Мотивация Аналитикса обеих версий

Глобальные наши мотивы:

• продвижение идей фримаркета
• jumping on the Bitcoin, Big Data, Artificial Intelligence bandwagons
  • извлечение прибыли из текущего хайпа
  • создание для себя работы в области, которой хотелось бы заниматься
• получение "фонового дохода"-"пенсии"

По сути, v2 - это не v2, а продолжение работ над v1, реализация первоначальной идеи аналитикса, которую мы в результате не потянули, и остановились на малом:

• Аналитический инструмент для широкого круга лиц:
  • Рядовых граждан
  • Технических "аналитиков" и форексовцев
  • "Настоящих" финансовых аналитиков из HFT-кругов
  • Аналитиков из мира Artificial Intelligence, Machine Learning и Big Data, интересующихся Биткоином
• Индикаторы и индексы разной направленности:
  • "Телевизор" - для любопытствующих
  • "Асtionable" - для трейдеров
  • "Research grade" - для учёных
• Лёгкость добавления новых визуализаций
• Лёгкость перетасовки графиков и организации кастомных видов
• Интерактивность: Realtime, Pan-Zoom, выбор параметров
• Расширения спектра доступных в мире Биткоина визуализаций
  • Сейчас ограничены рисованием простых индикаторов для торгов без разделения бид-аск
  • Исследования ордербуков затруднены и в мире других финансовых инструментов, т.к. Level 2 Data дорогие, непубличные и зарегулированные. В этом плане биткоин может активировать исследования free market в целом, т.к. это считай первый действительно свободный автоматизированный рынок с низким входным барьером.

Вторичные сопутствующие мотивы:

• Беспроблемные микроплатежи - продвижение идеи биткоина как удобного платёжного инструмента для приема оплаты за веб-услуги
• Разработка средств разработки: контейнеры, клауды, супервизоры, docker-beaner-zeromq
• "перекрёстное опыление" между проектами и возможность применения накопленного опыта: тематика пересекается с другими моими проектам - с Роджеровской аналитикой, хакнулом-HNC и Максимовским N2O-Vox-Mad

Проблемы Аналитикса-v1

Проблемы:

• отсутствие денег на разработку
• невозможность заполучить работников, инвесторов или партнёров

Причины:

• низкое качество кода
• низкая производительность
• некрасивый графический дизайн
• малый объём функциональности

Пути разрешения проблем:

• инкрементальное исправление архитектуры и производительности v1 (замена dyCharts на SVG, внедрение базы, свечи-агрегация - что делалось в Харькове в конце)
• написание клона аналитикса без использования существующего кода с применением готовых фреймворков и изоляцией (что обсуждалось в Доминикане)
• написание только новой функциональности в Аналитикс, без реинжиниринга существующего кода, в виде отдельного сайта (на основе Jupyter/IPython/nbviewer)

Видение Аналитикса-v2

• Социальная площадка для тусовки производителей и потребителей аналитического контента - статей, иллюстрированных графиками (аналог quantopian posts)
• Источник новостей о событиях в мире биткоина - ​https://en.wikipedia.org/wiki/Data-driven_journalism
• Тусовка алготрейдеров (стратегии, backtesting, метрики риcков, slippage)
• Data Market (буки-торги, может, blockchain analytics) - ​https://www.quantopian.com/data/accern/alphaone

Почему так не сделали сразу

На момент создания аналитикса HTML5 (web sockets, AJAX, SVG, Canvas, local store) и клауды (docker, zeromq, nosql, horizontal scaling) - только начинали развиваться. Соответственно, готовые инструменты были

• либо убогими (jQuery),
• либо cырыми (Meteor, Socketstream),
• либо ориентированными на "старые" многостраничные сайты поверх SQL (Django, Zend Framework, Typo3, Connect-Express)
• и были достаточно низкоуровневыми (ориентировались на произвольные сайты, не было специализированных на аналитике и визуализации)

То же самое можно сказать про

• готовые инструменты для big data, аналитики и визуализации (scientific python, R, Hadoop, Spark),
• и про клиент-серверные IDE (atom editor, R studio, IdeOne...)
• и про высокоуровневые фреймворки виджетов для фронт-энда (webix, cappuccino)

Выбранные инструменты

• ​http://jupyter.org/
• IPython - плагин для написания под Jupyter на Питоне (наиболее развит из [40 имеющихся])
• ​pandas - библиотека датасорсов - "фреймов", заполняемых данными и передаваемых аргументами в функции отображения графиков
• ​matplotlib, ​seaborn - библиотеки графиков, совместимые c Jupyter и pandas

Прочие инструменты

• ​scipy - библиотека научных рассчётов, численные методы широкого профиля
• IRKernel - плагин для R (под R больше библиотек анализа и визуализации)
• ​crossfilter - библиотека сверхбыстрых (30+ fps) интерактивных гистограмм поверх миллионов датапоинтов (тот же seaborn уже неюзабелен при 20к точек)