OneTick: Platform Tempat Bursa Menangkap Spoofer dan Hedge Fund Memburu Alpha

Bloomberg adalah untuk analis yang membutuhkan terminal. TradingView adalah untuk trader ritel yang membutuhkan grafik. Namun ketika sebuah bursa ingin mendeteksi secara real-time bahwa seorang trader di satu venue menempatkan order palsu untuk menggerakkan harga di venue lain — maka diperlukan OneTick.
OneTick adalah database time-series kelas enterprise dan mesin analitik streaming yang dirancang khusus untuk pasar keuangan. Bukan TSDB tujuan umum seperti TimescaleDB atau InfluxDB. Bukan sekadar penyimpan kolom cepat seperti ClickHouse. Ini adalah platform yang memahami data keuangan: hubungan trade/quote, kedalaman order book, aksi korporasi, dan korelasi lintas pasar. Kliennya mencakup bursa, bank investasi, hedge fund, market maker, dan broker.
Tiga Pilar OneTick
Platform ini memecahkan tiga masalah yang secara fundamental berbeda dengan satu mesin:
| Pilar | Siapa yang Menggunakannya | Mengapa |
|---|---|---|
| Pengawasan Pasar | Bursa, regulator, departemen kepatuhan | Deteksi manipulasi, kepatuhan MiFID II / MAR / SEC / FINRA |
| Riset Kuantitatif | Hedge fund, meja prop | Generasi alpha, backtesting strategi, analisis mikrostruktur |
| Analitik Perdagangan | Meja sell-side, broker | TCA, pemantauan best execution, kontrol likuiditas |
Wawasan kunci: ketiga beban kerja ini berjalan pada satu mesin yang memproses data historis maupun real-time. Tidak perlu sistem streaming terpisah dan sistem backtesting terpisah — cukup satu platform.
Arsitektur: Graf Asiklik Berarah (DAG) sebagai Bahasa Kueri

Keputusan arsitektur inti OneTick: kueri dibangun bukan dalam SQL (meski SQL juga didukung) melainkan sebagai Graf Asiklik Berarah (DAG) dari Event Processor (EP).
Apa Itu Event Processor
Event Processor adalah unit komputasi atomik. Setiap EP melakukan satu operasi: penyaringan, agregasi, join, perhitungan field turunan, komputasi VWAP, atau rekonstruksi order book. Data (tick) mengalir melalui rantai EP dari sumber ke tujuan.
Analogi: lini perakitan di pabrik. Sebuah tick (catatan bertanda waktu) masuk ke graf di sebelah kiri, melewati rantai processor, dan hasilnya adalah hasil jadi: peringatan, metrik teragregasi, atau sinyal.
Mengapa DAG dan Bukan SQL
| Aspek | Pendekatan SQL | DAG (Event Processor) |
|---|---|---|
| Pemrosesan Stream | Memerlukan framework terpisah (Flink, Spark) | Native — graf yang sama bekerja pada stream maupun histori |
| Pipeline Kompleks | Subkueri bertingkat, CTE, fungsi window | Komposisi node visual — setiap node dapat dipahami secara terpisah |
| Kemampuan Penggunaan Ulang | Salin-tempel blok SQL | EP adalah komponen yang dapat digunakan ulang dan dicolokkan ke berbagai graf |
| Debugging | EXPLAIN ANALYZE + tebak-tebakan |
Data dapat disadap di node mana pun dalam graf |
| Paralelisme | Optimizer DBMS yang memutuskan | Paralelisasi eksplisit berdasarkan simbol, tanggal, inti CPU |
Graf dapat dibangun secara visual melalui desainer bawaan ("paint-a-canvas") atau secara terprogram melalui Python API.
