在股票市场港股通是指内地投资者通过境外交易平台购买香港股票的机制。随着中国资本市场的开放和香港作为国际金融中心的地位不断提升，港股通交易逐渐成为内地投资者获取海外投资机会的重要途径之一。在进行港股通交易时，了解和掌握交易时间是至关重要的，因为这直接影响到投资者能否抓住每一个投资机遇。

近年来，港股通交易时间经历了一系列调整和修订，以满足市场需求和推动更高效的交易。首先，我们来看一下目前的港股通交易时间安排。

港股通交易时间分为两个部分：开市前竞价和正常交易时段。开市前竞价时间是指在正式开市前的一段时间内，投资者可以参与竞价交易。具体来说，开市前竞价时间从早上9:00开始，持续到9:30，为期30分钟。这段时间内，投资者可以提交委托订单，但无法立即成交。

正常交易时段则是指正式的交易时间，也是投资者最为熟悉和活跃的阶段。目前，港股通的正常交易时段分为上午和下午两个部分。上午交易时段从早上9:30开始，持续到中午12:00，为期2.5小时。而下午交易时段则从下午1:00开始，持续到下午4:00，同样为期2.5小时。整个正常交易时段共计5个小时。

1、交易日的9:00-9:30为开市前时段(集合竞价):

（1）9:00-9:15:

接受竞价限价盘申报(通过“竞价限价盘”方式申报，可申报，可撤单):

（2）9:15-9:30:

不接受申报。

2、交易日的9:30-12:00、13:00-16:00为持续交易时段(连续竞价):

接受“增强限价盘”方式申报，可申报，可撤单。

3、交易日的16:00-16:10(或半日市的12:00-12:10)收市竞价交易阶段:

通过“竞价限价盘”方式申报。

温馨提示:

1、对未成交的委托，可撤单的时间为:9:00-9:15、9:30-12:00、12:30-16:00、16:01-16:06。

2、港股通的交易日:当天沪深交易所及港交所两地同时为交易日和结算日确认为港股通的交易日。

需要注意的是，港股通与香港本地投资者的交易时间是一致的，也就是说，内地投资者可以在相同的时间内进行交易。这也为内地投资者提供了更便利的投资环境，使他们能够与香港投资者同时参与市场交易。

以下是我所接触的一家AA级券商，股票万0.86，两融5%（线上预约，足不出户办理）港股通万1，具体费率详情如下：

1、提高资金使用效率

港股通交易时间的合理安排有助于提高资金使用效率。在A股市场，由于交易时间的限制，投资者在非交易时间无法进行买卖操作。而在港股通交易时间内，投资者可以随时进行买卖操作，提高了资金的使用效率。

2、增加投资机会

港股通交易时间的合理安排为投资者提供了更多的投资机会。在A股市场，由于交易时间的局限性，投资者可能无法及时把握市场的变化。而在港股通交易时间内，投资者可以随时关注市场动态，抓住每一个投资机会。

3、降低投资风险

港股通交易时间的合理安排有助于降低投资风险。在A股市场，由于交易时间的限制，投资者在非交易时间无法进行买卖操作，可能导致投资风险的增加。而在港股通交易时间内，投资者可以随时进行买卖操作，有助于降低投资风险。

1、关注市场动态

投资者应密切关注港股通交易时间内的市场动态，以便及时了解市场变化。此外，还应关注国际市场的动态，以便更好地把握全球市场的走势。

2、合理分配资金

投资者应根据自身的投资目标和风险承受能力，合理分配资金。在港股通交易时间内，投资者可以根据实际情况，灵活调整资金投入和撤出的时机。

3、选择合适的投资标的

投资者应根据自身的投资目标和风险承受能力，选择合适的投资标的。在港股通交易时间内，投资者可以关注具有较高投资价值的上市公司，以便更好地实现投资收益。

4、注重风险管理

投资者在进行港股通交易时，应注重风险管理。在交易过程中，应设置合理的止损点，以控制投资风险。同时，还应关注市场的风险因素，以便及时调整投资策略。

港股通交易时间是内地投资者抓住每一个投资机遇的关键。通过了解和掌握交易时间，投资者可以更好地参与市场，及时获取市场信息，并在合适的时机进行交易。然而，投资者在进行港股通交易时，还需要注意相关的风险和费用，并遵守监管要求。只有全面了解和准确把握交易时间以及相关规则，才能在港股市场中实现更好的投资效果。

