Aset digital ETF terdaftar di Hong Kong, database waktu membantu aplikasi analisis institusi

ETF aset digital Hong Kong resmi diluncurkan pada 15 April, memberikan dorongan kuat kepada pasar aset digital dan juga membawa peluang investasi baru bagi para investor. Sebagai produk investasi, aset digital sedang berkembang pesat di seluruh dunia dengan kekuatan yang tak terhindarkan.

Selama sebulan terakhir, aset digital utama seperti BTC dan ETH telah mengalami fluktuasi besar, menandakan dimulainya putaran baru bull market. Ini tidak hanya menarik perhatian banyak investor, tetapi juga menuntut teknologi platform perdagangan yang lebih tinggi.

Tantangan dalam Penyimpanan dan Pengolahan Data

Pasar perdagangan mata uang digital memiliki keunikan tersendiri:

• 7*24 jam perdagangan tanpa henti, menghasilkan lebih dari 10TB data pasar setiap hari, dan terus meningkat
• Data pasar berbagai mata uang sangat tidak seimbang, aset utama menguasai sebagian besar
• Perbedaan kedalaman order sangat besar, dari belasan level hingga ribuan level.
• Fluktuasi harga sangat tajam, dengan persyaratan waktu tunda sistem yang sangat tinggi

Cara Memecahkan Masalah Basis Data Waktu

Menghadapi tantangan di atas, basis data waktu nyata menjadi solusi ideal:

• Dirancang khusus untuk menangani data deret waktu, penyimpanan dan pengambilan data dalam jumlah besar yang efisien.
• Memproses permintaan penulisan dan kueri data dalam jumlah besar dengan cepat, memenuhi kebutuhan waktu nyata
• Mengompresi data deret waktu secara efektif, mengurangi biaya penyimpanan
• Efisien dalam mencari data historis, mendukung analisis deret waktu yang kompleks
• Telah banyak diterapkan di lembaga keuangan tradisional, menyediakan dasar untuk operasi sistem yang stabil.

8 indikator teknis yang sering digunakan untuk analisis

1. Harga rata-rata bergerak ( MA )

Harga rata-rata bergerak digunakan untuk mengidentifikasi titik pembalikan tren, level support, dan level resistance. Kode berikut dapat dengan cepat menghitung indikator ini:

sql pilih waktu perdagangan, kode sebagai pasangan, harga , tmavg(datetime(tradeTime),harga,10s) sebagai movingAvg10Detik , tmavg(datetime(tradeTime),harga,30s) sebagai movingAvg30Detik , tmavg(datetime(tradeTime),harga,45s) sebagai movingAvg45Sec dari (pilih * dari aggTradeStream10 di mana kode =BTCUSDT urutkan berdasarkan id asc) di mana tradeTime > temporalAdd(now(),-485m)

2. Grafik K garis

K-line adalah salah satu indikator teknis yang paling penting. Kode berikut dapat digunakan untuk menghitung K-line secara real-time:

sql pilih first(price) sebagai open, last(price) sebagai close, min(price) sebagai low, max(price) sebagai high, jumlah(kuantitas) sebagai volume dari aggTradeStream10 di mana temporalAdd(now(),-540,'m') < tradeTime dan code=BTCUSDT group by bar(tradeTime,1s)

3. Indeks Kekuatan Relatif ( RSI )

RSI digunakan untuk mengukur kecepatan dan amplitudo pergerakan harga, dapat mengidentifikasi tren overbought dan oversold. Kode perhitungannya adalah sebagai berikut:

sql gunakan ta pilih waktu, rsi(tutup,20) sebagai RSI, 70 sebagai batas atas, 30 sebagai batas bawah dari (pilih pertama(harga) sebagai terbuka, terakhir(harga) sebagai tutup, min(harga) sebagai lo, max(harga) sebagai hi, jumlah(kuantitas) sebagai vol dari aggTradeStream10 di mana temporalAdd(sekarang(),-32,'H') <= tradeTime dan kode="BTCUSDT" group by code, bar(tradeTime,1s) as time)

4. Rata-rata Pergerakan Konvergensi-Divergensi ( MACD )

MACD digunakan untuk menentukan waktu beli dan jual, dan efektif dalam kondisi pasar yang bergejolak. Kode perhitungan adalah sebagai berikut:

sql gunakan ta pilih waktu, macd(tutup) sebagai DIFDEAMACD, 0 sebagai garis nol dari (pilih pertama(harga) sebagai buka, terakhir(harga) sebagai close, min(harga) sebagai lo, max(harga) sebagai hi, jumlah(kuantitas) sebagai vol dari aggTradeStream10 di mana temporalAdd(now(),-32,'H') <= tradeTime dan code="BTCUSDT" group by code, bar(tradeTime,1s) as time)

5. Bollinger Bands (

Bollinger Bands digunakan untuk menganalisis volatilitas pasar, mengonfirmasi arah tren, dan mengidentifikasi sinyal beli dan jual. Kode perhitungan adalah sebagai berikut:

sql gunakan ta pilih waktu, bBands)tutup,5,2,2,2( sebagai LowMidHigh dari )pilih pertama(harga( sebagai buka, last)price( sebagai close, min)price( sebagai lo, max)price( sebagai hi, sum)quantity( sebagai vol dari aggTradeStream10 di mana temporalAdd)now((,-32,'H') <= tradeTime dan code="BTCUSDT" group by code, bar)tradeTime,1s( as time)

