ETF de activo digital en Hong Kong, la base de datos temporal ayuda a las aplicaciones de análisis institucional

El ETF de activos digitales de Hong Kong se lanzó oficialmente el 15 de abril, inyectando un fuerte impulso al mercado de activos digitales y brindando nuevas oportunidades de inversión a los inversores. Como un producto de inversión, los activos digitales están desarrollándose rápidamente en todo el mundo a un ritmo imparable.

En el último mes, activos digitales de referencia como BTC y ETH han experimentado grandes fluctuaciones, marcando el inicio de una nueva ronda de mercado alcista. Esto no solo ha atraído la atención de numerosos inversores, sino que también ha planteado mayores exigencias a la tecnología de las plataformas de trading.

Desafíos en el almacenamiento y procesamiento de datos

El mercado de intercambio de activos digitales tiene sus particularidades:

• Comercio ininterrumpido 7*24 horas, generando más de 10TB de datos de mercado diarios, y en continuo crecimiento
• Los datos del mercado de diferentes criptomonedas son extremadamente desiguales, los activos principales ocupan la mayor parte.
• La diferencia en la profundidad del mercado es enorme, desde decenas de niveles hasta miles de niveles.
• La volatilidad de los precios es extrema, y los requisitos de latencia del sistema son muy altos.

La forma de romper el estancamiento de las bases de datos de series temporales

Ante los desafíos mencionados, la base de datos temporal se convierte en la solución ideal:

• Diseñado para manejar datos de series temporales, almacenamiento y consulta eficientes de grandes volúmenes de datos
• Procesamiento rápido de grandes volúmenes de datos de escritura y solicitudes de consulta para satisfacer las necesidades en tiempo real
• Compresión efectiva de datos de series temporales, reduciendo los costos de almacenamiento
• Consulta eficiente de datos históricos, soporta análisis de series temporales complejas
• Se ha aplicado ampliamente en instituciones financieras tradicionales, proporcionando una base para el funcionamiento estable del sistema.

8 indicadores técnicos comunes de análisis

1. Precio medio móvil ( MA )

El precio promedio móvil se utiliza para identificar puntos de inflexión de tendencias, niveles de soporte y niveles de resistencia. El siguiente código puede calcular este indicador rápidamente:

sql seleccionar tiempo de comercio, código como par, precio , tmavg(datetime(tradeTime),precio,10s) como movingAvg10Sec , tmavg(datetime(tradeTime),precio,30s) como movingAvg30Sec , tmavg(datetime(tradeTime),precio,45s) como movingAvg45Sec de (seleccionar * de aggTradeStream10 donde código =BTCUSDT ordenar por id asc) donde tradeTime > temporalAdd(now(),-485m)

2. Gráfico de velas

El gráfico de velas es uno de los indicadores técnicos más importantes. El siguiente código puede realizar el cálculo en tiempo real del gráfico de velas:

sql seleccionar first(price) como open, last(price) como close, min(price) como low, max(price) como high, sum(cantidad) como volumen de aggTradeStream10 donde temporalAdd(ahora(),-540,'m') < tradeTime y code=BTCUSDT group by bar(tradeTime,1s)

3. Índice de Fuerza Relativa ( RSI )

RSI se utiliza para medir la velocidad y la amplitud de los cambios de precio, y puede identificar tendencias de sobrecompra y sobreventa. El código de cálculo es el siguiente:

sql usar ta seleccionar tiempo, rsi(cierre,20) como RSI, 70 como límite superior, 30 como límite inferior de (seleccionar primero(precio) como abierto, último(precio) como cierre, min(precio) como lo, max(precio) como hi, suma(cantidad) como vol de aggTradeStream10 donde temporalAdd(ahora(),-32,'H') <= tradeTime y code="BTCUSDT" agrupado por código, bar(tradeTime,1s) como tiempo)

4. Media móvil convergente-divergente ( MACD )

El MACD se utiliza para evaluar el momento de compra y venta, y funciona bien en mercados de consolidación. El código de cálculo es el siguiente:

sql usar ta seleccionar tiempo, macd(cerrar) como DIFDEAMACD, 0 como zeroline de (seleccionar primero(precio) como abrir, último(precio) como cierre, mínimo(precio) como bajo, máximo(precio) como alto, suma(cantidad) como vol from aggTradeStream10 donde temporalAdd(ahora(),-32,'H') <= tradeTime y código="BTCUSDT" group by code, bar(tradeTime,1s) as time)

5. Bandas de Bollinger (

Las bandas de Bollinger se utilizan para analizar la volatilidad del mercado, confirmar la dirección de la tendencia e identificar señales de compra y venta. El código de cálculo es el siguiente:

sql usa ta seleccionar tiempo, bBands)cerrar,5,2,2,2( como BajoMedioAlto de )seleccionar primero(precio( como abrir, último)precio( como cierre, min)precio( como lo, max)precio( como hi, suma)cantidad( como vol de aggTradeStream10 donde temporalAdd)ahora((,-32,'H') <= tradeTime y código="BTCUSDT" group by code, bar)tradeTime,1s( as time)

