会产生NAN |
+| DIFF | DIFF(S, N = 1) | 序列S的前一个值减后一个值，序列头部会产生NAN |
+| STD | STD(S, N) | 求序列S的滚动N日标准差，返回滚动标准差序列 |
+| SUM | SUM(S, N) | 对序列S求滚动N日总和 |
+| CONST | CONST(S) | 返回序列S最后一个值组成常量序列 |
+| HHV | HHV(S, N) | 求序列S的滚动N日最大值，返回滚动最大值序列 |
+| LLV | LLV(S, N) | 求序列S的滚动N日最小值，返回滚动最小值序列 |
+| HHVBARS | HHVBARS(S, N) | 求序列S的滚动N期内最高值到当前的天数, 返回距离天数序列 |
+| LLVBARS | LLVBARS(S, N) | 求序列S的滚动N期内最低值到当前的天数, 返回距离天数序列 |
+| MA | MA(S, N) | 求序列S的N日简单移动平均值，返回移动平均序列 |
+| EMA | EMA(S, N) | 求序列S的指数移动平均，为了精度，S>4\*N，EMA至少需要120周期alpha = 2/(span+1) |
+| SMA | SMA(S, N, M = 1) | 中国式的SMA，至少需要120周期才精确 (雪球180周期)，alpha = 1/(1+N) |
+| WMA | WMA(S, N) | 求S序列S的N日加权移动平均，`Yn = (1*X1+2*X2+3*X3+...+n*Xn)/(1+2+3+...+n)` |
+| DMA | DMA(S, A) | 求S的动态移动平均，A作平滑因子，必须 0 < A < 1 |
+| AVEDEV | AVEDEV(S, N) | 求序列S的滚动平均绝对偏差 |
+| SLOPE | SLOPE(S, N) | 求序列S的滚动N周期内的线性回归模型的斜率 |
+| FORCAST | FORCAST(S, N) | 求序列S的滚动N周期内的线性回归模型的预测值 |
+| LAST\_ | LAST\_(S, A, B) | BOOL型判断，从前A日到前B日一直满足BOOL条件，要求A > B & A > 0 & B >= 0 |
+
+### 7.2. 应用层函数(通过核心工具函数实现）
+
+| **函数** | **语法** | **解释** |
+| --- | --- | --- |
+| COUNT | COUNT(S, N) | 序列S是BOOL型，求最滚动N天内满足BOOL为True的天数 |
+| EVERY | EVERY(S, N) | 序列S是BOOL型，求最滚动N天内`全部`满足BOOL为True的天数 |
+| EXIST | EXIST(S, N) | 序列S是BOOL型，判断最滚动N天内`是否存在`满足BOOL为True |
+| BARSLAST | BARSLAST(S) | 序列S是BOOL型，统计上一次条件成立到当前的周期 |
+| BARSLASTCOUNT | BARSLASTCOUNT(S) | 序列S是BOOL型，统计连续满足条件的周期数 |
+| BARSSINCEN | BARSSINCEN(S, N) | 序列S是BOOL型，统计滚动周期N内第一次满足条件到当前的周期数 |
+| CROSS\_ | CROSS\_(S1, S2) | 判断两个序列是否交叉的函数，判断向上金叉穿越 CROSS\_(MA(C,5),MA(C,10)) ，判断向下死叉穿越 CROSS\_(MA(C,10),MA(C,5)) |
+| LONGCROSS | LONGCROSS(S1, S2, N) | 判断两个序列是否在个持一定周期后再交叉的函数，判断两个序列是否再个持N周期后再交叉，N = 1时等同于CROSS\_(S1, S2) |
+| VALUEWHEN | VALUEWHEN(S, X) | 解决当S条件成立时,取X的当前值,否则取S的上个成立时对应的X值 |
+| BETWEEN | BETWEEN(S, A, B) | 判断S序列是否介于A和B之间的函数，当S处于A和B之间时为真，包括 A<S<B 或 A>S>B |
+| TOPRANGE | TOPRANGE(S) | 统计S序列的某个元素是近多少周期内的最大值 |
+| LOWRANGE | LOWRANGE(S) | 统计S序列的某个元素是近多少周期内的最小值 |
+
+### 7.3. 技术指标函数(全部通过核心工具和应用函数实现）
+
+| **函数** | **语法** | **解释** |