![aset digital ETF di Hong Kong disetujui, membuka era institusional, analisis dan aplikasi basis data akan dengan cepat memperlebar kesenjangan kompetisi antar institusi])https://img-cdn.gateio.im/webp-social/moments-03d9d4dc10009d739f865559212d04cb.webp(

) 6. Korelasi pasangan perdagangan

Kode perhitungan korelasi antara pasangan perdagangan yang berbeda adalah sebagai berikut:

sql a = pilih avg###harga( sebagai harga dari aggTradeStream10 dimana kode = BTCUSDT atau kode = ETHUSDT grup berdasarkan bar)waktu perdagangan,1s( sebagai waktu, kode b = pilih corr)BTCUSDT, ETHUSDT( sebagai corrVal dari )pilih harga dari a pivot berdasarkan waktu, kode( kelompok berdasarkan bar)waktu, 1m( sebagai waktu pilih waktu, tmavg)waktu, corrVal,1H( sebagai corr1h , tmavg)waktu, corrVal,24H( sebagai corr24h dari b

![aset digital ETF di Hong Kong disetujui, memulai era institusi, analisis dan aplikasi basis data akan dengan cepat memperbesar kesenjangan kompetisi antar institusi])https://img-cdn.gateio.im/webp-social/moments-d9c340d8be6953c88b6ab1be52776813.webp(

) 7. Tabel Perdagangan Waktu Nyata

Kode untuk menampilkan situasi perdagangan waktu nyata adalah sebagai berikut:

sql pilih tradeTime sebagai timestamp, kode sebagai pasangan, kasus ketika marketMaker = benar maka -1 * jumlah lain jumlah akhir sebagai jumlah, kasus ketika marketMaker = benar maka bundar###-1jumlahharga,2( lain bundar)jumlah*harga,2( akhir sebagai pertimbangan, kasus ketika )temporalAdd(sekarang((, -8H)-waktuPerdagangan)\1000000<0.3 maka "x" lain "" akhir sebagai baru dari aggTradeStream10 di mana tradeTime > temporalAdd)now((, -1, "M") urutkan berdasarkan tradeTime desc limit 50

![aset digital ETF di Hong Kong disetujui untuk memulai era institusi, analisis dan aplikasi basis data akan dengan cepat membuka jarak persaingan antar institusi])https://img-cdn.gateio.im/webp-social/moments-af8ad25cd53468e3a6f0ddc46a33de6a.webp(

) 8. Nilai Transaksi Real-Time ### Arah Jual Beli (

Kode untuk menampilkan volume transaksi secara real-time adalah sebagai berikut:

sql defg getA)quantity, price, marketMaker({ a = iif)marketMaker==true, -1,1( return )aquantityprice() } pilih val dari [0]pilih getA(kuantitas, harga, marketMaker( sebagai val dari aggTradeStream10 di mana tradeTime antara startTime0 dan endTime0 grup berdasarkan datetime)tradetime( sebagai tradetime,code) pivot oleh tradeTime, code

![aset digital ETF disetujui di Hong Kong, analisis dan aplikasi basis data akan dengan cepat membuka jarak persaingan antar institusi])https://img-cdn.gateio.im/webp-social/moments-cd18c737e45944b22923c6cc8b13a265.webp(

Tampilan Kinerja Basis Data Waktu

Berikut adalah beberapa data kinerja dari database waktu tertentu di bidang keuangan tradisional:

• Dalam dataset 2700 miliar baris, menyelesaikan kueri dan perhitungan agregat dalam level milisekon.
• 200 juta data dihitung relevansinya dua-dua, selesai dalam detik
• Tabel perdagangan dan tabel harga selesai dalam subdetik untuk asofjoin dan windowjoin
• Perhitungan data frekuensi harian pasar penuh untuk faktor WorldQuant No. 98, diselesaikan dalam milidetik
• 6,5 miliar data frekuensi tinggi diturunkan menjadi tingkat menit, selesai dalam 30 detik
• Perhitungan data 200 juta baris secara real-time OHLC dua rata-rata di seluruh pasar dalam sehari
• Estimasi nilai kontrak swap forex 1 juta, selesai dalam 400 milidetik
• 1 miliar regresi linier data, selesai dalam detik
• Perhitungan nilai bersih ETF tingkat inti dalam sub-detik

Kasus-kasus ini menunjukkan kemampuan kuat basis data waktu dalam memproses data besar, perhitungan indikator kompleks, kueri asosiasi multi-tabel, analisis waktu nyata dan aspek-aspek lainnya, memberikan dukungan yang kuat untuk analisis dan perdagangan aset digital.

Dengan disetujuinya ETF aset digital, investor institusi akan memasuki pasar secara besar-besaran. Basis data waktu nyata, dengan kinerja tinggi dan skalabilitas, akan memainkan peran penting dalam pencatatan dan analisis sepanjang siklus hidup aset digital, membantu investor institusi untuk memahami tren pasar, memprediksi arah, dan mengembangkan strategi perdagangan.