有任何问题欢迎私信、评论，随时在线回复~

流数据实时关联在金融业务场景中非常常见，对流数据实时融合，可以使因子指标计算更高效，也能满足更丰富的信息输出需求。DolphinDB 提供了多种流数据连接引擎，用户直接调用即可实现流数据实时关联。

这里我们罗列了一下用户经常会用到的一些场景：

- 根据行情快照和逐笔成交数据实时计算复杂高频因子；

- 在逐笔成交数据的基础上丰富委托信息并实时输出；

- 根据逐笔成交数据实时匹配最近一次报价；

- 对多个数据源降频采样，计算分钟指标并将结果关联到同一张表中；

- 根据快照数据实时匹配股票历史日频指标；

- 实时计算股票与某指数的分钟收益率相关性。

上一期中，我们为大家介绍了如何使用 window join 将行情快照和逐笔成交数据进行关联分析。本期会有什么样的场景应用呢？快来看看吧~

有成交数据了，想关联原始委托数据怎么办？

我们知道，逐笔成交数据中包含了买卖双方的原始委托订单号，理论上来说，通过股票代码和订单号，就可以关联到逐笔委托数据，从而在成交数据的基础上丰富原始委托信息。

具体来说，对于每条逐笔成交数据，我们都要找到对应的委托单，然后将结果与逐笔成交记录一一对应输出。在找到对应的委托单前，该条逐笔成交记录暂时不输出。

在 DolphinDB 中，可以用两个 Left Semi Join 引擎级联的方式，对成交表 trades 中的卖方委托单、买方委托单依次进行关联。

大家可以前往知乎搜索DolphinDB，查看引擎级联更详细的介绍。

// create table share streamTable(1:0, `Sym`BuyNo`SellNo`TradePrice`TradeQty`TradeTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME]) as trades share streamTable(1:0, `Sym`OrderNo`Side`OrderQty`OrderPrice`OrderTime, [SYMBOL, LONG, INT, LONG, DOUBLE, TIME]) as orders share streamTable(1:0, `Sym`SellNo`BuyNo`TradePrice`TradeQty`TradeTime`BuyOrderQty`BuyOrderPrice`BuyOrderTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME, LONG, DOUBLE, TIME]) as outputTemp share streamTable(1:0, `Sym`BuyNo`SellNo`TradePrice`TradeQty`TradeTime`BuyOrderQty`BuyOrderPrice`BuyOrderTime`SellOrderQty`SellOrderPrice`SellOrderTime, [SYMBOL, LONG, LONG, DOUBLE, LONG, TIME, LONG, DOUBLE, TIME, LONG, DOUBLE, TIME]) as output // create engine: left join buy order ljEngineBuy=createLeftSemiJoinEngine(name="leftJoinBuy", leftTable=outputTemp, rightTable=orders, outputTable=output, metrics=<[SellNo, TradePrice, TradeQty, TradeTime, BuyOrderQty, BuyOrderPrice, BuyOrderTime, OrderQty, OrderPrice, OrderTime]>, matchingColumn=[`Sym`BuyNo, `Sym`OrderNo]) // create engine: left join sell order ljEngineSell=createLeftSemiJoinEngine(name="leftJoinSell", leftTable=trades, rightTable=orders, outputTable=getLeftStream(ljEngineBuy), metrics=<[BuyNo, TradePrice, TradeQty, TradeTime, OrderQty, OrderPrice, OrderTime]>, matchingColumn=[`Sym`SellNo, `Sym`OrderNo]) // subscribe topic subscribeTable(tableName="trades", actionName="appendLeftStream", handler=getLeftStream(ljEngineSell), msgAsTable=true, offset=-1) subscribeTable(tableName="orders", actionName="appendRightStreamForSell", handler=getRightStream(ljEngineSell), msgAsTable=true, offset=-1) subscribeTable(tableName="orders", actionName="appendRightStreamForBuy", handler=getRightStream(ljEngineBuy), msgAsTable=true, offset=-1)