+| --- | --- | --- |
+| MACD | MACD(CLOSE, SHORT = 12, LONG = 26, M = 9) | 平滑异同平均线 |
+| KDJ | KDJ(CLOSE, HIGH, LOW, N = 9, M1 = 3, M2 = 3) | KDJ指标 |
+| RSI | RSI(CLOSE, N = 24) | RSI指标,和通达信小数点2位相同 |
+| WR | WR(CLOSE, HIGH, LOW, N = 10, N1 = 6) | W&R 威廉指标 |
+| BIAS | BIAS(CLOSE, L1 = 6, L2 = 12, L3 = 24) | BIAS乖离率 |
+| BOLL | BOLL(CLOSE, N = 20, P = 2) | BOLL指标，布林带 |
+| PSY | PSY(CLOSE, N = 12, M = 6) | PSY指标，心理线 |
+| CCI | CCI(CLOSE, HIGH, LOW, N = 14) | CCI指标，顺势线 |
+| ATR | ATR(CLOSE, HIGH, LOW, N = 20) | 真实波动N日平均值 |
+| BBI | BBI(CLOSE, M1 = 3, M2 = 6, M3 = 12, M4 = 20) | BBI多空指标 |
+| DMI | DMI(CLOSE, HIGH, LOW, M1 = 14, M2 = 6) | DMI动向指标 |
+| TAQ | TAQ(HIGH, LOW, N) | 唐安奇通道(海龟)交易指标 |
+| KTN | KTN(CLOSE, HIGH, LOW, N = 20, M = 10) | 肯特纳交易通道 |
+| TRIX | TRIX(CLOSE, M1 = 12, M2 = 20) | 三重指数平滑平均线 |
+| VR | VR(CLOSE, VOL, M1 = 26) | VR容量比率 |
+| EMV | EMV(HIGH, LOW, VOL, N = 14, M = 9) | EMV简易波动指标 |
+| DPO | DPO(CLOSE, M1 = 20, M2 = 10, M3 = 6) | 区间震荡线 |
+| BRAR | BRAR(OPEN, CLOSE, HIGH, LOW, M1 = 26) | BRAR-ARBR 情绪指标 |
+| DFMA | DFMA(CLOSE, N1 = 10, N2 = 50, M = 10) | DFMA平行线差指标 |
+| MTM | MTM(CLOSE, N = 12, M = 6) | MTM动量指标 |
+| MASS | MASS(HIGH, LOW, N1 = 9, N2 = 25, M = 6) | 梅斯线 |
+| ROC | ROC(CLOSE, N = 12, M = 6) | 变动率指标 |
+| EXPMA | EXPMA(CLOSE, N1 = 12, N2 = 50) | 指数平均数指标 |
+| OBV | OBV(CLOSE, VOL) | 能量潮指标 |
+| MFI | MFI(CLOSE, HIGH, LOW, VOL, N = 14) | MFI资金流量 |
+| ASI | ASI(OPEN, CLOSE, HIGH, LOW, M1 = 26, M2 = 10) | 振动升降指标 |
+
+## 8. 路线图（Road Map）
+
+- 长期保持对Python MyTT包的同步更新。
+
+## 9. 附件
+
+- V1.30.18, V2.00.6: [mytt.dos](src/1.30.18or2.00.6/mytt.dos)
+- V1.30.19, V2.00.7: [mytt.dos](src/1.30.19or2.00.7/mytt.dos)
+- [DolphinDB测试代码](test/DolphinDBRunTime.txt)
+- [Python测试代码](test/PythonRunTime.py)
+- [下载测试数据](https://www.dolphindb.cn/downloads/docs/mytt_data.csv)
+- [Python MyTT库](test/MyTT.py)
+
+**计算性能测试环境**
+
+- CPU类型：Intel(R) Core(TM) i7-7700 CPU @ 3.60GHz 3.60 GHz
+- 逻辑CPU总数：8
+- 内存：32GB
+- OS：Windows 10