ETF de ativo digital listado em Hong Kong, banco de dados temporal ajuda na aplicação de análise institucional

O ETF de ativo digital de Hong Kong foi oficialmente lançado em 15 de abril, injetando uma forte dinâmica no mercado de ativos digitais e trazendo novas oportunidades de investimento para os investidores. Como um produto de investimento, o ativo digital está se desenvolvendo rapidamente em todo o mundo de forma imparável.

No último mês, ativos digitais de destaque como BTC e ETH passaram por grandes oscilações, marcando o início de uma nova rodada de bull market. Isso não apenas atraiu a atenção de muitos investidores, mas também impôs exigências mais altas às tecnologias das plataformas de negociação.

Desafios na armazenagem e processamento de dados

O mercado de negociação de ativos digitais tem suas particularidades:

• Negociação ininterrupta 24 horas por dia, gerando mais de 10 TB de dados de mercado diariamente, e em crescimento contínuo
• A quantidade de dados de mercado de diferentes moedas é extremamente desequilibrada, com os ativos principais ocupando a maior parte.
• A profundidade do livro de ordens varia enormemente, desde dezenas até milhares de níveis.
• A volatilidade de preços é intensa, exigindo um alto nível de latência do sistema.

A solução para o impasse dos bancos de dados de séries temporais

Diante dos desafios mencionados, os bancos de dados de séries temporais tornaram-se a solução ideal:

• Projetado para processar dados de séries temporais, armazenamento e consulta eficientes de grandes volumes de dados
• Processamento rápido de grandes volumes de dados para gravações e consultas, atendendo às necessidades em tempo real
• Comprimir eficazmente dados de séries temporais, reduzindo custos de armazenamento
• Consulta eficiente de dados históricos, suporta análise de séries temporais complexas
• Tem sido amplamente aplicado em instituições financeiras tradicionais, proporcionando a base para o funcionamento estável do sistema.

8 indicadores técnicos comuns de análise

1. Preço médio móvel ( MA )

A média móvel é utilizada para identificar pontos de reversão de tendência, níveis de suporte e resistência. O código abaixo pode calcular rapidamente este indicador:

sql selecionar tempo de negociação, código como par, preço , tmavg(datetime(tradeTime),preço,10s) como movingAvg10Sec , tmavg(datetime(tradeTime),preço,30s) como movingAvg30Sec , tmavg(datahora(horaDeNegociação),preço,45s) como médiaMóvel45Seg from (select * from aggTradeStream10 where code =BTCUSDT order by id asc) where tradeTime > temporalAdd(now(),-485m)

2. Gráfico de velas

O gráfico de velas é um dos indicadores técnicos mais importantes. O código a seguir pode realizar o cálculo em tempo real do gráfico de velas:

sql selecionar primeiro(preço) como abertura, último(preço) como fechamento, mínimo(preço) como baixo, máximo(preço) como alto, sum(quantidade) como volume de aggTradeStream10 onde temporalAdd(agora(),-540,'m') < tradeTime e código=BTCUSDT group by bar(tradeTime,1s)

3. Índice de Força Relativa ( RSI )

O RSI é utilizado para medir a velocidade e a amplitude das variações de preço, podendo identificar tendências de sobrecompra e sobrevenda. O código de cálculo é o seguinte:

sql use ta selecionar tempo, rsi(close,20) como RSI, 70 como limite superior, 30 como limite inferior de (selecionar primeiro(preço) aberto, último(preço) como fechamento, min(preço) como baixo, max(preço) como alto, soma(quantidade) como vol de aggTradeStream10 onde temporalAdd(agora(),-32,'H') <= tradeTime e código="BTCUSDT" agrupado por código, bar(tradeTime,1s) como tempo)

4. Média Móvel Convergente e Divergente(MACD)

MACD é utilizado para avaliar o momento de compra e venda, tendo um bom desempenho em mercados voláteis. O código de cálculo é o seguinte:

sql use ta select time, macd(close) as DIFDEAMACD, 0 as zeroline from (select first(price) as open, último(preço) como fechamento, min(preço) como mínimo, max(preço) como máximo, soma(quantidade) como volume de aggTradeStream10 onde temporalAdd(agora(),-32,'H') \u003c= tradeTime e código="BTCUSDT" agrupado por código, bar(tradeTime,1s) como tempo)

5. Bandas de Bollinger (

As Bandas de Bollinger são usadas para analisar a volatilidade do mercado, confirmar a direção da tendência e identificar sinais de compra e venda. O código de cálculo é o seguinte:

sql use ta select time, bBands)close,5,2,2,2( as LowMidHigh from )select first(price( as open, último)preço( como fechamento, mínimo)preço( como baixo, máximo)preço( como alto, soma)quantidade( como volume de aggTradeStream10 onde temporalAdd)agora((,-32,'H') \u003c= tradeTime e código="BTCUSDT" agrupado por código, bar)tradeTime,1s( como tempo)

