Аналіз високочастотних даних — обробка тикових ринкових даних

Високочастотний трейдинг у криптовалютах працює на мілісекундних/мікросекундних часових масштабах. Обробка мільйонів тиків на день, управління спалахами даних та виявлення сигналів мікроструктури відрізняє професійних трейдерів від інших. Цей посібник розглядає управління тиковими даними та аналітику в реальному часі, які забезпечують 5-хвилинні цикли оновлення Smart Money API.

Ключовий інсайт: Кити не рухають ринки миттєво. Їхні блокові угоди залишають помітні сліди в дисбалансі стакану заявок, спреді між bid-ask та співвідношенні обсягів тейкерів. Smart Money API виявляє ці сигнатури в реальному часі.

Збір та зберігання тикових даних

Джерела даних

Для криптовалют тикові дані надходять з:

Ефективне зберігання тиків за допомогою Parquet

Зберігайте стиснуті колонкові дані для швидких запитів:

Python — Пайплайн тикових даних
import pandas as pd
import pyarrow.parquet as pq
# Буфер тиків у реальному часі (накопичується 1 год, потім зберігається)
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" або "sell"
})
# Кожну годину стискаємо та зберігаємо
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 = []

Аналіз стакану заявок

Знімки стакану заявок Level 2

Фіксуємо повний стакан заявок кожні 100-500 мс:

Python — Обробка стакану заявок
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):
# Отримуємо топ-10 bid та 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 = бича (більший тиск на купівлю)
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 # відсотковий спред

Мікроструктурні сигнали

Отримуйте дієві сигнали зі структури стану заявок:

Метрики ринкової мікроструктури

Середньозважена ціна за обсягом (VWAP)

Кращий орієнтир для виконання, ніж проста ціна закриття:

Python — розрахунок VWAP
def calculate_vwap(ticks):
# ticks: список кортежів (ціна, обсяг)
numerator = sum(price * volume for price, volume in ticks)
denominator = sum(volume for _, volume in ticks)
return numerator / denominator

Співвідношення купівлі/продажу тейкера

Визначте, яка сторона є агресивною:

Python — аналіз тейкера
def get_taker_direction(tick):
# Якщо ціна угоди = bid, то продавець був агресивним (пропозиція)
# Якщо ціна угоди = ask, то покупець був агресивним (попит)
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" # Усередині спреду, можливо, темний 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) # % покупки

Архітектура реального часу

Обробка потоків WebSocket

Підключіться до WebSocket Bybit/Binance/Hyperliquid для отримання даних у реальному часі:

Python — Обробник живого потоку
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:
# Підписка на потік торгів
await ws.send(json.dumps({
"op": "subscribe",
"args": [f"publicTrade.{symbol}"]
}))
async for message in ws:
data = json.loads(message)
for trade в дані["data"]:
on_tick(
exchange="bybit",
symbol=symbol,
price=float(trade["price"]),
size=float(trade["size"]),
side=trade["side"],
timestamp=int(trade["time"])
)

Розподілена обробка з Redis Streams

Обробляйте мільйони тиків на день за допомогою черги повідомлень:

Python — обробка потоків Redis
import redis
r = redis.Redis(host='localhost', port=6379)
# Продюсер: відправлення тиків у потік
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
})
# Група споживачів читає з відстеженням лагу
r.xgroup_create(stream_key, "analytics", id="$", mkstream=True)

Додавайте реальні сигнали до вашої аналітики

Smart Money API агрегує дані тиків з 3 бірж та 250+ гаманців китів. Використовуйте наші попередньо обчислені мікроструктурні сигнали для покращення вашої власної аналітики в реальному часі.

Розпочати Безкоштовно Сьогодні →