L'ETF d'actif numérique est coté à Hong Kong, la base de données temporelle aide à l'analyse des applications institutionnelles.

L'ETF d'actif numérique de Hong Kong a été officiellement lancé le 15 avril, injectant une forte dynamique sur le marché des actifs numériques et offrant de nouvelles opportunités d'investissement aux investisseurs. En tant que produit d'investissement, les actifs numériques se développent rapidement à l'échelle mondiale de manière irrésistible.

Au cours du mois dernier, des actifs numériques majeurs comme BTC et ETH ont connu de fortes fluctuations, marquant le début d'un nouveau marché haussier. Cela a non seulement attiré l'attention d'un grand nombre d'investisseurs, mais a également posé des exigences plus élevées en matière de technologie pour les plateformes de trading.

Défis liés au stockage et au traitement des données

Le marché des échanges de monnaies numériques a ses spécificités :

• Trading 7*24 heures sans interruption, générant plus de 10 To de données de marché par jour, et en croissance continue.
• Les données de marché des différentes devises sont extrêmement déséquilibrées, les actifs principaux représentant la grande majorité.
• La profondeur du carnet d'ordres varie considérablement, allant de plusieurs dizaines à plusieurs milliers de niveaux.
• Volatilité des prix élevée, exigences de latence système très strictes.

La voie de la rupture des bases de données temporelles

Face à ces défis, les bases de données temporelles deviennent une solution idéale :

• Conçu pour traiter les données de séries temporelles, stocker et interroger efficacement des volumes massifs de données
• Traitement rapide d'un grand volume de données écrites et de requêtes, répondant aux besoins en temps réel
• Compression efficace des données de séries temporelles, réduction des coûts de stockage
• Recherche efficace des données historiques, prenant en charge l'analyse des séries temporelles complexes
• A été largement appliqué aux institutions financières traditionnelles, fournissant une base pour le fonctionnement stable du système.

8 indicateurs techniques courants analysés

1. Prix moyen mobile ( MA )

La moyenne mobile est utilisée pour identifier les points de retournement de tendance, les niveaux de support et les niveaux de résistance. Le code suivant peut calculer rapidement cet indicateur :

sql sélectionner le temps de négociation, code comme paire, prix , tmavg(datetime(tradeTime),prix,10s) comme movingAvg10Sec , tmavg(datetime(tradeTime),prix,30s) comme movingAvg30Sec , tmavg(datetime(tradeTime),prix,45s) en tant que movingAvg45Sec from (select * from aggTradeStream10 where code =BTCUSDT order by id asc) where tradeTime > temporalAdd(now(),-485m)

2. Graphique en chandeliers

Les chandeliers japonais sont l'un des indicateurs techniques les plus importants. Le code suivant permet de calculer les chandeliers en temps réel :

sql sélectionner first(price) comme open, last(price) comme close, min(price) comme low, max(price) comme high, somme(quantité) comme volume de aggTradeStream10 où temporalAdd(maintenant(),-540,'m') < tradeTime et code=BTCUSDT group by bar(tradeTime,1s)

3. Indice de force relative ( RSI )

L'RSI est utilisé pour mesurer la vitesse et l'amplitude des variations de prix, et peut identifier les tendances de surachat et de survente. Le code de calcul est le suivant :

sql utiliser ta sélectionner le temps, rsi(close,20) comme RSI, 70 comme upperbond, 30 comme lowerbond de (sélectionner first(prix) comme ouvert, dernier(prix) comme fermé, min(prix) comme bas, max(prix) comme haut, somme(quantité) comme vol de aggTradeStream10 où temporalAdd(now(),-32,'H') \u003c= tradeTime et code="BTCUSDT" grouper par code, bar(tradeTime,1s) en tant que time)

4. Moyenne mobile de convergence-divergence ( MACD )

Le MACD est utilisé pour évaluer les moments d'achat et de vente, et il fonctionne bien dans des marchés volatils. Le code de calcul est le suivant :

sql utiliser ta sélectionner le temps, macd(close) comme DIFDEAMACD, 0 comme zeroline de (sélectionner first(price) comme open, dernier(prix) comme clôture, min(prix) comme bas, max(prix) comme haut, somme(quantité) comme vol de aggTradeStream10 où temporalAdd(maintenant(),-32,'H') <= tradeTime et code="BTCUSDT" groupe par code, bar(tradeTime,1s) comme time)

5. Bandes de Bollinger (

Les bandes de Bollinger sont utilisées pour analyser la volatilité du marché, confirmer la direction de la tendance et identifier les signaux d'achat et de vente. Le code de calcul est le suivant :

sql utiliser ta sélectionner temps, bBands)close,5,2,2,2( comme LowMidHigh à partir de )sélectionner premier(prix( comme ouvert, dernier)prix( comme fermeture, min)prix( comme bas, max)prix( comme haut, somme)quantité( comme vol de aggTradeStream10 où temporalAdd)maintenant((,-32,'H') \u003c= tradeTime et code="BTCUSDT" grouper par code, bar)tradeTime,1s( comme time)

