Overzicht
Tickdata is marktdata in de hoogste resolutie: elke transactie, elke wijziging in de bied- of laatkoers en elke orderboekupdate afzonderlijk vastgelegd met een precieze tijdstempel. Waar een bar de activiteit samenvat in open, hoog, laag en slot, bewaart tickdata elke beweging daarbinnen: de biedkoers die vlak voor een grote trade verschoof, de spread die opliep bij weinig liquiditeit, de golf van activiteit vlak voordat een koersniveau brak.
Een liquide instrument kan op piekmomenten duizenden updates per seconde opleveren, en een portefeuille over meerdere handelsplatforms miljoenen per uur. Die data efficiënt opslaan, snel bevragen en omzetten naar bars, volumeprofielen en orderflowcijfers vraagt een architectuur die voor tickdata is gebouwd, niet een algemene database die er toevallig ook mee overweg moet.
Wij bouwen infrastructuur voor tickdata op maat voor systematische handelsfirma's, kwantitatieve onderzoeksteams en organisaties die tickdata in hun handel of onderzoek gebruiken, van het vastleggen van één instrumentuniversum tot platforms voor microstructuuranalyse over meerdere beurzen.
Wat tickdataverwerking omvat
Vastleggen. Trades en quotes uit beursfeeds, brokerstreams en API's van dataleveranciers. Per trade: instrument, tijdstempel in micro- of nanoseconden waar de feed dat levert, prijs, volume en, als de feed die meegeeft, de aggressorzijde. Per quote: tijdstempel, beste bied- en laatkoers met de bijbehorende omvang, en desgewenst de volledige diepte. Waar snelheid telt, minimaliseren wij de vertraging; voor onderzoek is volledigheid belangrijker, en mag er geen tick verloren gaan. Gaten tijdens het vastleggen, door een verbindings- of feedprobleem, worden gemarkeerd in plaats van stilzwijgend in de historie te belanden.
Opslag. Tickdata wordt continu en in grote hoeveelheden geschreven en vooral per instrument over een tijdvenster bevraagd. Kolomopslag en tijdreeksdatabases passen daar goed bij: TimescaleDB, ClickHouse, InfluxDB of Parquet-bestanden op objectopslag, elk met eigen afwegingen in schrijfsnelheid, querysnelheid, compressie en beheer. Parquet comprimeert tickdata sterk en is direct te gebruiken in de Python-stack (Pandas, PyArrow, Dask); voor onderzoek in grote batches is dat vaak de praktischste keuze. Partitionering per instrument en dag of maand houdt queries snel, en deltacodering van opeenvolgende prijzen maakt de opslag compact.
Bars bouwen uit ticks. Tijdbars (OHLCV) op elke resolutie, van 1 seconde tot een dag. Volumebars die sluiten na een vast volume, tickbars na een vast aantal trades en dollarbars na een vast verhandeld bedrag, zodat elke bar evenveel marktactiviteit vertegenwoordigt. En Renko en range bars die sluiten na een vaste koersbeweging.
Orderflow. Het indelen van trades als koper- of verkopergeïnitieerd: met de aggressorvlag van de beurs waar die er is, anders met het Lee-Ready-algoritme per trade, of met Bulk Volume Classification, dat de koop- en verkoopverdeling per bar schat uit de koersverandering. Daarop volgen delta (koop- min verkoopvolume) en cumulatieve delta, volume per prijsniveau voor footprintgrafieken, en volumeprofielen met de prijsniveaus waar het meeste volume omging.
Microstructuuranalyse. De spread, tijd- en volumegewogen, over het uur van de dag, de weekdag en rond nieuwsmomenten. De koersimpact per eenheid volume, meestal het grootste deel van de uitvoeringskosten van grote orders. En terugkerende intradagpatronen in activiteit, spread en volatiliteit, als basis voor het plannen van uitvoering en sessiefilters.
Opschonen. Uitschieters herkennen ten opzichte van de omliggende koersen en de normale volatiliteit van het instrument: een beweging van 1% binnen een seconde kan bij een volatiele cryptomunt kloppen, maar is bij een groot aandeel in een normale markt zeldzaam. Dubbele records verwijderen, die vaak ontstaan bij herverbinden. En tijdstempels omzetten naar UTC met een consistente precisie, zodat bronnen in de juiste volgorde staan.
