AlphaMoatによると、2026-10時点でDolphindbのダウンロード数は6,534、スター数は1で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中4,358位、開発では1,069件中370位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 6534 | 1 | - |
プラットフォームごとに集計方法と集計時点が異なります。
DolphinDB 时序数据库完整技术文档与最佳实践。包含1490个技术文档 + 3份官方白皮书。涵盖数据库设计、流计算、量化回测、函数查询等全场景。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 6534 | — | 1 |
| 2026-09 | 6534 | — | 1 |
| 2026-08 | 6410 | +15.9% | 1 |
| 2026-07 | 5533 | +46.1% | 1 |
| 2026-06 | 3788 | — | 1 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
--- name: dolphindb description: DolphinDB 时序数据库完整技术文档与最佳实践。包含1490个技术文档 + 3份官方白皮书。涵盖数据库设计、流计算、量化回测、函数查询等全场景。 version: 2.0.0 source: https://docs.dolphindb.cn + Official Whitepapers author: Optimized by Skill Creator tags: - database - time-series - streaming
- quantitative-trading
- backtesting
- dolphindb
---
# 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](references/whitepapers/database.md)** (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](references/whitepapers/streaming.md)** (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](references/whitepapers/backtest.md)** (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:
| 分类 | 文档数量 | 说明 |
|------|---------|------|
| 函数参考/其他函数 | 1171 | 系统函数、网络函数等 |
| 其他 | 97 | 其他技术文档 |
| 函数参考/统计函数 | 61 | 相关性、协方差、标准差等统计指标 |
| 函数参考/数学函数 | 42 | 基础数学运算、三角函数、对数等 |
| 函数参考/SQL函数 | 41 | 查询、关联、聚合等SQL操作 |
| 函数参考/时间序列函数 | 26 | 日期时间处理、时序窗口计算 |
| 流数据处理 | 22 | 流表、订阅、流计算引擎 |
| 数据库核心 | 13 | 存储引擎、分区、事务、高可用 |
| 部署与配置 | 9 | 集群部署、参数配置 |
| 函数参考/字符串函数 | 5 | 字符串操作、正则表达式 |
| API与连接器 | 1 | Python、Java、C++ API |
| 运维管理 | 1 | 监控、备份、权限管理 |
| 教程与示例 | 1 | 快速入门、场景案例 |
**完整文档索引**: 详见 [CATALOG.md](CATALOG.md)
---
## 🚀 常见问题快速导航
### 新手入门
- **如何快速上手DolphinDB?** → [关于 DolphinDB](references/doc_1201.md)
- **如何部署集群?** → [分布式架构](references/doc_6249.md)
- **如何选择存储引擎?** → 查阅 [数据库白皮书](references/whitepapers/database.md) 第3-4章
### 数据库设计
- **如何选择分区策略?** → [数据分区](references/doc_9485.md) + [数据库白皮书](references/whitepapers/database.md)
- **TSDB vs OLAP 如何选择?** → [TSDB存储引擎](references/doc_6240.md) 和 [OLAP存储引擎](references/doc_7837.md)
- **如何优化查询性能?** → [数据库白皮书](references/whitepapers/database.md) 第5章
### 流计算开发
- **如何实现实时计算?** → [流数据白皮书](references/whitepapers/streaming.md)
- **流计算引擎有哪些?** → [流数据白皮书](references/whitepapers/streaming.md) 第3章
- **如何实现流批一体?** → [流数据白皮书](references/whitepapers/streaming.md) 第4章
### 量化回测
- **如何搭建回测系统?** → [回测白皮书](references/whitepapers/backtest.md)
- **如何实现模拟撮合?** → [回测白皮书](references/whitepapers/backtest.md) 第3章
- **如何进行中高频回测?** → [回测白皮书](references/whitepapers/backtest.md) 第4-7章
### 高级功能
- **如何实现高可用?** → [高可用](references/doc_3934.md)
- **如何进行数据备份?** → [数据库白皮书](references/whitepapers/database.md) 第6章
- **如何管理权限?** → [数据库白皮书](references/whitepapers/database.md) 第6.4节
