Trading Systems: costruzione di un sistema 13 Finora, abbiamo discusso le componenti di base di sistemi di trading, i criteri che devono soddisfare, e alcune delle molte decisioni empiriche che un progettista di sistemi deve fare. In questa sezione, esamineremo il processo di costruzione di un sistema di negoziazione, le considerazioni che devono essere fatte, e alcuni punti chiave da ricordare. Il sei fasi Costruzione del sistema 1. Setup - Per iniziare la costruzione di un sistema di negoziazione è necessario diverse cose: i dati - Dato che il progettista del sistema deve utilizzare un'ampia backtesting. la storia passata dei prezzi è essenziale per la costruzione di un sistema di trading. Tali dati possono essere integrati in software di sviluppo del sistema di trading, o come feed di dati separata. dati in tempo reale è spesso forniti per un canone mensile mentre i dati di età possono essere ottenuti gratuitamente. Software - Anche se è possibile sviluppare un sistema di scambio senza software, è altamente impraticabile. Fin dalla fine degli anni '90, il software è diventato una parte integrante della costruzione di sistemi di trading. Alcune caratteristiche comuni permettono al trader di effettuare le seguenti operazioni: posizionare automaticamente mestieri - Questo richiede spesso il permesso dalla fine broker s perché una connessione costante deve essere posto tra il software e la mediazione. Ordini devono essere eseguiti immediatamente ea prezzi esatti per assicurare la conformità. Per avere il vostro software posto mestieri per te, tutto quello che dovete fare è inserire il numero di conto e la password, e tutto il resto è fatto automaticamente. Si prega di notare che l'utilizzo di questa funzione è strettamente opzionale. Codice un sistema di negoziazione - Questa funzione software implementa un linguaggio di programmazione proprietario che consente di creare regole facilmente. Ad esempio, MetaTrader utilizza MQL (MetaQuotes Language). Ecco un esempio del suo codice di vendere se margine libero è inferiore a 5.000: Se FreeMargin lt 5000, quindi uscire Spesso, basta leggere il manuale e la sperimentazione dovrebbe consentire di riprendere le basi della lingua il software utilizza. Backtest la vostra strategia - di sviluppo del sistema senza backtesting è come giocare a tennis senza una racchetta. software di sviluppo del sistema spesso contiene una semplice applicazione backtesting che consente di definire una fonte di dati, informazioni sul conto di input, e backtest per qualsiasi quantità di tempo, con un semplice clic del mouse. Ecco un esempio da MetaTrader: Dopo il test posteriore viene eseguito, viene generato un report che delinea le specifiche di risultati. Questo rapporto di solito comprende l'utile, il numero di transazioni senza successo, giorni consecutivi verso il basso, il numero di transazioni, e molte altre cose che possono essere utili quando si cerca di determinare come risolvere o migliorare il sistema. Infine, il software crea di solito un grafico che mostra la crescita degli investimenti per tutto il periodo di tempo testato. 2. Design - Il design è il concetto che sta dietro il sistema, il modo in cui vengono utilizzati i parametri per generare un profitto o perdita. Per implementare queste regole e parametri da loro programmazione. A volte, questa programmazione può essere eseguita automaticamente tramite un'interfaccia utente grafica. Questo permette di creare regole senza imparare un linguaggio di programmazione. Ecco un esempio di un sistema di cross-over media mobile: Se SMA (20) CrossOver EMA (13) quindi immettere Se SMA (20) CrossUnder EMA (13) allora regole di uscita come questi che vengono messi in codice consentire al software di automaticamente generare ingresso e uscite nei punti in cui le regole sono applicabili. Ecco ciò che l'interfaccia di design si presenta come il MetaTrader: Il sistema è stato creato semplicemente digitando le regole nella finestra e salvandoli. Riferimenti per le diverse funzioni disponibili (per esempio, oscillatori e simili) si possono trovare cliccando sull'icona del libro. La maggior parte del software avrà un riferimento simile disponibile sia all'interno del programma stesso o sul suo sito web. Dopo aver creato le regole desiderati e codifica il sistema, è sufficiente salvare il file. Poi si può mettere in uso selezionandolo nella schermata principale. 