Toegang voor onderzoek. Een API voor ticks per instrument en periode, met filters zoals alleen trades of een minimale omvang, en kant-en-klare bars van elk type. Plus een Python-client die de data met één aanroep als Pandas DataFrame laadt.
Gebruikte technologieën
- Rust — snelle inname van tickdata, realtime opbouw van bars, orderflowberekening, validatiepijplijn
- Python — dataverwerking voor onderzoek, statistische analyse, Pandas-compatibele bibliotheken voor datatoegang
- C# / ASP.NET Core — koppelingen met beursfeeds en dataleveranciers, REST API voor onderzoeksdata
- TimescaleDB / PostgreSQL — opslag van tickdata met tijdreeksoptimalisatie en automatische partitionering
- ClickHouse — kolomgebaseerde analytische database voor snelle queries op grote hoeveelheden tickdata
- Parquet / Apache Arrow — kolomgebaseerd bestandsformaat voor compacte opslag, direct bruikbaar in Python
- Redis — actuele tickstatus, cache van recente ticks voor het initialiseren van indicatoren, coördinatie van verwerking
- Apache Kafka — inname van grote tickstromen en verdeling naar meerdere afnemende systemen
- AWS S3 / object opslag — voordelige archivering van grote hoeveelheden tickdata
- WebSocket — realtime verbindingen met beursfeeds voor het vastleggen van ticks
- Binance / Bybit / Kraken WebSocket API's — vastleggen van tickdata van cryptobeurzen
- Interactive Brokers TWS API — tickdata van aandelen en futures
- Massive (Polygon.io) / LSEG (Refinitiv) API's — tickdata van professionele leveranciers
- NumPy / Pandas / PyArrow — numerieke analyse van tickdata in Python
Tickdata als basis voor onderzoek
Onderzoek is nooit beter dan de data waarop het rust. Op dagbars ziet u geen intradagpatronen, en tickdata met onopgemerkte fouten leidt tot conclusies die live niet standhouden. Een backtest op bars mist bovendien details die op tickniveau wel zichtbaar zijn, zoals de volgorde van koersbewegingen binnen een bar en de spread op het moment van uitvoering. Infrastructuur die tickdata volledig vastlegt, grondig controleert, compact opslaat en goed ontsloten aanbiedt, is daarom de basis voor serieus systematisch onderzoek.
Veelgestelde vragen
Hoeveel opslag vraagt tickdata?
Dat hangt af van de instrumenten, de handelsplatforms en of u ook quotes en orderboekdata bewaart of alleen trades. Kolomformaten zoals Parquet en databases zoals ClickHouse of TimescaleDB comprimeren tickdata sterk, en partitionering per instrument en datum houdt queries snel.
Welke bartypes kunt u uit ticks opbouwen?
Tijdbars op elke resolutie, plus volume-, tick- en dollarbars, range bars en Renko. Omdat ze uit dezelfde tickdata komen, kiest u het bartype dat bij de analyse past in plaats van wat de bron levert.
Kunt u orderflow analyseren?
Ja: trades indelen als koper- of verkopergeïnitieerd (met de aggressorvlag van de beurs waar die er is, anders geschat), delta en cumulatieve delta, volume per prijsniveau en volumeprofielen.
Kunnen mijn onderzoekers de data vanuit Python gebruiken?
Ja. Wij leveren een API en een Python-client die ticks of bars voor een instrument en periode direct in een Pandas DataFrame laadt, zodat notebooks over analyse gaan en niet over het ophalen van data.
Wie is eigenaar van de code?
Het eigendom van de broncode wordt in het contract vastgelegd, en de code kan volledig van u zijn, inclusief documentatie en tests.
Zie ook marktdatakoppelingen, strategieonderzoek en wat is Parquet.
Zet uw tickdata aan het werk
Vertel ons welke markten u vastlegt of wilt vastleggen en hoe uw team de data gebruikt. Wij laten zien hoe wij die zouden vastleggen, opslaan en beschikbaar maken.