在期货程序化交易环境中,期货时间序列数据流是从期货交易中的不同商品合约获取的价格信息等数据,该数据随着时间的变化不断更新,其特征是数据量大、具有高纬度且随着时间不断变化。如何在程序化交易的过程中对海量历史数据和实时的数据流进行数据处理,然后结合用户编写的交易模型或交易策略,对其进行实时的解释,帮助交易者完成触发,进行交易,从而获取利益,在学术界和商业界进行了广泛的研究和讨论。针对该问题,本文提出了时间序列数据流的实时解释模型,该模型总体分为三部分:数据采集模块、实时处理模块以及解释器模块。本文的主要研究如下:第一,在数据采集模块中,针对传统的数据库对海量历史数据和实时的时间序列数据流的存储性能不高的问题,结合目前Hadoop分布式存储系统的优势,提出了一种基于Hadoop云平台的海量数据的存储方式。使用HBase数据库存储数据,同时使用Flume框架实时采集各个节点的数据,然后进入Kafka的消息队列对其进行消息的订阅和分发,进入下一阶段的处理。第二,在实时处理模块中,使用数据挖掘中的传统的关联规则Apriori算法,并结合Hadoop云框架的批量处理MapReduce框架,提出了 ARTMMR算法,流水线技术的应用使得该算法更加符合实时的处理环境,实验结果表明了上述算法的良好性能。第三,在解释器模块中,考虑到程序化交易系统使用类C语言作为其模型描述语言成为主流,结合期货程序化交易的特点,开发了一种基于MVC模式的解释器。该解释器对用户编写的交易策略和模型能够实时的进行解释,并返回相应的性能报告,帮助交易者优化模型,快速交易,获取收益。同时,多线程技术使得交易者可以同时登陆不同的账户对多种合约进行买卖交易行为,增加了交易的机会。