3. Processo decisionale - Ci sono molte decisioni da prendere a questo punto: Cosa mercato voglio scambi di 13 Che periodo di tempo devo usare 13 Cosa serie di prezzi dovrei usare 13 Che sottoinsieme di titoli azionari dovrei usare per le prove Tenete a mente che i sistemi di scambi dovrebbe sempre fare un profitto in molti mercati. Personalizzando il periodo di tempo e serie di prezzi troppo, si può contaminare i risultati e produrre results.4 insolito. Pratica - backtesting e di scambio di carta sono essenziali per il successo dello sviluppo di un sistema commerciale: eseguire più estensivi in diversi periodi di tempo e fare in modo che i risultati siano coerenti e soddisfacenti. Carta commerciale del sistema (uso denaro immaginario, ma registrare i mestieri e risultati), e di nuovo, cercare di controllo coerente profitability. Carefully per gli errori nel programma, o commerci non intenzionali. Questi possono essere il risultato di difetti di programmazione, o mancata prevedere alcune circostanze che si ripercuotono indesiderate. 5. Ripetere - La ripetizione è necessaria. Continuare a lavorare sul sistema fino a quando si può sempre fare un profitto nella maggior parte dei mercati e di condizioni. Ci sono sempre eventi imprevisti che si verificano non appena il sistema va in diretta. Qui ci sono alcuni fattori che spesso causano la distorsione dei risultati: I costi di transazione - Assicurarsi che si sta utilizzando il vero commissione. e alcuni extra per rappresentano il riempimenti inesatte (differenza tra prezzi bid e ask). In altre parole, evitare lo slittamento (Per rivedere cosa si tratta e come si verifica, vedere la sezione precedente di questo tutorial.) La vigilanza - Non ignorare trade perdenti tenere d'occhio tutti trades. Optimization - Dont over-ottimizzare il sistema. In altre parole, Non adattare il sistema ad un contesto di mercato molto specifico cercare di essere redditizia in più ampio di un ambiente come possible. Risk - Mai ignorare o dimenticare rischio. E 'molto importante avere modi per limitare le perdite (altrimenti noto come stop loss), ei modi per profitti (prese di profitto) lock-in. 6. Trade - Provalo, ma si aspettano risultati indesiderati. Assicurarsi di utilizzare il commercio non automatizzato fino a quando si è sicuri delle prestazioni e la coerenza dei sistemi. Ci vuole molto tempo per sviluppare un sistema di trading di successo, e prima di perfezionare, si può sopportare alcune perdite di trading dal vivo per rilevare difetti: back testing non può rappresentare perfettamente le condizioni di mercato in tempo reale, e il commercio della carta può essere impreciso. Se il sistema perde soldi, tornare al tavolo da disegno e vedere dove è andata male (vedi punto 5). Conclusione Questi sei passi che offrono una panoramica di tutto il processo di costruzione di un sistema di trading. Nella sezione successiva, costruiremo su queste conoscenze e dare un'occhiata più approfondita alla risoluzione dei problemi e modification. Algorithmic Trading C Software Engineer 100-155K più fx molteplici opportunità disponibili per ingegneri del software. Si collaborare a lungo con gruppi commerciali dinamici e lavorare direttamente con i commercianti di progettare, costruire e sistemi di trading bordo di taglio di prova. Ci sono anche opportunità di essere parte di un team di sviluppo che è responsabile dello sviluppo e il mantenimento di una piattaforma di trading algoritmico ad alte prestazioni. Come un Software Engineer, si indossa molti cappelli ed essere in grado di applicare le conoscenze di programmazione C eccezionali in tutta l'azienda. Se sei un Software Engineer con esperienza che è alla ricerca di una sfida opportunità di eccellere in un ambiente percorso veloce, avete trovato la vostra casa. Qualifiche: - Esperienza in creatingsupporting applicazioni multithreaded cross-platform. - nuova Capacità di programmazione di computer che utilizzano C in ambiente Windows e Linux. - Esperienza In progettazione orientata agli oggetti. - Esperienza Con la programmazione multithread. capacità analitiche e di problem solving - nuova. comprensione - nuova di sistemi informatici ad esempio sistemi operativi, reti, l'ottimizzazione delle prestazioni, ecc - Possibilità di lavorare su un ciclo di vita completo del progetto: la cattura requisito, la