Analisi dei Dati ad Alta Frequenza — Elaborazione dei Dati Tick-Level di Mercato

Il trading ad alta frequenza nel crypto opera su scale temporali di millisecondi/microsecondi. Elaborare milioni di tick al giorno, gestire flussi di dati burst e estrarre segnali di microstruttura separa i trader professionali dagli altri. Questa guida illustra la gestione dei dati tick-level e le analisi in tempo reale che alimentano i cicli di aggiornamento di 5 minuti di Smart Money API.

Informazione chiave: Le balene non muovono i mercati istantaneamente. I loro block trade creano firme rilevabili nello squilibrio dell'order book, negli spread bid-ask e nei rapporti di volume taker. Smart Money API cattura queste firme in tempo reale.

Raccolta e Archiviazione dei Dati Tick

Fonti dei Dati

Per le crypto, i dati tick provengono da:

Archiviazione Efficiente dei Tick con Parquet

Archivia dati colonnari compressi per query veloci:

Python — Pipeline di dati tick
import pandas as pd
import pyarrow.parquet as pq
# Buffer tick in tempo reale (accumula per 1h, poi salva)
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" or "sell"
})
# Ogni ora, comprimi e salva
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 = []

Analisi dell'Order Book

Snapshot dell'Order Book Level 2

Cattura l'intero order book ogni 100-500ms:

Python — Elaborazione dell'order book
class OrderBook:
def __init__(self):
self.bids = {} # price -> size
self.asks = {} # price -> size
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):
# Ottieni i migliori 10 bid e ask
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)
# Squilibrio: >1 = rialzista (maggiore pressione d'acquisto)
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 # spread percentuale

Segnali di Microstruttura

Estrai segnali operativi dalla struttura dell'order book:

Metriche di Microstruttura del Mercato

Prezzo Medio Ponderato per Volume (VWAP)

Benchmark di esecuzione migliore del semplice prezzo di chiusura:

Python — Calcolo VWAP
def calculate_vwap(ticks):
# ticks: lista di tuple (prezzo, volume)
numerator = sum(price * volume for price, volume in ticks)
denominator = sum(volume for _, volume in ticks)
return numerator / denominator

Rapporto Acquisto/Vendita Taker

Identifica quale lato è aggressivo:

Python — Analisi Taker
def get_taker_direction(tick):
# Se prezzo trade = bid, allora il venditore era aggressivo (offerta)
# Se prezzo trade = ask, allora l'acquirente era aggressivo (domanda)
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" # All'interno dello spread, possibilmente 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) # % acquisto

Architettura Pipeline in Tempo Reale

Elaborazione Flusso WebSocket

Connettiti a WebSocket Bybit/Binance/Hyperliquid per dati live:

Python — Gestore flusso live
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:
# Sottoscrizione al flusso di trade
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"])
)

Elaborazione Distribuita con Redis Streams

Gestisci milioni di tick al giorno con la coda di messaggi:

Python — Elaborazione di stream Redis
import redis
r = redis.Redis(host='localhost', port=6379)
# Producer: push ticks to stream
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 reads with lag tracking
r.xgroup_create(stream_key, "analytics", id="$", mkstream=True)

Aggiungi segnali in tempo reale alle tue analisi

Smart Money API aggrega i dati dei tick da 3 exchange e oltre 250 portafogli di balene. Usa i nostri segnali microstrutturali pre-calcolati per migliorare la tua analisi in tempo reale.

Inizia Gratis Oggi →