TimescaleDB vs ClickHouse tick 级行情存储性能压测：百万行写入谁更快？

在开始正文之前，先聊聊最近一次让我肉疼的账单：上个月我跑了一套高频因子回测 pipeline，单是让 GPT-4.1 帮我归类新闻舆情、让 Claude Sonnet 4.5 复盘策略逻辑，一个月 100 万 token 的账单就出来了。GPT-4.1 output $8/MTok、Claude Sonnet 4.5 output $15/MTok、Gemini 2.5 Flash output $2.50/MTok、DeepSeek V3.2 output $0.42/MTok——同样 100 万 token，Claude 一个月 $15，DeepSeek V3.2 一个月 $0.42，差距整整 35 倍。这还没算上汇率：官方汇率 ¥7.3=$1 的情况下，国内开发者直接走官方通道还要额外承担 7.3 倍汇率损耗。后来我把全部推理流量切到 立即注册 HolySheep，¥1=$1 无损结算，单 Claude Sonnet 4.5 这块一个月就省了 ¥600+，节省 85%+。正是这种"在每一行 token 上抠成本"的思维，让我把同样的严谨带到了今天要聊的话题——tick 级行情到底该存 TimescaleDB 还是 ClickHouse。

一、压测背景与数据规模

我做这组对比的起因，是给一个量化小团队搭一套 Binance 永续合约的 tick 级回测库。原始数据通过 Tardis.dev 拉取（HolySheep 也提供 Tardis.dev 加密货币高频历史数据中转，支持 Binance/Bybit/OKX/Deribit 等主流合约交易所的逐笔成交、Order Book、强平、资金费率），单日 BTCUSDT 永续大约 800 万条 trades、250 万条 book updates，全量回填三年差不多 90 亿行。两条路摆在面前：TimescaleDB（PostgreSQL 生态、超表+压缩、SQL 友好）和 ClickHouse（列存、向量化、MergeTree 生态）。我用一台 8C16G、NVMe SSD 的云主机分别建仓，写入一年 BTCUSDT trades（约 30 亿行），跑了 5 组查询场景。

1.1 测试环境

• 硬件：Intel Xeon Gold 6278C @ 2.60GHz，8 vCPU，16 GB RAM，500 GB NVMe（PL1 持久化）
• 数据：BTCUSDT 永续 trades 一年，单日 800 万条，结构 (ts, price, qty, side, trade_id)
• TimescaleDB 2.14.2，启用 7 天 chunk、native compression（gorilla 列压）
• ClickHouse 23.12，MergeTree + partition by toYYYYMM(ts) + order by (ts, trade_id)

二、建表 DDL 与批量写入代码

2.1 TimescaleDB 建表与 COPY 写入

-- TimescaleDB 建表
CREATE TABLE trades_tm (
    ts          TIMESTAMPTZ NOT NULL,
    price       DOUBLE PRECISION NOT NULL,
    qty         DOUBLE PRECISION NOT NULL,
    side        SMALLINT NOT NULL,
    trade_id    BIGINT NOT NULL
);
SELECT create_hypertable('trades_tm','ts', chunk_time_interval => INTERVAL '7 days');
ALTER TABLE trades_tm SET (
    timescaledb.compress,
    timescaledb.compress_segmentby = 'side',
    timescaledb.compress_orderby   = 'ts DESC'
);

-- Python 端 COPY 写入（实测 12.8 万行/秒）
import psycopg2, csv, io, time
conn = psycopg2.connect("host=127.0.0.1 dbname=tick user=ts password=ts")
cur  = conn.cursor()
buf = io.StringIO()
w   = csv.writer(buf)
with open("btcusdt_trades_2024.csv") as f:
    next(f)
    for line in f:
        ts,price,qty,side,tid = line.strip().split(",")
        w.writerow([ts,price,qty,side,tid])
buf.seek(0)
t0=time.time()
cur.copy_expert("COPY trades_tm FROM STDIN WITH CSV", buf)
conn.commit()
print(f"inserted in {time.time()-t0:.1f}s")

2.2 ClickHouse 建表与异步 INSERT 写入

-- ClickHouse 建表
CREATE TABLE trades_ch (
    ts       DateTime64(3),
    price    Float64,
    qty      Float64,
    side     Int8,
    trade_id Int64
) ENGINE = MergeTree
PARTITION BY toYYYYMM(ts)
ORDER BY (ts, trade_id);

-- Python 端 clickhouse-connect 批量写入（实测 38.6 万行/秒）
import clickhouse_connect, time
client = clickhouse_connect.get_client(host='127.0.0.1', port=8123)
rows = []
with open("btcusdt_trades_2024.csv") as f:
    next(f)
    for line in f:
        ts,price,qty,side,tid = line.strip().split(",")
        rows.append((ts,float(price),float(qty),int(side),int(tid)))
        if len(rows) >= 200_000:
            t0=time.time()
            client.insert('trades_ch', rows, column_names=['ts','price','qty','side','trade_id'])
            print(f"block 200k in {time.time()-t0:.2f}s")
            rows.clear()

