Imported from hugo2046/dolphindb_skill (SKILL.md). Install upstream with npx skills add hugo2046/dolphindb_skill. Copyright stays with the author.

DolphinDB 完整技术文档与实战指南

版本: 2.0.0 (优化版)
文档数量: 1490 个技术文档 + 3 份官方白皮书
DolphinDB版本: 3.00.4
更新时间: 2026-01-22
文档来源: https://docs.dolphindb.cn

📚 核心资源概览

🎯 官方白皮书（深度最佳实践）

提供生产级架构设计和完整工作流程指南：

1. 数据库白皮书 (1073行)

   • DolphinDB 核心架构与分布式设计
   • TSDB vs OLAP 存储引擎详解
   • 分区策略、高可用、备份恢复
   • SQL优化与库内计算
   • 适用场景: 系统架构设计、性能优化、生产部署

2. 流数据白皮书 (2279行)

   • 流计算框架与发布订阅机制
   • 7大流计算引擎详解
   • 流批一体架构与历史回放
   • 金融与物联网场景应用
   • 适用场景: 实时计算、CEP、流式ETL

3. 中高频回测白皮书 (2205行)

   • 完整回测系统架构
   • 数据回放与模拟撮合引擎
   • DolphinScript/Python/C++ 策略开发
   • 量化策略实战案例
   • 适用场景: 量化回测、算法交易、策略研发

📖 在线技术文档（1490篇）

按功能领域分类的完整API参考和操作指南：

完整文档索引: 详见 CATALOG.md

🚀 常见问题快速导航

新手入门

• 如何快速上手DolphinDB？ → 关于 DolphinDB
• 如何部署集群？ → 分布式架构
• 如何选择存储引擎？ → 查阅 数据库白皮书 第3-4章

数据库设计

• 如何选择分区策略？ → 数据分区 + 数据库白皮书
• TSDB vs OLAP 如何选择？ → TSDB存储引擎 和 OLAP存储引擎
• 如何优化查询性能？ → 数据库白皮书 第5章

流计算开发

• 如何实现实时计算？ → 流数据白皮书
• 流计算引擎有哪些？ → 流数据白皮书 第3章
• 如何实现流批一体？ → 流数据白皮书 第4章

量化回测

• 如何搭建回测系统？ → 回测白皮书
• 如何实现模拟撮合？ → 回测白皮书 第3章
• 如何进行中高频回测？ → 回测白皮书 第4-7章

高级功能

• 如何实现高可用？ → 高可用
• 如何进行数据备份？ → 数据库白皮书 第6章
• 如何管理权限？ → 数据库白皮书 第6.4节

📝 常用代码示例

1. 创建TSDB存储引擎的分区表

// 组合分区: VALUE(日期) + HASH(股票代码)
db_date = database("", VALUE, 2024.01.01..2024.12.31)
db_sym = database("", HASH, [SYMBOL, 10])
db = database("dfs://stock_data", COMPO, [db_date, db_sym])

// TSDB引擎，支持排序列和去重
schemaTable = table(
    1:0,
    `trade_time`symbol`price`volume,
    [TIMESTAMP, SYMBOL, DOUBLE, LONG]
)

pt = db.createPartitionedTable(
    table=schemaTable,
    tableName="stock_tick",
    partitionColumns=`trade_date`symbol,
    sortColumns=`symbol`trade_time,  // 排序键
    keepDuplicates=LAST,  // 去重策略
    engine="TSDB"
)

2. 创建OLAP存储引擎的分区表

// OLAP引擎适合追加式写入和批量分析
db = database("dfs://stock_analysis", VALUE, 2024.01M..2024.12M)

schemaTable = table(
    1:0,
    `trade_date`symbol`open`high`low`close`volume,
    [DATE, SYMBOL, DOUBLE, DOUBLE, DOUBLE, DOUBLE, LONG]
)

pt = db.createPartitionedTable(
    table=schemaTable,
    tableName="daily_kline",
    partitionColumns=`trade_date,
    engine="OLAP"
)

3. 流计算 - 实时K线合成

// 1. 创建流表
share streamTable(1:0, `time`sym`price`vol, [TIMESTAMP, SYMBOL, DOUBLE, INT]) as tickStream
share streamTable(1:0, `time`sym`open`high`low`close`volume, 
                  [TIMESTAMP, SYMBOL, DOUBLE, DOUBLE, DOUBLE, DOUBLE, LONG]) as klineStream

// 2. 创建时序聚合引擎
tsEngine = createTimeSeriesEngine(
    name="kline_1min",
    windowSize=60000,  // 1分钟窗口
    step=60000,
    metrics=<[first(price), max(price), min(price), last(price), sum(vol)]>,
    dummyTable=tickStream,
    outputTable=klineStream,
    timeColumn=`time,
    keyColumn=`sym
)

// 3. 订阅流表
subscribeTable(tableName="tickStream", actionName="kline", handler=append!{tsEngine})

// 4. 插入数据测试
insert into tickStream values(2024.01.01T09:30:00.000, `600000, 10.5, 1000)

