DolphinDB 的响应式状态引擎（Reactive State Engine），接收一个在历史数据上经过验证的 DolphinDB 因子代码，应用于实时行情数据，输出实时因子值，实现了高频因子流批一体的解决方案。具体教程请参考DolphinDB 响应式状态引擎介绍
如上“快照数据的因子计算”节中基于快照历史行情数据计算的时间加权订单斜率、成交价加权净委买比例、十档委买增额和十档买卖委托均价线性回归斜率因子表达式，将这些因子直接代入响应式状态引擎，以实现对流数据的实时因子计算。
在基于历史数据批量计算加权平均订单失衡率因子的表达式中，在进行因子标准化处理时，使用了迭代的算法（当前标准差很小时，使用上一标准化的因子值），这类因子在流式计算时需要改为流式引擎计算支持的表达式。而其它的高频因子计算中没有涉及迭代算法，可以直接代入流式表达式进行实时因子计算。
十档平均委卖订单斜率因子流式计算实现如下：
@state
def wavgSOIRStream(bidQty,askQty,lag=20){
Imbalance_=rowWavg((bidQty-askQty)\(bidQty+askQty),
10 9 8 7 6 5 4 3 2 1)
Imbalance= ffill(Imbalance_).nullFill(0)
mean = mavg(prev(Imbalance), (lag-1), 2)
std = mstdp(prev(Imbalance) *1000000, (lag-1),2) \ 1000000
factorValue = conditionalIterate(std >= 0.0000001,
(Imbalance - mean) \ std, cumlastNot)
return ffill(factorValue).nullFill(0)
}把批计算中的 iif(std >= 0.0000001,(Imbalance - mean) \ std, NULL) 改为 conditionalIterate(std >= 0.0000001,(Imbalance - mean) \ std, cumlastNot)。
conditionalIterate 函数只适用于响应式状态引擎，通过条件迭代实现因子中的递归逻辑。假设该函数计算结果对应输出表的列为 factor，且迭代仅基于前一个值，对于第 k 条记录（k = 0, 1, 2 …），其计算逻辑为：
cond[k] == true：factor[k] = trueValuecond[k] == false：factor[k] = falseIterFunc(factor)[k-1]基于Level-2 行情快照数据的高频因子流式计算脚本如下：
metrics = array(ANY, 5)
metrics[0]=
metrics[1] =
metrics[2] =
metrics[3] =
metrics[4] =
share streamTable(1:0, `SecurityID`DateTime`BidPrice`OfferPrice`BidOrderQty`OfferOrderQty`TotalValueTrade`TotalVolumeTrade, [STRING,TIMESTAMP,DOUBLE[],DOUBLE[],DOUBLE[],DOUBLE[],INT,INT]) as Streamdata
result = table(1000:0, `SecurityID`DateTime`TimeWeightedOrderSlope`Level10_InferPriceTrend`TraPriceWeightedNetBuyQuoteVolumeRatio`height_Imbalance, [STRING,TIMESTAMP,DOUBLE,DOUBLE,DOUBLE,DOUBLE])
rse = createReactiveStateEngine(name="reactiveDemo", metrics =metrics, dummyTable=Streamdata, outputTable=result, keyColumn="SecurityID")
subscribeTable(tableName=`Streamdata, actionName="factors", handler=tableInsert{rse})
snapshotTB=select* from loadTable("dfs://TSDB_snapshot","snapshot") where date(TradeTime)=2022.04.14 and SecurityID in [`600000,`000001]
data1=select SecurityID,TradeTime as DateTime,BidPrice,OfferPrice,BidOrderQty,OfferOrderQty,TotalValueTrade,TotalVolumeTrade from snapshotTB
Streamdata.append!(data1)
流式计算输出结果展示：
华硕R454LJ笔记本电脑的性能与特点（性能卓越，轻薄便携的理想选择）
不甘心的意思