Sistema De Negociação C ++

BarsMonster: Eu poderia ver, no entanto, para coisas como pilhas de rede, que são completamente dependentes da plataforma, exigiria algum conhecimento antes de poder mudar plataformas. Mais coisas como garfo que são comuns no mundo POSIX, mas não são possíveis em um ambiente Windows. Eu acho que é uma resposta razoável. Ndash Billy ONeal 29 de agosto 10 às 0:55 LinuxUNIX é muito mais útil para usuários remotos concorrentes, facilitando o roteamento em torno dos sistemas, use ferramentas padrão como grepsedawkperlrubyless em logs. Sshscp. Todos esses itens apenas lá. Há também problemas técnicos, por exemplo: para medir o tempo decorrido no Windows, você pode escolher entre um conjunto de funções com base no controle do relógio do Windows e no QueryPerformanceCounter (). O primeiro é incrementos cada 10 a 16 milissegundos (nota: alguma documentação implica mais precisão - por exemplo, os valores da medida GetSystemTimeAsFileTime () para 100ns, mas eles relatam o mesmo limite de 100ns do relógio para assinalar novamente). O último - QueryPerformanceCounter () - tem problemas de exibição em que diferentes coresppus podem relatar relógios-desde-inicialização que diferem por vários segundos devido ao aquecimento em diferentes momentos durante a inicialização do sistema. MSDN documenta isso como um possível erro do BIOS, mas é comum. Então, quem quer desenvolver sistemas de negociação de baixa latência em uma plataforma que não pode ser instrumentada corretamente (há soluções, mas você não encontrará nenhum software que esteja sentado convenientemente em impulsionar ou ACE). Muitas variantes LinuxUNIX têm muitos parâmetros facilmente ajustáveis ​​para trocar a latência por um único evento contra a latência média sob carga, tamanhos de fatia de tempo, políticas de agendamento, etc. Em sistemas operacionais de código aberto, há também a garantia de que pode se referir ao Codifica quando você acha que algo deve ser mais rápido do que é, e o conhecimento de que uma comunidade (potencialmente enorme) de pessoas tem sido e está fazendo de forma crítica - com o Windows, obviamente, principalmente será a gente que foi designada para examiná-la. No lado da FUDreputação - um pouco intangível, mas uma parte importante das razões para a seleção do sistema operacional - acho que a maioria dos programadores da indústria confiaria apenas em LinuxUNIX mais para fornecer um agendamento e um comportamento confiáveis. Além disso, o LinuxUNIX tem uma reputação de falhar menos, embora o Windows seja bastante confiável nos dias de hoje, e o Linux possui uma base de código muito mais volátil do que o Solaris ou o FreeBSD. Respondeu 29 de agosto às 0:42 Os sistemas operacionais do cliente Windows permitem apenas que uma pessoa use o RDP de cada vez. No entanto, o Windows Terminal Server existe para sempre (foi, de fato, o uso original do RDP) e permite tantas conexões quanto você possui Licenças de Acesso para Cliente. Os sistemas operacionais do Windows Server vêm com a capacidade de ter mais de um usuário remoto por padrão. Se você pudesse obter o comentário sobre o agendamento, então eu iria aqui - essa parte da resposta parece ser FUD neste ponto para mim (o restante da resposta é bom). YMMV. Ndash Billy ONeal 29 de agosto 10 às 0:50 Não há programação UNIXLinux. É uma das áreas em que as implementações diferem. E o Linux, na verdade, teve mais de uma opção de agendador (google Completely Fair Scheduler Linux para o plano de fundo), então você pode até dizer que o planejamento do quinLinux é confiável. Ndash MSalters 30 de agosto 10 às 11:37 Em segundo lugar, as opiniões de histórico e o acesso à manipulação do kernel. Além desses motivos, eu também acredito que, assim como como eles desligam a coleta de lixo do. NET e o mecanismo similar em Java ao usar essas tecnologias em baixa latência. Eles podem evitar o Windows por causa das APIs de alto nível que interagem com ossos