progettazione, lo sviluppo e la distribuzione finale di produzione. - Possibilità Di lavorare con i membri del team ancora essere motivati e auto-diretto. - Possibilità Di lavorare su più progetti e di fornire stime di progetto corretto. - Willingness E il desiderio di migliorare costantemente le competenze e di abbracciare nuove idee. - Bachelors Di laurea in Informatica o Ingegneria Informatica, o il suo equivalente. - Masters Titolo di studio di alto livello in Informatica o Ingegneria Informatica o campo relativo, PhD preferito. lavori di tecnologia a Chicago, C, Software Engineer, sviluppatore di software, Trading algoritmico, Linux, Windows, i sistemi di negoziazione Atlanta, Austin, Baltimora, Boston, Charlotte, Chicago, Cincinnati, Cleveland, Columbus, Dallas, Denver, Detroit, Fort Lauderdale, Houston , Indianapolis, Jacksonville, Kansas City, Los Angeles Miami, Minneapolis, Nashville, New Jersey, New York, Philadelphia, Phoenix, Raleigh, Salt Lake City, San Antonio, San Diego, San Francisco, San Jose, Seattle, Silicon Valley, St Louis, Tampa, DC Stiamo lavorando su lavori di tecnologia in iL (zona di Chicago lavoro del computer), PA, NY, NJ, CT, MA, VA, GA, NC, TN, CA, TX, AZ, OH, MI, iN, MO, CO, FL, WA, MN e CN. Siamo specialisti in materia di occupazione carriera tecnologia. Siamo pari opportunità Tecnologia Employment Service Questo sito è gestito da Next Step Sistemi Lavoro in Chicago - Lavoro a New York - Lavoro in New Jersey - Lavoro in Filadelfia - Lavoro in Connecticut - Lavoro a Denver - Lavoro a Dallas - Lavoro in Houston - Lavoro a Phoenix - Posti di lavoro in Silicon Valley - plus molte altre aree C - C - - Java - Oracle - SQL Server - Unix - Linux - Networking - Stoccaggio - Sistemi - Assistenza tecnica - vendite - e molto di più del programmatore - software - Sviluppatore - ingegnere di rete - Database Analyst - Sistemi di amministratore - Systems Engineer - Managed Hosting - manager - direttore - VP - CIO - CTO - Più Più executive Search Azienda con specializzate per il personale tecnico o IT reclutatori servizio clienti di tutte le dimensioni a livello nazionale dal 1995. IT-recruitment Aziende, IT agenzie di reclutamento , Headhunters e Aziende esecutivo di reclutamento. L'esperienza con informazioni Lavoro Computer Technology Jobs o IT Jobs Tech Lavoro Sistemi di programmazione. Lavoro IT a Chicago Philadelphia New York - Manhattan Denver Dallas Houston Phoenix Silicon Valley e molti altri AreasThe più semplice linguaggio di programmazione per commercianti Introduzione TradeScript, il nostro nuovo potente linguaggio di programmazione che permette agli operatori di progettare sistemi di trading, senza esperienza di programmazione precedente. Whos IT per TradeScript è un componente di sviluppo progettato per gli sviluppatori di software che vogliono espandere l'insieme delle caratteristiche della loro applicazione commerciale, fornendo un linguaggio di scripting. TradeScript, come linguaggio, è destinato per i commercianti che hanno bisogno di scrivere le proprie strategie di trading, ma non so come programmare in linguaggi di basso livello come C e C TradeScript consente agli operatori di sviluppare sistemi di trading in modo rapido e senza sforzo. La sua facile come 1-2-3. Con TradeScript, è possibile attivare l'applicazione di trading di eseguire script che forniscono un avviso quando il prezzo di un titolo (azioni, future, o forex) raggiunge un nuovo massimo, attraversa una media mobile, o gocce di una percentuale fissa, anche se questi sono solo alcuni esempi. TradeScript può anche eseguire la scansione del mercato, generare segnali di commercio, di back-test strategie di trading e molto altro ancora. Vector Linguaggi di Programmazione più popolari applicazioni commerciali come MetaStock, TradeStation, NinjaTrader, MetaTrader e altri forniscono i propri linguaggi di programmazione (come MQL4, MQL5, EasyLanguage, linguaggio di scripting MetaStocks, etc.). Senza un linguaggio di programmazione, gli operatori sono in grado di sviluppare sistemi di trading automatizzati o effettuare test retrospettivi delle strategie. Un linguaggio di programmazione vettore offre estrema flessibilità con una curva di apprendimento minima. Infatti, in soli cinque minuti, si può iniziare a scrivere con TradeScript. Così che cosa è un linguaggio di programmazione vettore, e perché è così facile da