![ETF de ativo digital aprovado em Hong Kong inicia a era institucional, a análise e aplicação de bancos de dados irão rapidamente abrir a diferença de competição entre instituições])https://img-cdn.gateio.im/webp-social/moments-03d9d4dc10009d739f865559212d04cb.webp(

) 6. Correlação de pares de negociação

O código para calcular a correlação entre diferentes pares de negociação é o seguinte:

sql a = selecionar avg###preço( como preço de aggTradeStream10 onde código = BTCUSDT ou código = ETHUSDT group by bar)tradetime,1s( as time,code b = selecionar corr)BTCUSDT, ETHUSDT( como corrVal de )selecionar preço de a pivotar por tempo,código( agrupar por barra)tempo,1m( como tempo selecione tempo, tmavg)tempo, corrVal,1H( como corr1h , tmavg)tempo, corrVal,24H( como corr24h de b

![Ativo digital ETF aprovado em Hong Kong inicia a era institucional, a análise e aplicação de bancos de dados rapidamente abrirão a diferença de competição entre instituições])https://img-cdn.gateio.im/webp-social/moments-d9c340d8be6953c88b6ab1be52776813.webp(

) 7. Tabela de Negociação em Tempo Real

O código para mostrar a situação de negociação em tempo real é o seguinte:

sql selecionar tradeTime como timestamp, code como par, caso quando marketMaker = verdadeiro então -1 * quantidade caso contrário quantidade fim como quantidade, case when marketMaker = true then round###-1quantityprice,2( else round)quantity*price,2( fim como consideração, case when )temporalAdd(now((, -8H)-tradeTime)\1000000<0.3 then "x" else "" end as new from aggTradeStream10 where tradeTime > temporalAdd)now((, -1, "M") order by tradeTime desc limit 50

![ETF de ativo digital aprovado em Hong Kong inicia a era institucional, a análise e aplicação de bancos de dados rapidamente abrirão a diferença de competição entre instituições])https://img-cdn.gateio.im/webp-social/moments-af8ad25cd53468e3a6f0ddc46a33de6a.webp(

) 8. Volume de negociação em tempo real ### Direção de compra e venda (

O código para mostrar o volume de transações em tempo real é o seguinte:

sql defg getA)quantidade, preço, marketMaker({ a = iif)marketMaker==true, -1,1( return )aquantidadepreço() } selecionar val from [0]select getA(quantity, price, marketMaker( as val from aggTradeStream10 where tradeTime entre startTime0 e endTime0 agrupado por datetime)tradetime( como tradetime,code) pivô por tradeTime, código

![ETF de ativo digital aprovado em Hong Kong inicia a era institucional, a análise e aplicação de bancos de dados irá rapidamente aumentar a diferença de competição entre instituições])https://img-cdn.gateio.im/webp-social/moments-cd18c737e45944b22923c6cc8b13a265.webp(

Demonstração de desempenho de banco de dados temporal

Abaixo estão alguns dados de desempenho de um banco de dados de séries temporais no setor financeiro tradicional:

• Dentro de um conjunto de dados de 2700 bilhões de linhas, consultas e cálculos de agregação concluídos em milissegundos.
• Cálculo de correlação de 200 milhões de dados em pares, concluído em segundos
• A tabela de transações e a tabela de cotações completam o asofjoin e o windowjoin em subsegundos
• Cálculo de dados diários em todo o mercado do fator WorldQuant98, concluído em milissegundos
• 6,5 bilhões de dados de alta frequência reduzidos para nível de minuto, concluído em 30 segundos
• Cálculo em tempo real de 200 milhões de linhas de dados do mercado inteiro, fator de média móvel dupla OHLC
• Avaliação de 1 milhão de contratos de swap de câmbio, concluída em 400 milissegundos
• 1 bilhão de dados de regressão linear, concluído em segundos
• Cálculo do valor líquido do ETF em tempo real a nível sub-segundo

Estes casos demonstram a poderosa capacidade dos bancos de dados de séries temporais no processamento de grandes volumes de dados, cálculo de indicadores complexos, consultas de múltiplas tabelas e análise em tempo real, fornecendo um forte apoio à análise e negociação de ativo digital.

Com a aprovação do ETF de ativo digital, investidores institucionais entrarão em massa no mercado. Os bancos de dados de séries temporais, com seu alto desempenho e escalabilidade, desempenharão um papel importante no registro e análise de todo o ciclo de vida dos ativos digitais, ajudando os investidores institucionais a entender as tendências do mercado, prever direções e desenvolver estratégias de negociação.