![actif numérique ETF a été approuvé à Hong Kong, ouvrant l'ère des institutions, l'analyse et l'application des bases de données vont rapidement creuser l'écart de concurrence entre les institutions])https://img-cdn.gateio.im/webp-social/moments-03d9d4dc10009d739f865559212d04cb.webp(

) 6. Corrélation des paires de trading

Le code de calcul de la corrélation entre différents paires de trading est comme suit :

sql a = sélectionner avg###prix( comme prix de aggTradeStream10 où code = BTCUSDT ou code = Groupe ETHUSDT par bar)tradetime,1s( comme time,code b = select corr)BTCUSDT, ETHUSDT( as corrVal from )select price from a pivot by temps,code( grouper par bar)temps,1m( comme temps sélectionner le temps, tmavg)temps, corrVal,1H( comme corr1h , tmavg)temps, corrVal,24H( comme corr24h de b

![actif numérique ETF approuvé à Hong Kong, ouvrant l'ère institutionnelle, l'analyse et l'application de la base de données vont rapidement creuser l'écart de concurrence entre les institutions])https://img-cdn.gateio.im/webp-social/moments-d9c340d8be6953c88b6ab1be52776813.webp(

) 7. Tableau de trading en temps réel

Le code affichant la situation des transactions en temps réel est le suivant :

sql sélectionner tradeTime comme timestamp, code comme paire, cas quand marketMaker = vrai alors -1 * quantité sinon quantité fin comme quantité, cas lorsque marketMaker = vrai alors round###-1quantitéprix,2( sinon round)quantité*prix,2( fin comme contrepartie, case when )temporalAdd(now((, -8H)-tradeTime)\1000000<0.3 then "x" else "" end as new de aggTradeStream10 où tradeTime > temporalAdd)now((, -1, "M") ordre par tradeTime desc limite 50

![actif numérique ETF approuvé à Hong Kong, ouvrant l'ère institutionnelle, l'analyse et l'application des bases de données vont rapidement creuser l'écart de concurrence entre les institutions])https://img-cdn.gateio.im/webp-social/moments-af8ad25cd53468e3a6f0ddc46a33de6a.webp(

) 8. Volume d'échanges en temps réel ### Direction d'achat et de vente (

Le code pour afficher le montant des transactions en temps réel est le suivant :

sql defg getA)quantité, prix, marketMaker({ a = iif)marketMaker==true, -1,1( return )aquantityprice() } sélectionner val from [0]select getA(quantity, price, marketMaker( as val from aggTradeStream10 where tradeTime entre startTime0 et endTime0 groupé par datetime)tradetime( en tant que tradetime,code) pivot par tradeTime, code

![ETF des actifs numériques approuvé à Hong Kong, l'analyse et l'application des bases de données ouvriront rapidement l'écart de compétitivité entre les institutions])https://img-cdn.gateio.im/webp-social/moments-cd18c737e45944b22923c6cc8b13a265.webp(

Démonstration des performances de la base de données temporelle

Voici quelques données de performance d'une base de données temporelle dans le domaine de la finance traditionnelle :

• Dans un ensemble de données de 270 milliards de lignes, requêtes et calculs d'agrégation complétés en millisecondes.
• 200 millions de données calculées pour la corrélation deux à deux, complété en une seconde.
• Les tables de transactions et les tableaux de cotations complètent les jointures asof et window en sous-seconde.
• Calcul des données quotidiennes du facteur WorldQuant98 sur l'ensemble du marché, complété en millisecondes.
• 6,5 milliards de données haute fréquence réduites à la minute, terminées en 30 secondes
• Calcul en temps réel des données de 200 millions de lignes par jour pour le facteur de double moyenne mobile OHLC sur l'ensemble du marché.
• Évaluation de 1 million de contrats de swap de devises, achevée en 400 millisecondes
• 10 milliards de régressions linéaires de données, complétées en une seconde
• Calcul de la valeur nette d'inventaire de l'ETF à l'échelle de la microseconde

Ces cas montrent la puissance des bases de données temporelles dans le traitement de grandes quantités de données, le calcul d'indicateurs complexes, les requêtes de jointure sur plusieurs tables, l'analyse en temps réel, etc., offrant un soutien solide à l'analyse et au trading d'actifs numériques.

Avec l'approbation des ETF d'actifs numériques, les investisseurs institutionnels entreront massivement sur le marché. Les bases de données temporelles, grâce à leur haute performance et leur évolutivité, joueront un rôle important dans l'enregistrement et l'analyse de l'ensemble du cycle de vie des actifs numériques, aidant les investisseurs institutionnels à comprendre les tendances du marché, à prévoir les orientations et à développer des stratégies de trading.