imparare Vector linguaggi di programmazione (noto anche come array o lingue multidimensionali) generalizzare le operazioni su scalari di applicare in modo trasparente per i vettori, matrici e le matrici di dimensione superiore. L'idea alla base di programmazione vettore è che le operazioni si applicano in una sola volta per un intero set di valori (un vettore o di campo). Questo permette di pensare ed operare su interi aggregati di dati, senza ricorrere a cicli espliciti di singole operazioni scalari. In altre parole, è simile al linguaggio macro trovato in Excel. Il linguaggio di programmazione più semplice per i commercianti. Il più potente, anche. Un esempio: per calcolare una media mobile semplice sulla base del prezzo medio di un titolo più di 30 giorni, in un linguaggio di programmazione tradizionale come BASIC, si sarebbero tenuti a scrivere un programma simile al codice mostrato in questo blocco di codice. Diverse linee di codice sarebbero necessari per creare il vettore MedianAverages. Ma con TradeScript, è possibile ottenere lo stesso risultato utilizzando una sola riga di codice come mostrato di seguito. Per la barra 30 a max media 0 per n bar - 30 al bar mediana (CLOSE OPEN) 2 mediana media media MedianAverages Avanti (bar) media 30 bar Successive MedianAverage SimpleMovingAverage ((CLOSE OPEN) 2, 30) E ora MedianAverage diventa una nuova vettore che contiene la media mobile semplice a 30 periodo il prezzo mediano del titolo. Non è raro trovare linguaggio di programmazione serie one-liners che richiedono più di un paio di pagine di Basic, Java, o il codice C. Lo stesso vale per la creazione di sistemi di negoziazione per il test e commerciali schiena avvisi. TradeScript stato originariamente concepito come un linguaggio di programmazione ad alte prestazioni per gli operatori ad alta frequenza. E 'stato progettato per eseguire la scansione di oltre 100.000 titoli sulla base di criteri tecnici complessi e tornare instantaneious Risultati in meno di cinque millisecondi. Questo è stato più di dieci anni fa. Oggi è ancora più veloce. Breve Soluzione facile Sviluppo Se siete uno sviluppatore di software, youll essere sorpresi di sapere che ci vogliono solo circa 30 minuti per implementare TradeScript nella vostra applicazione commerciale. TradeScript è dotato di guida sensibile al contesto, e la nostra guida programmatori può essere spedito con l'applicazione. L'aggiunta di un linguaggio di scripting per l'applicazione di trading couldnt essere più facile. Introduzione a TradeScript M4 Trading implementazione della piattaforma TradeScript è il linguaggio di programmazione utilizzato nella nostra piattaforma di trading M4. dove esegue operazioni automatizzate, processi avvisi in tempo reale, corre azionari scansioni, e sistemi di back-test commerciali. Disponibile in C e nelle versioni C TradeScript è disponibile sia in C (x64 per le migliori prestazioni) e C per lo sviluppo di applicazioni web. Viene fornito con oltre 30 progetti di esempio e un ampio supporto degli sviluppatori per implementare la libreria nel progetto. Scenari di sviluppo comune TradeScript è più comunemente usato in uno dei tre scenari. E 'spesso utilizzato all'interno di applicazioni di trading del desktop, in cui è incorporato sul lato client. E 'anche comunemente utilizzato sul lato server, dove si corre strategie per thin client, come ad esempio le applicazioni mobile e web. Un altro scenario comune è dove TradeScript viene eseguito sul lato server al fine di fornire in tempo reale i risultati di scansione al web e gli utenti mobili. Programmazione Genetica Un algoritmo genetico può essere integrata in TradeScript creare un motore di creazione sistema commerciale autonoma. Controllare il nostro motore di algoritmo genetico Evo2 che viene fornito con esempi TradeScript. Case Study TradeScript viene utilizzato in un certo numero di applicazioni di trading popolari, uno dei quali è Cicli WhenToTrade e Genetic Algorithm piattaforma. Il caso di studio descrive come TradeScript viene implementato per eseguire l'analisi ciclica dei mercati. I cicli WhenToTrade e GA piattaforma combina l'analisi tecnica utilizzando TradeScript e la creazione di grafici finanziaria utilizzando StockChartX con nuovi algoritmi per l'analisi ciclica. La soluzione fa parte di un pacchetto di conoscenza completa e consente agli operatori di applicare