Performa
Angka-angka yang diklaim OneTick (dan dikonfirmasi oleh industri):
| Metrik | Nilai |
|---|---|
| Penyerapan tick | >1 triliun tick/hari |
| Pemrosesan massal | >10 juta tick/detik/inti |
| Presisi timestamp | Sub-milidetik |
| Kedalaman historis | Data dari 1970 (melalui TickData) |
| Kelas aset | Ekuitas, futures, opsi, pendapatan tetap, kripto |
Sebagai referensi: feed L2 tipikal untuk satu saham likuid (AAPL) menghasilkan ~100K pesan/detik pada jam puncak. Untuk seluruh pasar ekuitas AS — ratusan juta pesan per hari. OneTick dirancang untuk menangani semua ini dengan kapasitas cadangan.
Pengawasan Pasar: Tempat OneTick Menjadi Standar Industri

Pengawasan Pasar boleh dibilang adalah kasus penggunaan terkuat OneTick. Platform ini digunakan oleh bursa itu sendiri untuk memantau aktivitas perdagangan.
Manipulasi Apa yang Dideteksinya
| Manipulasi | Apa yang Terjadi | Cara Deteksinya |
|---|---|---|
| Spoofing | Trader menempatkan order besar untuk menggerakkan harga, lalu membatalkan sebelum eksekusi | Analisis rasio order yang ditempatkan/dibatalkan, kecepatan pembatalan |
| Layering | Beberapa order di berbagai level harga untuk menciptakan ilusi penawaran/permintaan | Pola "tangga" di order book + korelasi dengan eksekusi di sisi berlawanan |
| Wash Trading | Trader berdagang dengan dirinya sendiri untuk menciptakan volume artifisial | Pencocokan akun, analisis waktu, alamat IP |
| Front-Running | Broker berdagang lebih dulu sebelum order klien besar | Korelasi temporal antara perdagangan prop dan aliran klien |
| Marking the Close | Perdagangan yang disengaja di akhir sesi untuk memanipulasi harga penutupan | Analisis aktivitas di menit-menit terakhir vs. rata-rata intraday |
| Quote Stuffing | Pembuatan/pembatalan order massal untuk memperlambat pesaing | Frekuensi pesan yang anomali, rasio order-to-trade |
| Insider Trading | Perdagangan berdasarkan informasi non-publik | Korelasi pola tidak biasa dengan peristiwa korporasi |
Pemantauan Lintas Pasar dan Lintas Aset
Kasus paling kompleks: manipulasi lintas pasar. Seorang trader menggerakkan harga futures di satu bursa sambil meraup keuntungan dari opsi terkait di bursa lain. Atau memperdagangkan ADR di NYSE dengan mengetahui apa yang akan terjadi pada saham dasar di LSE.
OneTick mengagregasi data dari beberapa venue ke dalam satu stream dan mencari pola lintas pasar, bahkan ketika hubungan struktural antar instrumen tidak jelas.
Cakupan Regulasi
| Regulator / Standar | Yurisdiksi |
|---|---|
| MiFID II / MAR | Eropa |
| SEC / FINRA | Amerika Serikat |
| ASIC | Australia |
| IIROC | Kanada |
AI White-Box untuk Penilaian Peringatan
Masalah klasik dalam pengawasan adalah false positive. Dengan 10.000 peringatan per hari, tim kepatuhan yang terdiri dari 5 orang tidak mungkin meninjau setiap peringatan. OneTick menggunakan ML "white-box": model menilai probabilitas manipulasi aktual sambil menunjukkan alasannya — faktor mana tepatnya yang menyebabkan skor tinggi. Bukan kotak hitam, melainkan model yang dapat dijelaskan, yang sangat krusial bagi regulator.
Riset Kuantitatif: Dari Tick hingga Alpha
Bagi hedge fund dan meja kuantitatif, OneTick bukan sekadar penyimpan data. Ini adalah lingkungan riset tempat data dan analitik berada di satu tempat.
