Market Data
Architecture.

SEC EDGAR je zlatá žíla — ale syrová. Tisíce filingů, megabajty HTML, žádný jednotný formát. Pro analytika je to šum. Klient potřeboval z toho dostat signál, ne další archiv.

Postavil jsem kompletní architekturu: automatizovaný ingest z EDGARu, parsování, čištění a indexace 901 filingů do struktury, na které se dá počítat. Z 62 milionů slov se stala dotazovatelná databáze — připravená pro analytiku v reálném čase.

Automatizovaný sběr filingů přímo z SEC EDGAR. Rate-limit aware, idempotentní, odolný vůči výpadkům — běží bez dozoru.

Surové HTML filingy rozparsovány na sekce, tabulky a text. Extrakce relevantních částí, normalizace formátů. Šum ven, data dovnitř.

Čištění, deduplikace, validace. Jednotný schéma napříč tisíci dokumentů. Data, kterým se dá věřit.

Indexace do dotazovatelné vrstvy. Analytik se zeptá — data odpoví. Základ pro DCF, sentiment i scítací modely nahoru.

Python async workery pro paralelní sběr dat z EDGARu. Retry logika, perzistence stavu, idempotence kroků.

HTML/text parsing, sekce, tabulky, normalizace. NLP vrstva pro extrakci klíčových údajů z filingů.

Strukturované úložiště s jednotným schématem. Indexy pro rychlé dotazy napříč 901 filingů a 8 000+ tickerů.

API vrstva, která data zpřístupní analytice a modelům. Základ pro DCF enginy, sentiment a portfolio nástroje.

Architektura navržená tak, aby unesla objem — 62 milionů slov není strop, je to start. Roste s daty.

Od ingestu po API jeden člověk. Žádný data team, žádné handoffy — jedna hlava, která vidí celý tok dat.