Magas frekvenciájú adatelemzés — Tick szintű piaci adatok feldolgozása

A kriptovaluták magas frekvenciájú kereskedése milliszekundum/mikroszekundum időskálán működik. Naponta milliós tick adatok feldolgozása, a robbanásszerű adatáramlások kezelése és a mikrostruktúrából származó jelek kinyerése különválasztja a profi kereskedőket a többiektől. Ez a útmutató bemutatja a tick szintű adatkezelést és a valós idejű elemzést, amely a Smart Money API 5 perces frissítési ciklusait hajtja.

Kulcsfontosságú betekintés: A bálnák nem azonnal mozgatják a piacot. Blokkkereskedéseik érzékelhető jeleket hagynak a rendelési könyv egyensúlytalanságában, a vételi-értékesítési árrésben és a taker mennyiségi arányokban. A Smart Money API valós időben rögzíti ezeket a jeleket.

Tick adatok gyűjtése és tárolása

Adatforrások

A kriptovaluták esetében a tick adatok a következőkből származnak:

Hatékony tick tárolás Parquet-tel

Tömörített oszlopos adatok tárolása gyors lekérdezésekhez:

Python — Tick adatfeldolgozó folyamat
import pandas as pd
import pyarrow.parquet as pq
# Valós idejű tick puffer (gyűjtés 1 órán át, majd mentés)
tick_buffer = []
def on_tick(exchange, symbol, price, size, side, timestamp):
tick_buffer.append({
"timestamp": timestamp,
"exchange": exchange,
"symbol": symbol,
"price": price,
"size": size,
"side": side # "buy" vagy "sell"
})
# Óránként tömörítés és mentés
if len(tick_buffer) > 1_000_000:
df = pd.DataFrame(tick_buffer)
pq.write_table(
pa.Table.from_pandas(df),
f"ticks/{symbol}_{timestamp:%Y%m%d_%H}.parquet",
compression="snappy"
)
tick_buffer = []

Rendelési könyv elemzés

2. szintű rendelési könyv pillanatképek

A teljes rendelési könyv rögzítése minden 100-500 ms-ban:

Python — Rendelési könyv feldolgozás
class OrderBook:
def __init__(self):
self.bids = {} # ár -> mennyiség
self.asks = {} # ár -> mennyiség
def update(self, side, price, size):
if side == "bid":
if size == 0: del self.bids[price]
else: self.bids[price] = size
else:
if size == 0: del self.asks[price]
else: self.asks[price] = size
def get_imbalance(self, depth=10):
# Legjobb 10 vételi és eladási ajánlat lekérése
top_bids = sorted(self.bids.items(), reverse=True)[:depth]
top_asks = sorted(self.asks.items())[:depth]
bid_volume = sum(size for _, size in top_bids)
ask_volume = sum(size for _, size in top_asks)
# Imbalance: >1 = bullish (több vásárlási nyomás)
return bid_volume / ask_volume if ask_volume > 0 else 1.0
def get_spread(self):
best_bid = max(self.bids.keys())
best_ask = min(self.asks.keys())
return (best_ask - best_bid) / best_bid # százalékos spread

Mikrostruktúra Jelek

Kiválassz cselekvésre ösztönző jeleket a rendelési könyv szerkezetéből:

Piaci mikrostruktúra metrikák

Térfogat-súlyozott átlagár (VWAP)

Jobb végrehajtási referencia, mint az egyszerű záróár:

Python — VWAP számítás
def calculate_vwap(ticks):
# ticks: (ár, volumen) tuple-ok listája
numerator = sum(price * volume for price, volume in ticks)
denominator = sum(volume for _, volume in ticks)
return numerator / denominator

Taker vásárlási/eladási arány

Azonosítsd, melyik oldal aktívabb:

Python — Taker elemzés
def get_taker_direction(tick):
# Ha az üzlet ára = bid, akkor az eladó volt agresszív (kínálat)
# Ha az üzlet ára = ask, akkor a vevő volt agresszív (kereslet)
if abs(tick.price - best_bid) < tick.price_step:
return "sell"
elif abs(tick.price - best_ask) < tick.price_step:
return "buy"
else:
return "mid" # A spread belsejében, esetleg dark pool
buy_volume = sum(t.size for t in ticks if get_taker_direction(t) == "buy")
sell_volume = sum(t.size for t in ticks if get_taker_direction(t) == "sell")
return buy_volume / (buy_volume + sell_volume) # % vétel

Valós Idejű Adatfeldolgozó Architektúra

WebSocket Adatfolyam Feldolgozás

Kapcsolódás a Bybit/Binance/Hyperliquid WebSocket-hez élő adatokért:

Python — Élő adatfolyam kezelő
import asyncio
import websockets
async def connect_bybit_ticks(symbol):
url = f"wss://stream.bybit.com/v5/public/spot"
async with websockets.connect(url) as ws:
# Feliratkozás a kereskedési adatfolyamra
await ws.send(json.dumps({
"op": "subscribe",
"args": [f"publicTrade.{symbol}"]
}))
async for message in ws:
data = json.loads(message)
for trade in data["data"]:
on_tick(
exchange="bybit",
symbol=symbol,
price=float(trade["price"]),
size=float(trade["size"]),
side=trade["side"],
timestamp=int(trade["time"])
)

Elosztott feldolgozás Redis Streams segítségével

Kezeljen napi több millió ticket üzenetsorolással:

Python — Redis stream feldolgozás
import redis
r = redis.Redis(host='localhost', port=6379)
# Producer: tickek küldése a streamba
def publish_tick(exchange, symbol, tick):
stream_key = f"ticks:{exchange}:{symbol}"
r.xadd(stream_key, {
"price": tick.price,
"size": tick.size,
"side": tick.side,
"ts": tick.timestamp
})
# Consumer group olvasás késleltetés követéssel
r.xgroup_create(stream_key, "analytics", id="$", mkstream=True)

Valós idejű jelek hozzáadása az elemzéshez

A Smart Money API tick adatokat gyűjt össze 3 tőzsdéről és 250+ bálnatárca címről. Használja előre számított mikrostruktúra jeleinket, hogy fokozza saját valós idejű elemzését.

Kezdje ingyen még ma →