de baixo nível e depois com o kernel. Portanto, o núcleo é, naturalmente, o kernel que pode ser interagido com o uso do baixo nível os. As APIs de alto nível são fornecidas apenas para facilitar a vida dos usuários comuns. Mas, no caso de baixa latência, esta é uma camada gordurosa e uma fração de perda de segundos em cada operação. Então, uma opção lucrativa para ganhar poucos segundos por chamada. Além disso, essa outra coisa a considerar é a integração. A maioria dos servidores, centros de dados, trocas usam UNIX e não Windows, portanto, usar os clientes da mesma família facilita a integração e a comunicação. Então você tem problemas de segurança (muitas pessoas por aí podem não concordar com este ponto, porém) hackear o UNIX não é fácil em comparação com o hacking WINDOWS. Eu não concordo que o licenciamento deve ser o problema para os bancos, porque eles duchem dinheiro em cada peça de hardware e software e as pessoas que os personalizam, então as licenças de compra não serão tão maiores quanto a questão quando consideradas o que ganham comprando. Respondido 21 de dezembro 12 às 20:05 Sua resposta 2017 Stack Exchange, Inc A linguagem de programação mais fácil para comerciantes Apresentando o TradeScript, nossa poderosa nova linguagem de programação que permite aos comerciantes projetar sistemas comerciais sem experiência de programação prévia. O que é para TradeScript é um componente de desenvolvimento projetado para desenvolvedores de software que desejam expandir o conjunto de recursos em seu aplicativo comercial fornecendo uma linguagem de script. O TradeScript, como idioma, destina-se a comerciantes que precisam escrever suas próprias estratégias comerciais, mas não sabem como programar em linguagens de baixo nível, como C e C. O TradeScript permite que os comerciantes desenvolvam sistemas de negociação rápida e sem esforço. É tão fácil como 1-2-3. Com o TradeScript, você pode habilitar o seu aplicativo comercial para executar scripts que fornecem alertas quando o preço de uma segurança (estoque, futuros ou forex) atinge uma nova alta, cruza uma média móvel ou reduz uma porcentagem definida, embora essas sejam apenas Alguns exemplos. O TradeScript também pode escanear o mercado, gerar sinais comerciais, estratégias de negociação de back-test e muito mais. Linguagens de programação de vetores As aplicações comerciais mais populares, como MetaStock, TradeStation, NinjaTrader, MetaTrader e outros, fornecem suas próprias linguagens de programação (como MQL4, MQL5, EasyLanguage, linguagem de script MetaStocks, etc.). Sem uma linguagem de programação, os comerciantes não conseguem desenvolver sistemas de negociação automatizados ou realizar back-testing de estratégias. Uma linguagem de programação vetorial oferece flexibilidade extrema com uma curva de aprendizado mínima. Na verdade, em apenas cinco minutos, você pode começar a escrever com o TradeScript. Então, o que é uma linguagem de programação vetorial e por que é tão fácil aprender que as linguagens de programação de vetores (também conhecidas como matriz ou linguagens multidimensionais) generalizam operações em escalares para serem aplicadas de forma transparente para vetores, matrizes e matrizes dimensionais maiores. A idéia por trás da programação vetorial é que as operações se aplicam de uma só vez a um conjunto inteiro de valores (um vetor ou campo). Isso permite que você pense e opere em agregados inteiros de dados, sem recorrer a loops explícitos de operações escalares individuais. Em outras palavras, é semelhante ao macro idioma encontrado no Excel. A linguagem de programação mais fácil para os comerciantes. O mais poderoso também. Um exemplo: para calcular uma média móvel simples com base no preço médio de uma segurança ao longo de 30 dias, em uma linguagem de programação tradicional, como BASIC, você precisaria escrever um programa semelhante ao código mostrado neste bloco de código. Várias linhas de