Apa yang Dapat Anda Lakukan
-
Analisis mikrostruktur pasar. Rekonstruksi order book pada titik mana pun di masa lalu, analisis kedalaman likuiditas, spread, dan ketidakseimbangan aliran order.
-
Backtesting strategi. Jalankan strategi perdagangan pada data tick historis dengan akurasi point-in-time. Tanpa look-ahead bias — data dikembalikan secara ketat sesuai urutan ketersediaannya secara real-time.
-
Generasi sinyal. Uji hipotesis: "Jika spread bid-ask melebar 3σ dengan volume yang meningkat — apakah itu prediktor pembalikan?" Pada puluhan tahun data, di seluruh instrumen.
-
ML pada data tick. MDRE (Market Data Research Environment) — API seperti Python/Pandas untuk data science. Penyetelan hiperparameter, validasi silang, penyajian model — langsung pada data tick, tanpa mengekspor ke sistem terpisah.
Metode Akses
| Antarmuka | Untuk Siapa |
|---|---|
| Python / Pandas API | Ilmuwan data, insinyur ML |
| SQL | Analis yang familiar dengan basis data relasional |
| DAG Designer | Pembangunan kueri visual |
| Bahasa Graf Proprietary | Pengguna OneTick berpengalaman |
Analitik Perdagangan: TCA dan Best Execution
Setelah MiFID II, best execution bukan lagi sekadar rekomendasi — ini adalah persyaratan hukum. Broker harus membuktikan bahwa mereka mengeksekusi perdagangan klien pada harga terbaik yang tersedia.
Transaction Cost Analysis (TCA)
OneTick memungkinkan Anda membandingkan harga eksekusi terhadap benchmark:
| Benchmark | Apa yang Diukur |
|---|---|
| VWAP | Harga rata-rata berbobot volume selama suatu periode |
| Arrival Price | Harga pada saat order diterima |
| Implementation Shortfall | Selisih antara keputusan untuk berdagang dan eksekusi aktual |
| Spread Cost | Kerugian pada spread bid-ask |
Pemantauan Likuiditas Real-Time
Untuk meja FX dan trader algo: OneTick membandingkan spread dan volume saat ini terhadap rata-rata historis. Jika spread EUR/USD melebar 2σ dari rata-rata bulanan — itu adalah anomali, dan algoritma dapat memperlambat eksekusi atau beralih ke venue alternatif.
Deployment: On-Prem dan Cloud
| Model | Deskripsi |
|---|---|
| On-Premises | Kendali penuh, data tidak pernah meninggalkan perimeter. Untuk bank dengan persyaratan residensi data yang ketat |
| OneTick Cloud | Layanan yang sepenuhnya dikelola. Skalabilitas tanpa manajemen infrastruktur |
| Hybrid | Data historis di cloud, real-time on-prem di samping mesin perdagangan |
Perbandingan dengan Alternatif
| Fitur | OneTick | kdb+ (KX) | QuestDB | TimescaleDB |
|---|---|---|---|---|
| Spesialisasi | Keuangan — langsung pakai | Keuangan — via pengembangan | TSDB umum | TSDB umum |
| Bahasa kueri | DAG + SQL + Python | q (vektor, kurva belajar tinggi) | SQL | SQL |
| Streaming + Histori | ✅ Mesin terpadu | ✅ (kdb Insights) | ⚠️ Terbatas | ⚠️ Via ekstensi |
| Surveillance | ✅ Model siap pakai | ❌ Harus dibangun | ❌ | ❌ |
| TCA | ✅ | ❌ Harus dibangun | ❌ | ❌ |
| Penyerapan | >10 juta tick/detik/inti | ~10 juta+ tick/detik/inti | ~3 juta+ baris/detik | ~1 juta+ baris/detik |
| Biaya pengembang | Lebih rendah (EP siap pakai) | Tinggi (spesialis q) | Rendah (SQL) | Rendah (PostgreSQL) |
| Open Source | ❌ Enterprise | ❌ Enterprise | ✅ Apache 2.0 | ✅ Apache 2.0 |
| Cloud | ✅ OneTick Cloud | ✅ kdb Insights | ✅ QuestDB Cloud | ✅ Timescale Cloud |
Kapan Memilih OneTick
- Anda adalah bursa atau regulator dan membutuhkan pengawasan dengan model deteksi siap pakai.