le strategie derivate a tutti i tipi di mercati e tempi. Con TradeScript, è possibile: Creare script automatizzati di immissione ordine delle prove migliaia di avvisi simultanei Creare indietro test e ottimizzazioni del sistema di trading creare grafici di script-driven e consulenti esperti ottenere risultati di formula in tempo reale Perché scegliere Modulus Modulo è una società di tecnologia finanziaria. Anche se questo non può suonare come un vero e proprio elemento di differenziazione, lo è. Ciò significa che le nostre soluzioni vengono da anni di esperienza nel settore della tecnologia finanziaria. I nostri prodotti e servizi sono forniti da sviluppatori e ingegneri che hanno prima mano esperienza di trading. Tutti qui a Modulo parla la vostra language. Best linguaggio di programmazione per Algorithmic Trading Systems Una delle domande più frequenti che ricevo nel raccoglitore QS è Qual è il miglior linguaggio di programmazione per il trading algoritmico. La risposta breve è che non esiste un linguaggio migliore. parametri di strategia, le prestazioni, la modularità, lo sviluppo, la resilienza e il costo devono tutti essere presi in considerazione. Questo articolo illustrerà i componenti necessari di un'architettura di sistema trading algoritmico e come le decisioni relative all'attuazione influenzare la scelta della lingua. In primo luogo, saranno prese in considerazione le principali componenti di un sistema di trading algoritmico, come ad esempio gli strumenti di ricerca, portafoglio ottimizzatore, risk manager e motore di esecuzione. Successivamente, diverse strategie di trading saranno esaminate e come influenzano la progettazione del sistema. In particolare, saranno entrambi discussa la frequenza degli scambi e il volume degli scambi probabile. Una volta selezionata la strategia di negoziazione, è necessario architetto dell'intero sistema. Ciò include la scelta di hardware, il sistema operativo (s) e la resilienza sistema contro eventi rari e potenzialmente catastrofici. Mentre l'architettura viene presa in considerazione, tenendo conto deve essere pagato per le prestazioni - sia per gli strumenti di ricerca, nonché l'ambiente di esecuzione dal vivo. Qual è il sistema commerciale cercando di fare prima di decidere il miglior linguaggio con cui scrivere un sistema di trading automatico è necessario definire i requisiti. Il sistema sta per essere puramente esecuzione basato Sarà il sistema richiede un modulo di costruzione di gestione del rischio o portafoglio il sistema richiederà un backtester ad alte prestazioni per la maggior parte delle strategie del sistema di scambio può essere partizionato in due categorie: la ricerca e la generazione del segnale. La ricerca si occupa di valutazione di un rendimento della strategia sui dati storici. Il processo di valutazione di una strategia di trading sui dati di mercato prima è conosciuta come backtesting. La dimensione dei dati e la complessità algoritmica avranno un grande impatto sulla intensità computazionale del backtester. velocità della CPU e la concorrenza sono spesso i fattori limitanti di ottimizzare la velocità di esecuzione della ricerca. La generazione di segnali si occupa di generare una serie di segnali di trading da un algoritmo e l'invio di tali ordini al mercato, di solito tramite una società di intermediazione. Per certe strategie è richiesto un elevato livello di prestazioni. questioni IO come la larghezza di banda e la latenza sono spesso il fattore limitante per ottimizzare i sistemi di esecuzione. Così la scelta delle lingue per ogni componente del vostro intero sistema può essere molto diversa. Tipo, frequenza e volume della strategia Il tipo di strategia algoritmica impiegato avrà un impatto significativo sulla progettazione del sistema. Sarà necessario prendere in considerazione i mercati oggetto di scambio, la connettività a fornitori di dati esterni, la frequenza ed il volume della strategia, il trade-off tra la facilità di sviluppo e di ottimizzazione delle prestazioni, così come qualsiasi hardware personalizzato, compreso il co-locati personalizzato server, GPU o FPGA che potrebbero essere necessari. Le scelte tecnologiche per un a bassa frequenza US strategia di azioni saranno molto diverse da quelle di una strategia di trading arbitraggio statistico ad alta frequenza sul mercato dei futures. Prima della scelta