在金融量化交易场景中，每天都会产生大量的交易记录和交易信息需要存储，同时对数据也有较高要求的查询需求，整体需求概括起来就是历史数据的存储、实时数据的接收以及数据的监控和分析。对于这类有典型时序特征的数据，很多企业在业务初期选择了团队熟悉的 HBase、MySQL、MongoDB 等数据库。但是随着业务的快速发展，这些数据库已经无法满足大体量数据的写入、存储、分析监控等业务需求。
为了帮助一众金融企业寻找到合适的数据库解决方案，我们汇总了几个比较有代表性的企业客户案例，希望他们的相关实践经验应该能够给到行业从业者一些解决思路。
TDengine x 同花顺
“目前从大数据监控这个场景看，TDengine 在成本、性能和使用便利性方面都显示出非常大的优势，尤其是在节省成本方面给我们带来了很大惊喜。在预研和项目落地过程中，涛思数据的工程师也提供了专业、及时的帮助，后续我们也将在同花顺的更多场景中尝试应用 TDengine。”
业务背景
同花顺每天需要接收海量交易所行情数据，确保行情数据的数据准确。但由于该部分数据过于庞大，而且使用场景颇多，每天会产生很多的加工数据，整个系统除了对实时数据的读写性能及延时有较高要求外，还需要聚焦历史日级别数据做投资组合的各种分析，在整个分析过程中，涉及巨量的数据集，这对历史数据库的读写性能也提出了很高的要求。之前采用的 Postgres+LevelDB 数据存储方案，除了依赖多、稳定性较差外，性能方面也无法满足需求（点击下方案例链接获取具体业务痛点问题）。通过对 ClickHouse、InfluxDB、TDengine 等时序数据存储方案的调研，最终其选择了 TDengine。
架构图