![Activo digital ETF aprobado en Hong Kong, el análisis y la aplicación de bases de datos abrirán rápidamente la brecha de competencia entre instituciones])https://img-cdn.gateio.im/webp-social/moments-03d9d4dc10009d739f865559212d04cb.webp(

) 6. Correlación de pares de negociación

El código para calcular la correlación entre diferentes pares de negociación es el siguiente:

sql a = seleccionar avg###precio( como precio de aggTradeStream10 donde código = BTCUSDT o código = Grupo ETHUSDT por barra ) tradetime, 1s ( como time, code b = seleccionar corr)BTCUSDT, ETHUSDT( como corrVal de )seleccionar precio de a pivote por tiempo,código( agrupar por barra)tiempo,1m( como tiempo seleccionar tiempo, tmavg)tiempo, corrVal,1H( como corr1h , tmavg)tiempo, corrVal,24H( como corr24h de b

![El ETF de activo digital ha sido aprobado en Hong Kong, abriendo la era institucional, el análisis y la aplicación de bases de datos aumentarán rápidamente la brecha de competencia entre instituciones])https://img-cdn.gateio.im/webp-social/moments-d9c340d8be6953c88b6ab1be52776813.webp(

) 7. Tabla de transacciones en tiempo real

El código para mostrar la situación del comercio en tiempo real es el siguiente:

sql select tradeTime as timestamp, code as pair, case when marketMaker = true then -1 * cantidad else cantidad end as cantidad, case when marketMaker = true then round###-1quantityprice,2( else round)quantity*price,2( fin como contraprestación, case cuando )temporalAdd(ahora((, -8H)-tiempoDeComercio)\1000000<0.3 entonces "x" else "" fin como nuevo from aggTradeStream10 where tradeTime > temporalAdd)now((, -1, "M") order by tradeTime desc limit 50

![ETF de activo digital aprobado en Hong Kong inicia la era institucional, el análisis y la aplicación de bases de datos abrirán rápidamente la brecha de competencia entre instituciones])https://img-cdn.gateio.im/webp-social/moments-af8ad25cd53468e3a6f0ddc46a33de6a.webp(

) 8. Volumen de transacciones en tiempo real ### Dirección de compra y venta (

El código para mostrar el volumen de transacciones en tiempo real es el siguiente:

sql defg getA)cantidad, precio, marketMaker({ a = iif)marketMaker==true, -1,1( return )aquantityprice() } seleccionar val from [0]select getA(cantidad, precio, marketMaker( como val de aggTradeStream10 donde tradeTime entre startTime0 y endTime0 agrupar por datetime)tradetime( como tradetime,código) pivote por tradeTime, código

![El ETF de activo digital ha sido aprobado en Hong Kong, abriendo la era institucional, el análisis y la aplicación de bases de datos reducirán rápidamente la brecha de competencia entre instituciones])https://img-cdn.gateio.im/webp-social/moments-cd18c737e45944b22923c6cc8b13a265.webp(

Demostración del rendimiento de la base de datos de series temporales

A continuación se presentan algunos datos de rendimiento de una base de datos de series temporales en el ámbito financiero tradicional:

• En un conjunto de datos de 2700 millones de filas, se completan consultas y cálculos de agregación en milisegundos.
• Cálculo de correlación de 200 millones de datos en pares, completado en segundos
• La tabla de operaciones y la tabla de cotizaciones completan el asofjoin y el windowjoin en niveles de subsegundo
• Cálculo de datos diarios de frecuencia completa del mercado del factor 98 de WorldQuant, completado en milisegundos
• 6.5 mil millones de datos de alta frecuencia se reducen a nivel de minutos, completado en 30 segundos.
• Cálculo en tiempo real de factores de doble media móvil OHLC con 200 millones de líneas de datos del mercado en un día
• Valoración de 1 millón de contratos de swap de divisas, completado en 400 milisegundos
• 10 mil millones de regresión lineal de datos, completado en segundos
• Cálculo del valor neto del ETF a nivel de subsegundo en tiempo real

Estos casos demuestran la poderosa capacidad de las bases de datos de series temporales en el procesamiento de grandes volúmenes de datos, el cálculo de indicadores complejos, las consultas de múltiples tablas y el análisis en tiempo real, proporcionando un sólido apoyo para el análisis y comercio de activo digital.

Con la aprobación del ETF de activo digital, los inversores institucionales ingresarán masivamente al mercado. Las bases de datos de series temporales, gracias a su alto rendimiento y escalabilidad, desempeñarán un papel importante en el registro y análisis de todo el ciclo de vida de los activos digitales, ayudando a los inversores institucionales a comprender las tendencias del mercado, predecir direcciones y desarrollar estrategias de trading.