della lingua molti fornitori di dati devono essere valutati che riguardano una strategia a portata di mano. Sarà necessario prendere in considerazione la connettività al venditore, la struttura di qualsiasi API, tempestività dei dati, requisiti di archiviazione e la resilienza di fronte ad un venditore di andare offline. E 'anche saggio di possedere un rapido accesso a più fornitori Vari strumenti tutti hanno le proprie peculiarità di storage, i cui esempi sono molteplici simboli ticker per le azioni e le date di scadenza dei futures (per non parlare di tutti i dati specifici OTC). Questo deve essere presi in considerazione per la progettazione della piattaforma. Frequenza di strategia è probabile che sia uno dei principali motori di come verrà definita la tecnologia stack. Le strategie che impiegano i dati più frequentemente di quanto minuziosamente o in secondo luogo barre richiedono una notevole considerazione per quanto riguarda le prestazioni. Una strategia superiore in secondo bar (cioè spuntare dati) porta ad un design prestazioni guidato come l'esigenza primaria. Per le strategie ad alta frequenza dovrà essere conservato e valutati una notevole quantità di dati di mercato. Software come HDF5 o KDB sono comunemente usati per questi ruoli. Per elaborare gli ampi volumi di dati necessari per applicazioni HFT, un sistema backtester ed esecuzione ampiamente ottimizzato deve essere utilizzato. CC (possibilmente con qualche assembler) è probabile che il più forte candidato lingua. strategie ultra-alta frequenza sarà quasi certamente richiedono hardware personalizzato come FPGA, lo scambio di co-locazione e messa a punto un'interfaccia kernalnetwork. Sistemi di sistemi di ricerca di ricerca di solito comporta una miscela di sviluppo interattivo e script automatizzati. Il primo avviene spesso all'interno di un IDE come Visual Studio, Matlab o R Studio. Quest'ultimo coinvolge ampi calcoli numerici più numerosi parametri e punti di dati. Questo porta ad una scelta della lingua fornire un ambiente semplice da codice di prova, ma fornisce anche prestazioni sufficienti per valutare strategie oltre dimensioni multiple parametri. IDE tipiche in questo spazio includono Microsoft Visual CC, che contiene le utility vasta debug, funzionalità di completamento del codice (tramite Intellisense) e panoramiche semplici dell'intero stack di progetto (tramite l'ORM banca dati, LINQ) MatLab. che è progettato per un'ampia algebra lineare numerica e le operazioni Vectorised, ma in un interattivo R Studio console modo. che avvolge la console linguaggio statistico R in una vera e propria IDE Eclipse IDE per Linux Java e C e IDE semi-proprietarie come Enthought Baldacchino per Python, che includono i dati librerie di analisi quali NumPy. SciPy. scikit-learn e panda in un unico ambiente interattivo (console). Per backtesting numerica, tutte le lingue sopra sono adatti, anche se non è necessario utilizzare un GUIIDE come codice verrà eseguito in background. La prima considerazione in questa fase è quella della velocità di esecuzione. Un linguaggio compilato (come C) è spesso utile se le dimensioni dei parametri backtesting sono grandi. Ricordate che è necessario diffidare di tali sistemi, se questo è il caso interpretato linguaggi come Python spesso fanno uso di librerie ad alte prestazioni, come NumPypandas per la fase test a ritroso, al fine di mantenere un ragionevole grado di competitività con equivalenti compilati. In definitiva la lingua scelta per il backtesting sarà determinata da esigenze algoritmiche nonché la gamma di librerie disponibili nella lingua (più avanti). Tuttavia, la lingua utilizzata per gli ambienti backtester e di ricerca può essere completamente indipendenti da quelli utilizzati nei componenti di costruzione del portafoglio, gestione del rischio e di esecuzione, come si vedrà. Portafoglio e gestione dei rischi Gli elementi costruttivi del portafoglio e gestione del rischio sono spesso trascurati dai commercianti algoritmico di vendita al dettaglio. Questo è quasi sempre un errore. Questi strumenti forniscono il meccanismo con cui la conservazione del capitale. Essi non solo tentativo di alleviare il numero di scommesse rischiose, ma anche ridurre al minimo il tasso di abbandono dei mestieri stessi, riducendo i costi di transazione. versioni sofisticate di questi componenti possono avere un effetto