构造数据写入作为原始输入的 2 个流数据表：

// generate data: trade t1 = table(`A`B`B`A as Sym, [2, 5, 5, 6] as BuyNo, [4, 1, 3, 4] as SellNo, [7.6, 3.5, 3.5, 7.6]as TradePrice, [10, 100, 20, 50]as TradeQty, 10:00:00.000+(400 500 500 600) as TradeTime) // generate data: order t2 = table(`B`A`B`A`B`A as Sym, 1..6 as OrderNo, [2, 1, 2, 2, 1, 1] as Side, [100, 10, 20, 100, 350, 50] as OrderQty, [7.6, 3.5, 7.6, 3.5, 7.6, 3.5] as OrderPrice, 10:00:00.000+(1..6)*100 as OrderTime) // input data orders.append!(t2) trades.append!(t1)

输入数据与关联关系如下：

通过两个 Left Semi Join 引擎，上图中 trades 数据流中的每一条记录将分别和 orders 数据流中的两条记录关联，进而取得 orders 中的委托量、价、时间等字段，关联得到的结果表 output 如下：

有成交数据了，怎么实时匹配最近一次报价？

因为逐笔成交数据和报价数据的发生时间不可能完全一致，所以这两张数据表不能使用常用的等值连接。在计算个股交易成本时，往往需要以成交时间为基准，找到交易发生前的最近一次报价数据，因此需要以邻近匹配的方式关联两个数据流。

这个场景的特征是，每条成交记录匹配一条时刻早于自己的报价记录，输出与原始的每一条成交记录一一对应。

在 DolphinDB 中，我们可以用 Asof Join 引擎来实现此场景：

// create table share streamTable(1:0, `Sym`TradeTime`TradePrice, [SYMBOL, TIME, DOUBLE]) as trades share streamTable(1:0, `Sym`Time`Bid1Price`Ask1Price, [SYMBOL, TIME, DOUBLE, DOUBLE]) as snapshot share streamTable(1:0, `TradeTime`Sym`TradePrice`TradeCost`SnapshotTime, [TIME, SYMBOL, DOUBLE, DOUBLE, TIME]) as output // create engine ajEngine = createAsofJoinEngine(name="asofJoin", leftTable=trades, rightTable=snapshot, outputTable=output, metrics=<[TradePrice, abs(TradePrice-(Bid1Price+Ask1Price)/2), snapshot.Time]>, matchingColumn=`Sym, timeColumn=`TradeTime`Time, useSystemTime=false, delayedTime=1000) // subscribe topic subscribeTable(tableName="trades", actionName="appendLeftStream", handler=getLeftStream(ajEngine), msgAsTable=true, offset=-1, hash=0) subscribeTable(tableName="snapshot", actionName="appendRightStream", handler=getRightStream(ajEngine), msgAsTable=true, offset=-1, hash=1)

构造数据写入作为原始输入的 2 个流数据表，先写入右表，再写入左表：

// generate data: trade t1 = table(`A`A`B`A`B`B as Sym, 10:00:02.000+(1..6)*700 as TradeTime, (3.4 3.5 7.7 3.5 7.5 7.6) as TradePrice) // generate data: snapshot t2 = table(`A`B`A`B as Sym, 10:00:00.000+(3 3 6 6)*1000 as Time, (3.5 7.6 3.5 7.6) as Bid1Price, (3.5 7.6 3.6 7.6) as Ask1Price) // input data snapshot.append!(t2) trades.append!(t1)

输入数据与关联关系如下：

关联得到的结果表 output 如下，左表中全部 7 条数据都有对应的输出。本例中，在创建引擎时指定了 delayTime 参数，因此对于分组 B ，即使右表 snapshot 中没有比 10:00:06.200 更大的时间戳， 右表 trades 中最后一条数据(B,10:00:06.200, 7.6) 仍然能够在注入引擎 2s 后强制输出。

下期预告

Equal Join & Lookup Join ...

上一篇：上证指数(江特电机股票股吧)

下一篇：同花顺手机炒股(牛股宝手机炒股)