#前言：
如果使用sql强行关联，那么你拿到的数据就是一个黑盒数据，是否完全对齐：未知，是否存在某个数据缺失：未知。

###解决需求：

# free-stockdb 架构取舍逻辑
传统的sql需要预置表格头，写一长串sql建立死表，后续数据无法灵活扩展。比如某天新增一个技术因子、某天新增事件标签、自定义截面指标，要么执行ALTER TABLE修改表结构，海量历史数据伴随迁移开销；要么新建附属表，引入复杂联表逻辑，长期积累大量工程债务。
落到 free-stockdb 的架构取舍逻辑
它抛弃旧关系模型、放弃 SQL，本质是意识到：
股票研究不需要预先定义好的数据关联；
我们需要的是自由读取原始时序数据，在代码层动态构建关联———即：动态关系(因子)挖掘。

###通用数据库设计

目标是 “什么业务都能跑”，必须做出大量折中；
free-stockdb 从底层架构到上层接口，全部围绕股票时序研究定向取舍：
主动放弃通用 SQL、关系型数据库
✅ 无 Schema，随意新增自定义因子、嵌套数据，无需调整存储；
✅ code+时间索引针对行情查询深度优化；
✅ 内置 A 股全套业务规则：增量同步、复权、停牌、代码更替；
✅ Python + HTTP 双接口，JS 直接访问，静态 HTML 实现 K 线分析；
✅ pipe 批量原子读写，适配一边写行情、一边并行回测；
✅ 原生板块双向映射，快速构建自定义股票池。

###free-stockdb做法

c++股票专用数据库。
基于时序设计：rd.set/setr/get/keys/vals/len(code,time,data)
code:标识,可以是A股，美股，期货，基金…
data:数据，可以是分钟线，日，周，月线，L1_tick，L2_tick，财务，指标，因子…
data-type:类型，可以是int,float,dict,list,str,bytes,df…
能力：
rd.get(“日k”,“600*”,date1<date2)[:60].all().get(“close”).set(val) #正则*，范围，截取，排序，子对象，列式访问，修改极简api…
额外能力：
pipe，wal，链式调用，同步异步混用，http原生支持，仅2.2mb单文件完成。

SQL查询 与 free-stockdb rd.get 实战用法对比

场景：单标的区间行情获取

需求：获取【000001.SZ】2025-01-01 ~ 2025-12-31 日线行情

通用数据库 + SQL（DuckDB/MySQL）

第一步：提前建表，字段固化

CREATE TABLE stock_daily(
ts_code TEXT,
trade_date DATE,
open FLOAT,close FLOAT,high FLOAT,low FLOAT,vol FLOAT
);
查询语句
SELECT * FROM stock_daily
WHERE ts_code='000001.SZ' AND trade_date BETWEEN '2025-01-01' AND '2025-12-31'
ORDER BY trade_date ASC;

free-stockdb 单条完成。

data = rd.get(code="000001.SZ", start="2025-01-01", end="2025-12-31", period="1d")

痛点
后续存入 MA5、资金流向、自定义情绪因子二选一：
ALTER TABLE增加字段，海量历史数据产生迁移成本；
新建独立因子表，回测必须多表 JOIN，逻辑复杂度持续上升；
所有字段、数据类型在建表时锁定，阻碍因子快速迭代。

free-stockdb无需预先定义表结构，直接调用：

运行
data = rd.get(code="000001.SZ", start="2025-01-01", end="2025-12-31", period="1d")

运行
随时扩展新增指标，无需改动底层存储：# 动态计算因子直接写入bar

bar["ma5"] = calc_ma5(bar_series)
bar["capital_flow"] = calc_money_flow(bar_series)
rd.set("000001.SZ", trade_date, bar, period="1d")

对比显而易见。