significativo sulla qualità e consistentcy della redditività. E 'semplice per creare una scuderia di strategie come il meccanismo di costruzione del portafoglio e risk manager può essere facilmente modificato per gestire più sistemi. Così essi dovrebbero essere considerati componenti essenziali fin dall'inizio della progettazione di un sistema di trading algoritmico. Il lavoro del sistema di costruzione del portafoglio è quello di prendere una serie di mestieri desiderati e produrre la serie di mestieri attuali che riducono al minimo il tasso di abbandono, mantenere l'esposizione a vari fattori (quali settori, classi di attivi, la volatilità, ecc) e ottimizzare l'allocazione del capitale alle varie strategie in un portafoglio. La costruzione del portafoglio spesso riduce ad un problema di algebra lineare (ad esempio una fattorizzazione matrice) e quindi le prestazioni dipende fortemente l'efficacia dell'applicazione algebra lineare numerica disponibili. librerie comuni includono uBLAS. LAPACK e NAG per C. MatLab possiede anche operazioni di matrice ampiamente ottimizzati. Python utilizza NumPySciPy per tali calcoli. Un portafoglio di frequente riequilibrato richiederà una libreria di matrice compilato (e ben ottimizzato) per effettuare questo passaggio fuori, in modo da non collo di bottiglia del sistema commerciale. La gestione del rischio è un altro elemento molto importante di un sistema di trading algoritmico. Il rischio può venire in molte forme: aumento della volatilità (anche se questo può essere visto come auspicabile per determinate strategie), aumento della correlazione tra le classi di attività, di default controparte, interruzioni del server, eventi cigno nero e bug rilevati nel codice di negoziazione, solo per citarne pochi. componenti di gestione del rischio cercare di anticipare gli effetti di un eccesso di volatilità e correlazione tra le classi di attività e la loro successiva effetto (s) sul capitale di trading. Spesso questo riduce ad una serie di calcoli statistici come test di stress Monte Carlo. Questo è molto simile alle esigenze di calcolo di un motore derivati pricing e come tale sarà CPU-bound. Queste simulazioni sono altamente parallelizzabili (vedi sotto) e, in una certa misura, è possibile lanciare hardware al problema. Execution Systems Il lavoro del sistema di esecuzione è di ricevere segnali di trading filtrati dai componenti di costruzione del portafoglio e gestione del rischio e inviarli a una società di intermediazione o altri mezzi di accesso al mercato. Per la maggior parte delle strategie di trading algoritmico di vendita al dettaglio si tratta di una connessione API o FIX per una società di intermediazione, come Interactive Brokers. Le considerazioni principali momento di decidere su una lingua comprendono la qualità delle API, disponibilità lingua-wrapper per una API, frequenza di esecuzione e lo slittamento previsto. La qualità delle API si riferisce a come ben documentato che è, che tipo di prestazioni che fornisce, se è necessario un software standalone per accedere o se un gateway può essere stabilita in modo senza testa (cioè senza GUI). Nel caso di Interactive Brokers, lo strumento Trader stazioni di lavoro deve essere in esecuzione in un ambiente GUI per accedere loro API. Una volta ho dovuto installare una versione desktop di Ubuntu su un server cloud di Amazon per accedere Interactive Brokers da remoto, semplicemente per questo motivo la maggior parte delle API fornirà una interfaccia C Andor Java. E 'di solito fino alla comunità di sviluppare involucri specifiche della lingua per C, Python, R, Excel e MATLAB. Si noti che con tutti i plugin aggiuntivo utilizzato (soprattutto involucri API) vi è spazio per gli insetti a insinuarsi nel sistema. Verificare sempre i plugin di questo tipo e garantire sono attivamente mantenuti. Un indicatore utile è quello di vedere come molti nuovi aggiornamenti di una base di codice sono stati fatti negli ultimi mesi. frequenza di esecuzione è della massima importanza per l'algoritmo di esecuzione. Si noti che centinaia di ordini possono essere inviati ogni minuto e come tali prestazioni sono critiche. Lo slittamento sarà sostenuta attraverso un sistema di esecuzione male in sofferenza e questo avrà un impatto drammatico sulla redditività. linguaggi staticamente tipizzati (vedi sotto), come CJava sono normalmente poco