4. 中高频回测完整流程

// 1. 清理环境
try{ unsubscribeTable(tableName="replayStream", actionName="backtest") }catch(ex){}
try{ dropStreamEngine("backtestEngine") }catch(ex){}

// 2. 创建回放流表
share streamTable(1:0, `time`sym`price`vol, [TIMESTAMP, SYMBOL, DOUBLE, INT]) as replayStream

// 3. 创建回测引擎（需要加载回测插件）
loadPlugin("/path/to/backtest_plugin.so")
backtestEngine = createBacktestEngine(
    name="my_strategy",
    initialCapital=10000000,
    commission=0.0003
)

// 4. 订阅回放数据
subscribeTable(tableName="replayStream", actionName="backtest", handler=backtestEngine)

// 5. 数据回放
histData = loadTable("dfs://stock_data", "stock_tick")
ds = replayDS(sqlObj=<select * from histData where trade_date=2024.01.01>, 
              dateColumn=`trade_date, 
              timeColumn=`trade_time)
replay(inputTables=ds, outputTables=replayStream, dateColumn=`trade_date, 
       timeColumn=`trade_time, replayRate=1000)

// 6. 获取回测结果
backtestEngine.getPositions()  // 持仓
backtestEngine.getOrders()     // 订单
backtestEngine.getTrades()     // 成交
backtestEngine.getMetrics()    // 绩效指标

5. 高级SQL示例

// Context By - 组内窗口计算
select 
    trade_date, symbol, close,
    movingAvg(close, 5) as ma5,
    movingAvg(close, 20) as ma20
from loadTable("dfs://stock", "daily")
context by symbol

// Pivot By - 数据透视
select close 
from loadTable("dfs://stock", "daily")
where symbol in `600000`600001`600002
pivot by trade_date, symbol

// Asof Join - 时序非精确关联
select * 
from tick_data aj snapshot_data 
on tick_data.time = snapshot_data.time and tick_data.symbol = snapshot_data.symbol

💡 最佳实践工作流

1. 数据库设计流程

需求分析 → 存储引擎选择 → 分区策略设计 → 性能测试 → 生产部署
    ↓            ↓              ↓             ↓          ↓
  数据特征    TSDB/OLAP    COMPO分区      压力测试    高可用配置

决策要点:

• 高频写入 + 点查 → TSDB引擎 + sortColumns
• 批量分析 → OLAP引擎
• 时序数据 → VALUE(日期) + HASH(Symbol) 组合分区
• 查询优化 → 合理使用分区裁剪、并行计算

参考文档: 数据库白皮书 第2-4章

2. 流计算开发流程

数据源接入 → 流表设计 → 引擎选择 → 订阅处理 → 结果输出
    ↓           ↓          ↓          ↓         ↓
  Kafka等   streamTable  7种引擎  subscribeTable  入库/推送

引擎选择:

• 滑动窗口聚合 (K线合成) → TimeSeriesEngine
• 横截面计算 (全市场排名) → CrossSectionalEngine
• 复杂状态逻辑 (多因子计算) → ReactiveStateEngine
• 异常检测 → AnomalyDetectionEngine

参考文档: 流数据白皮书 第3章

3. 量化回测完整流程

数据准备 → 历史回放 → 模拟撮合 → 策略执行 → 绩效分析
   ↓         ↓          ↓          ↓         ↓
 分区表    replay    Exchange   BacktestEngine  Sharpe/回撤

核心技术点:

• 使用 replay 或 replayDS 严格按时序回放
• createExchange 实现"价格优先、时间优先"撮合
• 支持逐笔、快照、分钟频等多种数据源
• C++插件可提升10倍以上性能

参考文档: 回测白皮书 完整内容

🔍 如何使用本Skill

按场景查找

1. 我是新手，想快速上手

   • 先阅读: 关于 DolphinDB
   • 然后看: 数据库白皮书 第1章

2. 我要设计生产数据库

   • 必读: 数据库白皮书 第2-6章
   • 参考: 数据分区、高可用

3. 我要开发实时计算应用

   • 必读: 流数据白皮书 全文
   • 速查: 本文档中的"流计算代码示例"

4. 我要搭建量化回测系统

   • 必读: 回测白皮书 全文
   • 实战: 白皮书第5-7章策略案例

5. 我要查特定函数用法

   • 使用: CATALOG.md 按分类查找
   • 或在 references/ 目录搜索关键词

按角色查找

📊 版本信息

• Skill版本: 2.0.0 (相比1.x版本的改进)

  • ✅ 新增完整文档索引 (CATALOG.md)
  • ✅ 新增常见问题快速导航
  • ✅ 新增5大类代码示例
  • ✅ 优化文档分类 (14个细分类别)
  • ✅ 明确DolphinDB版本对应关系

• DolphinDB版本: 3.00.4

• 文档同步时间: 2026-01-20

• 维护策略: 季度更新 / 重大版本发布时同步

🔗 相关资源

• 官网: https://www.dolphindb.com
• 文档中心: https://docs.dolphindb.cn
• 社区论坛: https://community.dolphindb.com
• GitHub: https://github.com/dolphindb

Generated by Skill Creator v2.0 | 优化时间: 2026-01-22