---
## 📝 常用代码示例
### 1. 创建TSDB存储引擎的分区表
```dolphindb
// 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
```dolphindb
// 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
```dolphindb
// 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
```dolphindb
// 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
```dolphindb
// 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](references/whitepapers/database.md) 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](references/whitepapers/streaming.md) 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](references/whitepapers/backtest.md) 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](references/doc_1201.md)
- 然后看: [数据库白皮书](references/whitepapers/database.md) 第1章
2. **我要设计生产数据库**
- 必读: [数据库白皮书](references/whitepapers/database.md) 第2-6章
- 参考: [数据分区](references/doc_9485.md)、[高可用](references/doc_3934.md)
3. **我要开发实时计算应用**
- 必读: [流数据白皮书](references/whitepapers/streaming.md) 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](references/whitepapers/backtest.md) 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](CATALOG.md) 按分类查找
- 或在 `references/` 目录搜索关键词
### 按角色查找
| 角色 | 推荐阅读路径 |
|------|-------------|
| **架构师** | 数据库白皮书 → 分布式架构 → 高可用方案 |
| **DBA** | 数据库白皮书 → 运维章节 → 备份恢复 |
| **后端开发** | 流数据白皮书 → API文档 → 代码示例 |
| **量化研究员** | 回测白皮书 → 策略开发 → 绩效分析 |
| **数据分析师** | SQL函数参考 → Context By → Pivot By |
---
## 📊 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
【全栈能力】编程大神.Skill:面向复杂真实项目的高阶全栈编程助手。不止生成代码,而是从一句目标接手陌生代码库,拆解需求、补齐实现、追到根因、完成重构、联调前后端,并把结果推进到能运行、能验证、能交付。覆盖 Web、后端、脚本、iOS、安卓、鸿蒙 ArkUI、微信小程序及其他技术栈,支持中英文工程、疑难 Bug、跨模块任务和长任务续做;用构建、日志、真实入口、设备或接口证据说明结果。仅问概念时直接回答,要求落地时持续推进到验收或明确阻塞。
编程专家 Pro:融合编程专家 2.0.3 工程专题与编程大神的鸿蒙 ArkTS/ArkUI、微信小程序和小游戏开发资料。用于项目实现、根因调试、审查、重构、测试、架构性能分析及多端开发验证。支持自然语言和 @专题标识,按任务读取包内知识;只问概念时直接回答。
编程专家.Skill P8级编程助手,25年实战经验技能Skill,全栈:Java/Php网站/软件项目、API设计、Bug诊断、代码生成、代码审查、重构、测试用例、性能基准、技术选型、文档生成、任务拆解、Spec驱动、Karpathy规范、CMS二次开发、前端设计、MySQL/Mariadb、项目知识图谱,以及工程纪律层(根因调试硬闭环、阶段导航、事故复盘/SLO、威胁建模/供应链安全、生产就绪/渐进式发布、AI编码治理、面向Agent代码可读性、LLM应用安全)。支持 @标识 显式调用跳过路由。
编程专家.Skill P8级编程助手,25年实战经验技能Skill,全栈:Java/Php网站/软件项目、API设计、Bug诊断、代码生成、代码审查、重构、测试用例、性能基准、技术选型、文档生成、任务拆解、Spec驱动、Karpathy规范、CMS二次开发、前端设计、MySQL/Mariadb、项目知识图谱,以及工程纪律层(根因调试硬闭环、阶段导航、事故复盘/SLO、威胁建模/供应链安全、生产就绪/渐进式发布、AI编码治理、面向Agent代码可读性、LLM应用安全)。支持 @标识 显式调用跳过路由。
工程专题、鸿蒙与微信小程序开发的集成派生版
编程专家 Pro:融合编程专家 2.0.3 工程专题与编程大神的鸿蒙 ArkTS/ArkUI、微信小程序和小游戏开发资料。用于项目实现、根因调试、审查、重构、测试、架构性能分析及多端开发验证。支持自然语言和 @专题标识,按任务读取包内知识;只问概念时直接回答。
适用场景:全栈编程助手。接到需求先读现有代码和约束,再动手:Java/PHP 开发、接口设计、缺陷定位、代码评审、重构、测试用例、性能排查、技术选型与文档产出,也做 CMS 二次开发、前端页面和 MySQL 调优。每次改动先给方案和影响范围,改完必须跑验证,交付附交接说明。适合要把代码真正跑通、而不是只要片段的场景。写完代码常要配套的造价、法律、工程文档,站内已有现成技能,用「查找技能」按需求找即可。
gh コマンドラインで GitHub の PR チェック、ワークフロー実行、API 照会を扱うスキルです。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。