idonei per l'esecuzione, ma c'è un trade-off in tempi di sviluppo, collaudo e facilità di manutenzione. linguaggi dinamicamente tipizzati, come Python e Perl sono ora generalmente abbastanza veloce. Assicurarsi sempre i componenti sono progettati in maniera modulare (vedi sotto) in modo che possano essere archiviati come le scaglie di sistema. Pianificazione e sviluppo architettonico Processo I componenti di un sistema di scambio, le sue esigenze frequenza e il volume sono state discusse in precedenza, ma le infrastrutture del sistema deve ancora essere coperto. Coloro che agiscono come un commerciante al dettaglio o lavorare in un piccolo fondo sarà probabilmente indossare molti cappelli. Sarà necessario copra i parametri del modello alpha, gestione e di esecuzione, e anche la realizzazione finale del sistema. Prima di approfondire linguaggi specifici sarà discussa la progettazione di un'architettura ottimale del sistema. Separazione degli interessi Una delle decisioni più importanti che devono essere fatte in via preliminare è come separare le preoccupazioni di un sistema commerciale. Nello sviluppo di software, questo significa essenzialmente come rompere i diversi aspetti del sistema commerciale in componenti modulari separati. Esponendo interfacce a ciascuno dei componenti è facile scambiare parti del sistema per altre versioni che aiuti prestazioni, affidabilità o di manutenzione, senza modificare alcun codice dipendenza esterna. Questa è la pratica ottimale per tali sistemi. Per le strategie a frequenze più basse si consiglia tali pratiche. Per ultra high frequency trading libro delle regole potrebbe avere per essere ignorati a scapito di tweaking del sistema di prestazioni ancora più elevate. Un sistema accoppiato più stretto può essere desiderabile. Creazione di una mappa componente di un sistema di trading algoritmico vale la pena di un articolo in sé. Tuttavia, un approccio ottimale è quello di assicurarsi che non vi sono componenti separati per gli ingressi dati di mercato storici e in tempo reale, archiviazione dati, l'accesso ai dati API, backtester, parametri di strategia, di costruzione del portafoglio, gestione del rischio e sistemi di esecuzione automatica. Per esempio, se l'archivio dati utilizzati attualmente poco efficiente, anche a livelli significativi di ottimizzazione, può essere sostituita da altre riscritture minime all'ingestione di dati o di accesso ai dati API. Per quanto riguarda il come backtester e componenti successivi sono interessati, non vi è alcuna differenza. Un altro vantaggio di componenti separati è che consente una varietà di linguaggi di programmazione da utilizzare nel sistema complessivo. Non c'è bisogno di essere limitata ad una sola lingua se il metodo di comunicazione dei componenti è indipendente dalla lingua. Questo sarà il caso se comunicano via TCPIP, ZeroMQ o qualche altro protocollo indipendente dalla lingua. Come esempio concreto, si consideri il caso di un sistema di backtesting stato scritto in C per macinare il numero delle prestazioni, mentre i sistemi di portafoglio gestore ed esecuzione sono scritti in Python usando SciPy e IBPy. Considerazioni sulle prestazioni Le prestazioni sono un fattore importante per la maggior parte delle strategie di trading. Per le strategie di frequenza più alta è il fattore più importante. Prestazioni copre una vasta gamma di questioni, come la velocità di esecuzione algoritmica, la latenza di rete, la larghezza di banda, dati IO, concurrencyparallelism e il ridimensionamento. Ognuna di queste aree sono singolarmente coperti da grandi libri di testo, quindi questo articolo sarà solo graffiare la superficie di ogni argomento. Architettura e scelta della lingua saranno ora discusse in termini di effetti sulle prestazioni. La saggezza prevalente come dichiarato da Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPySciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disknetwork latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk IO operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocationdeallocation as part of an objects implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in parallel. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrencymultithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 78, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading
No comments:
Post a Comment