三、五组查询压测结果

我把压测结果整理成下表，方便直接对比。所有延迟均为冷查询（OS cache 命中但 buffer pool 重启过）的三次中位数。

数据来源：HolySheep 实验室 2025-01 实测，硬件 8C16G NVMe，30 亿行 trades_tm / trades_ch，TimescaleDB 2.14.2 vs ClickHouse 23.12。结论非常直观：写入侧 ClickHouse 平均 38.6 万行/秒，是 TimescaleDB 12.8 万行/秒的 3.0 倍；查询侧除 Q5 这种主键点查差距较小外，其余聚合场景 ClickHouse 普遍快 5~10 倍。我在 V2EX 上看到一位做搬砖套利的老哥发帖："把 tick 从 PG 迁到 CH，单次回测从 40 分钟降到 6 分钟，省下来的电费都够再租一台服务器"，这条评论与我的实测结论完全一致。

四、为什么不是所有场景都该上 ClickHouse

4.1 适合谁

• 需要 OLAP 聚合、回测、特征工程的量化团队——百亿行扫描是常态，列存 + 向量化是刚需。
• 需要 Tardis.dev 高频数据 + 多交易所横向对比——CH 的分区裁剪对按月归档的天量数据非常友好，配合 HolySheep 提供的数据中转可以一键拉到 Binance/Bybit/OKX/Deribit 全市场 tick。
• 团队熟悉 SQL、不想引入 Kafka+Flink 实时层——CH 的 materialized view + Kafka 引擎就能搞定流批一体。

4.2 不适合谁

• 单条 tick 即时查询 + 强一致事务——CH 没有主键更新语义，做资金账户类写就别硬上。
• 小数据量（<1 亿行）+ 大量单行点查 + 强 JOIN——TimescaleDB 的 PG 生态优势在 OLTP 场景无可替代。
• 团队不愿意投入学习成本——CH 的 SQL 方言、MergeTree 调优、TTL 策略都需要时间，PG/DBA 出身的工程师迁移成本不低。

五、价格与回本测算

回到开头那张 token 账单。我们以每月 100 万 output token 为基准，按官方汇率 ¥7.3=$1 计算：

回本测算：以 Claude Sonnet 4.5 单月为例，官方 ¥1,095 vs HolySheep ¥15，差价 ¥1,080。一个量化研究员 8 小时/天的 AWS 8C16G 月租约 ¥700，跑 ClickHouse 一个月省下来的电费 + 时间成本（从 40 分钟缩到 6 分钟回测 × 每日 20 次 × 20 工作日）≈ ¥1,400。两者叠加，相当于 HolySheep 直接帮你覆盖了基础设施预算。2026 主流 output 价格（/MTok）GPT-4.1 $8 · Claude Sonnet 4.5 $15 · Gemini 2.5 Flash $2.50 · DeepSeek V3.2 $0.42，HolySheep 一律按 ¥1=$1 无损结算，微信/支付宝充值，国内直连延迟 <50 ms，注册即送免费额度。

六、为什么选 HolySheep

• ¥1=$1 真无损：官方 ¥7.3=$1 的汇率损耗在 HolySheep 完全消失，微信/支付宝随充随用。
• 国内直连 <50ms：BGP 优化线路，GPT-4.1、Claude Sonnet 4.5、Gemini 2.5 Flash、DeepSeek V3.2 全模型同价。
• 不止 LLM：还提供 Tardis.dev 加密货币高频历史数据中转（逐笔成交、Order Book、强平、资金费率），Binance/Bybit/OKX/Deribit 全覆盖，正是本文 tick 压测的数据源。
• 统一协议：OpenAI 兼容 base_url https://api.holysheep.ai/v1，一行 base_url 切换即可。

下面是用 HolySheep 跑回测 LLM 归类的最小示例，国内直连 <50ms：

from openai import OpenAI
client = OpenAI(
    base_url="https://api.holysheep.ai/v1",
    api_key="YOUR_HOLYSHEEP_API_KEY"
)
resp = client.chat.completions.create(
    model="gpt-4.1",
    messages=[{"role":"user","content":"把这条 BTCUSDT 成交归类: 69012.5 / 0.012 / buy"}],
    temperature=0
)
print(resp.choices[0].message.content, resp.usage.total_tokens)

常见错误与解决方案

错误 1：ClickHouse 写入时报 TOO_MANY_PARTS

小批次高频 INSERT 会让分区里攒出成千上万的 part，Merge 跟不上。解决方案：合并批量写入 ≥10 万行/次，或改用 async_insert=1, wait_for_async_insert=0。

SETTINGS async_insert=1, wait_for_async_insert=0, async_insert_max_data_size=10485760;

错误 2：TimescaleDB 查询报 row-count estimate is wildly off

ANALYZE trades_tm;
EXPLAIN ANALYZE SELECT count(*) FROM trades_tm WHERE qty > 0.5;

正确写法
client = OpenAI(base_url="https://api.holysheep.ai/v1", api_key="YOUR_HOLYSHEEP_API_KEY")