Анализ высокочастотных данных — обработка тиковых рыночных данных

Высокочастотный трейдинг в криптовалютах работает в масштабе миллисекунд/микросекунд. Обработка миллионов тиков в день, управление неравномерными потоками данных и извлечение сигналов микроструктуры отличает профессиональных трейдеров от остальных. Это руководство рассказывает об управлении тиковыми данными и аналитике в реальном времени, которые обеспечивают 5-минутные циклы обновления Smart Money API.

Ключевое наблюдение: Киты не двигают рынки мгновенно. Их крупные сделки оставляют обнаруживаемые следы в дисбалансе стакана, спреде между ценой покупки и продажи и соотношении объема тейкеров. Smart Money API фиксирует эти сигнатуры в реальном времени.

Сбор и хранение тиковых данных

Источники данных

Для криптовалют тиковые данные поступают из:

Эффективное хранение тиков с Parquet

Хранение сжатых столбцовых данных для быстрых запросов:

Python — Пайплайн тиковых данных
import pandas as pd
import pyarrow.parquet as pq
# Буфер тиков в реальном времени (накопление за 1 час, затем сохранение)
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" или "sell"
})
# Каждый час сжатие и сохранение
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 = []

Анализ стакана заявок

Снимки стакана Level 2

Фиксация полного стакана каждые 100-500 мс:

Python — Обработка стакана
class OrderBook:
def __init__(self):
self.bids = {} # цена -> объем
self.asks = {} # цена -> объем
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):
# Получение 10 лучших bid и 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)
# Дисбаланс: >1 = бычий (больше давления покупателей)
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 # процентный спред

Микроструктурные сигналы

Извлекайте полезные сигналы из структуры стакана:

Метрики рыночной микроструктуры

Средневзвешенная цена по объему (VWAP)

Лучший ориентир для исполнения, чем простая цена закрытия:

Python — расчет VWAP
def calculate_vwap(ticks):
# ticks: список кортежей (цена, объем)
numerator = sum(price * volume for price, volume in ticks)
denominator = sum(volume for _, volume in ticks)
return numerator / denominator

Соотношение тейкер-покупок/продаж

Определите, какая сторона агрессивна:

Python — анализ тейкеров
def get_taker_direction(tick):
# Если цена сделки = бид, то продавец был агрессивен (предложение)
# Если цена сделки = аск, то покупатель был агрессивен (спрос)
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" # Внутри спреда, возможно, темный пул
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) # % покупок

Архитектура реального времени

Обработка WebSocket-потоков

Подключитесь к WebSocket Bybit/Binance/Hyperliquid для получения данных в реальном времени:

Python — обработчик живого потока
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:
# Подписка на поток сделок
await ws.send(json.dumps({
"op": "subscribe",
"args": [f"publicTrade.{symbol}"]
}))
async for message in ws:
data = json.loads(message)
for trade в данные["data"]:
on_tick(
exchange="bybit",
symbol=symbol,
price=float(trade["price"]),
size=float(trade["size"]),
side=trade["side"],
timestamp=int(trade["time"])
)

Распределённая обработка с Redis Streams

Обрабатывайте миллионы тиков в день с помощью очередей сообщений:

Python — обработка потоков Redis
import redis
r = redis.Redis(host='localhost', port=6379)
# Продюсер: отправка тиков в поток
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
})
# Группа потребителей читает с отслеживанием задержки
r.xgroup_create(stream_key, "analytics", id="$", mkstream=True)

Добавляйте сигналы в реальном времени к вашей аналитике

Smart Money API агрегирует тиковые данные с 3 бирж и 250+ кошельков китов. Используйте наши предварительно рассчитанные микроструктурные сигналы для улучшения вашего собственного анализа в реальном времени.

Начните бесплатно сегодня →