Scrittura Actual [Matlab]

Un tutorial su come scrivere step by step le serie temporali Actual in Artesian con l'SDK Matlab.

Artesian ti permette non solo di avere un accesso semplice allo storico dei dati ma anche di poterne scrivere di nuovi al suo interno.

Vediamo passo passo come procedere.

Obiettivo

Scrivere i nostri dati in un Actual Time Serie Market Data.

I dati e i link di riferimento sono fittizi, creati appositamente per questo case. In Artesian è possibile scrivere qualsiasi dato che sia riconducibile a una Time Serie.

Vediamo passo per passo come procedere.

Importazione delle librerie e configurazione di Artesian

La prima cosa da fare per poter utilizzare tutte le funzionalità di Artesian è autenticarsi. Per fare ciò dobbiamo installare il toolbox di Artesian che è fondamentale per istanziare l’autenticazione verso il servizio (linea 1 dello script) e successivamente per leggere i dati.

Una volta installato il toolbox, possiamo configurare Artesian, inserendo il link necessario e l’api-key.

Per poter ottenere questi due dati importanti, si può far riferimento al tutorial di riferimento Come Configurare Artesian Matlab SDK“. 

Terminata la configurazione di Artesian, possiamo configurare il Query Service (linea 3)

				
					cfg = ArtesianServiceConfig("https://arkive.artesian.cloud/{tenantName}/", "{api-key}");
qs = QueryService(cfg);
				
			


Il MarketData Identifier e i dati necessari per la scrittura dell'Actual TimeSeries

Una volta configurato Artesian e il MarketData Service, possiamo definire il MarketData Identifier, ovvero possiamo dare un nome al nostro MarketData.

Il nome del Provider, in questo caso sarà “MatlabSDK”, mentre il nome del Market Data sarà “ActualWrite”. “Provider” e “MarketData name” costituiscono l’identificatore univoco di ogni curva scritta all’interno del sistema,  è quindi necessario sceglierli accuratamente perché non sarà poi più possibile cambiarli. Tale combinazione di informazioni sarà anche utile all’interno della UI di Artesian per poter ritrovare il dato scritto.

Definiti i nomi del market data e del provider, possiamo passare al decidere le caratteristiche di base della nostra Time Serie, come il tipo di Granularità, il tipo della Time Serie, la TimeZone, l’eventuale Aggregation Rule e le Tags.

Artesian può supportare diverse granularità come: 10min, 15min, 30min, Hour, Day, Week, Month, Quarter, Season e Year.

Nel momento in cui decidiamo il tipo di granularità del nostro market data, lo dobbiamo scrivere di conseguenza, indicandone i valori. Nel caso di Granularity.Day, i dati corrisponderanno a un determinato giorno, di un determinato mese, di un determinato anno. Nel caso di Granularity.Hour, i dati corrisponderanno a una determinata ora (minuto e secondo) di uno stesso determinato giorno in  un determinato anno.

Il tipo della Time Serie, in questo caso è Actual, ma potrebbe essere anche Versioned, MarketAssessment, BidAsk oppure Auction. Vedi gli altri tutorial.

Le TimeZone va valorizzata con quella corrispondente al dato che stiamo salvando, questo aiuterà il sistema ad applicare le conversioni necessarie ai dati nel caso di estrazioni in una TimeZone differente dall’originale 

L’Aggregation Rule è quella funzionalità di Artesian che permette di estrarre i dati anche a granularità differenti da quella originale. L’operazione di aggregazione/disaggregazione applicata ai dati è definita tramite la valorizzazione di questa proprietà. Le possibili opzioni sono “Undefined”, “SumAndDivide” oppure “AverageAndReplicate”. Nel caso di “Undefined” non sarà ovviamente possibile estrarre i dati a granularità differenti dall’originale.

 

				
					data = MarketDataEntityInput("MatlabSDK",...
       "ActualWrite",...
       "Day",...
       "CET",...
       AggregationRuleEnum.AverageAndReplicate,...
       MarketDataTypeEnum.ActualTimeSerie...
     );
    mds.MarketData.Create(data);

				
			


Scrittura dei valori del MarketData

L’ultima parte del nostro codice consiste nell’andare a configurare la scrittura verso Artesian.

I parametri necessari per farlo sono:

Il Marketdata identifier che abbiamo definito all’inizio del nostro codice

La TimeZone di riferimento del dato, questa deve essere “CET” nel caso di dati a granularità oraria o inferiore (ovviamente con l’adeguata conversione dei dati se necessario), deve invece corrispondere all’OriginalTimezone nel caso di dati a granularità giornaliera o superiore.

Le rows della nostra Actual TimeSerie sono un dictionary di dati in cui la copia “chiave” “valore” è articolata come segue:

  • “chiave” che corrisponde al datetime di riferimento del dato
  • “valore” che corrisponde al numero che vogliamo inserire per quell’istante di tempo
 

Nell’esempio di codice riportiamo sia la scrittura di dati giornalieri, con valori per il 28 e 29 Giugno. Scrivere valori a due differenti granularità non è supportato da Artesian, è stato fatto solamente a titolo di esempio. I dati devo sempre essere scritti alla granularità originale del dato, definita in fase di creazione del Marketdata identifier

Un altro campo obbligatorio da scrivere è il  DownloadedAt, un’informazione di tipo metadata che rappresenta quando il dato è stato generato.

Una volta inseriti i valori e definito il momento di generazione dei dati, possiamo caricare l’Actual Time Serie nel sistema, attraverso il comando “UpsertCurve.Upsert()“.

 

				
					rows = [];
rows = [rows {{"2022-06-28T00:00:00", 42}}];
rows = [rows {{"2022-06-29T00:00:00", 45}}];

id = MarketDataIdentifier("MatlabSDK","ActualWrite");
data = UpsertCurveDataActual(id, "CET", "2022-06-30T09:00:00Z", rows);
mds.UpsertCurve.Upsert(data);
				
			


Visualizzazione del nuovo MarketData nel portale Artesian

A meno che non ci siano errori da segnalare, nel terminal non apparirà nulla. Possiamo però, tornando sul portale di Artesian, verificare che la nostra TimeSerie appaia sotto la categoria ProviderName con il nome, datole precedentemente, di “MatlabSDK”. 

 

Basta eseguire l’operazione una sola volta per poi averla completamente riproducibile e automatizzata nel nostro workflow.

Questo non solo permette di risparmiare tempo, ma permette anche di ridurre al minimo gli errori umani dati dall’eseguire operazioni ripetute su grandi moli di dati o su diversi file Excel. 

Un vantaggio innegabile che ci consente di focalizzarci sull’analisi del dato invece che sulla sua gestione e ottimizzazione.