- Anda adalah meja sell-side dan regulator mewajibkan pelaporan TCA dan best execution.
- Anda adalah dana kuantitatif dan membutuhkan platform di mana riset historis dan pemantauan langsung adalah alat yang sama.
Kapan OneTick Berlebihan
- Anda adalah trader ritel atau tim kripto kecil. OneTick adalah produk enterprise dengan harga enterprise.
- Anda hanya membutuhkan database saja tanpa analitik. QuestDB atau TimescaleDB akan lebih masuk akal.
- Data Anda bukan tick keuangan. IoT, monitoring, log — itu adalah niche yang berbeda, dan OneTick terlalu berlebihan.
Ekosistem: OneTick + TickData
OneTick terintegrasi erat dengan TickData — salah satu penyedia data tick historis terbesar. Cakupan:
- Ekuitas AS — dari 1970
- Bursa global — 80+ venue
- Semua kelas aset — ekuitas, futures, opsi, pendapatan tetap, FX
- Kripto — spot dan derivatif
Untuk riset kuantitatif ini sangat krusial: semakin dalam histori, semakin andal backtestnya. Data dari 1970 memungkinkan pengujian strategi di puluhan rezim pasar, termasuk crash tahun 1987, 2000, 2008, dan COVID-2020.
Tautan
- 🌐 OneTick: onetick.com
- 🌐 Kasus Penggunaan OneTick: onetick.com/use-cases
- 📊 TickData: tickdata.com
- 🌐 kdb+ (KX): kx.com
- 🌐 QuestDB: questdb.io
- 🌐 TimescaleDB: timescale.com
Kesimpulan
OneTick bukan "sekadar database time-series lainnya." Ini adalah platform yang terintegrasi secara vertikal untuk data keuangan yang memenuhi tiga kebutuhan kritis dengan satu mesin: pengawasan untuk bursa dan kepatuhan, riset kuantitatif untuk hedge fund, serta TCA/best execution untuk sell-side. Arsitektur DAG yang dibangun di atas Event Processor adalah solusi elegan untuk dunia di mana data yang sama perlu dianalisis baik secara real-time maupun di sepanjang histori yang mendalam.
Jebakan utama saat memilih: jangan membandingkan OneTick dengan QuestDB atau TimescaleDB sebagai "database vs. database." OneTick adalah database + mesin analitik + aplikasi bisnis siap pakai (model pengawasan, benchmark TCA, laporan kepatuhan). Jika Anda hanya membutuhkan penyerapan tick yang cepat — ambil QuestDB. Jika Anda membutuhkan siklus penuh dari penyerapan data hingga pelaporan regulasi — OneTick hanya bersaing dengan kdb+, dan menang melalui hambatan masuk yang lebih rendah (tidak perlu mempelajari q) dan modul bisnis siap pakai.
Bagi tim algotrading yang membangun infrastruktur mereka sendiri, OneTick adalah titik referensi: bagaimana seharusnya platform dirancang yang memproses satu triliun tick per hari sekaligus memungkinkan analis membangun kueri secara visual, tanpa menulis satu baris kode pun.
Penulis
Trading-systems engineer
Trading-systems engineer building bots since 2017: cross-exchange arbitrage (connected up to 30 venues), cointegration-based pairs arbitrage across spot and futures, scalping, news and sentiment-driven strategies, trend algorithms, and portfolio management and balancing algorithms. Also builds sub-millisecond order execution, big-data warehouses, backtesting engines, AI agents, and trading interfaces (incl. open-source profitmaker.cc). Stack: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, architecture.