código seriam necessárias para criar o vetor MedianAmands. Mas com o TradeScript, você pode realizar a mesma coisa usando apenas uma linha de código como mostrado abaixo. Para o bar 30 ao máximo Média 0 Para n bar - 30 para a média da barra (CLOSE OPEN) 2 Média Média média Próximo Média médias (bar) Média 30 Barra seguinte SET MedianAverage SimpleMovingAverage ((CLOSE OPEN) 2, 30) E agora MedianAverage torna-se um novo Vetor que contém a média móvel simples de 30 períodos do preço médio da segurança. Não é incomum encontrar matrizes de linguagem de programação de matrizes que exijam mais do que algumas páginas de código BASIC, Java ou C. O mesmo vale para a criação de sistemas de negociação para testes de volta e alertas comerciais. O TradeScript foi originalmente projetado como uma linguagem de programação de alto desempenho para comerciantes de alta freqüência. Ele foi projetado para verificar mais de 100.000 ações com base em critérios técnicos complexos e retornar resultados instantâneos em menos de cinco milissegundos. Isso foi há mais de dez anos. Hoje é ainda mais rápido. Solução rápida de desenvolvimento fácil Se você for um desenvolvedor de software, ficará surpreso ao saber que apenas leva cerca de 30 minutos para implementar o TradeScript em sua aplicação comercial. O TradeScript vem com ajuda sensível ao contexto, e nosso Guia de Programadores pode ser enviado com seu aplicativo. Adicionar um idioma de script ao seu aplicativo comercial não poderia ser mais fácil. Comece com o TradeScript M4 Trading Platform Implementação O TradeScript é a linguagem de programação usada em nossa plataforma de negociação M4. Onde executa negócios automatizados, processa alertas em tempo real, executa varreduras de estoque e sistemas de negociação de back-tests. Disponível em versões C e em C O TradeScript está disponível em C (x64 para melhor desempenho) e C para desenvolvimento de aplicativos web. Ele vem com mais de 30 projetos de exemplo e suporte para desenvolvedores extensivos para ajudá-lo a implementar a biblioteca em seu projeto. Cenários de desenvolvimento comuns O TradeScript é mais usado em um dos três cenários. Muitas vezes é usado dentro de aplicativos de comércio de desktop, onde é incorporado no lado do cliente. Também é comumente usado no lado do servidor, onde executa estratégias para clientes finos, como aplicativos móveis e web. Outro cenário comum é onde o TradeScript é executado no lado do servidor, a fim de fornecer resultados de digitalização em tempo real para usuários da web e móveis. Programação genética Um algoritmo genético pode ser integrado ao TradeScript para criar um mecanismo autônomo de criação de sistemas comerciais. Verifique o nosso mecanismo de algoritmo genético Evo2, que vem com exemplos do TradeScript. Estudo de caso O TradeScript é usado em uma série de aplicações comerciais populares, uma das quais é a plataforma WhenToTrade Cycles and Algorithm Gentic. O estudo de caso descreve como o TradeScript é implementado para realizar análise cíclica dos mercados. O WhenToTrade Cycles e a GA Platform combinam análise técnica usando TradeScript e gráficos financeiros usando StockChartX com novos algoritmos para análise cíclica. A solução faz parte de um pacote de conhecimento completo e permite que os comerciantes apliquem as estratégias derivadas a todos os tipos de mercados e prazos. Com o TradeScript, você pode: Criar scripts automatizados de entrada de pedidos Executar milhares de alertas simultâneas Criar testes de retorno e otimizar o sistema de negociação Criar gráficos orientados por script e conselheiros especializados Obtenha resultados de fórmula em tempo real Por que escolher Modulus Modulus é uma empresa de tecnologia financeira. Embora isso não pareça um diferencial real, é. Isso significa que nossas soluções são de nossos anos de experiência no setor de tecnologia financeira. Nossos produtos e serviços são fornecidos por desenvolvedores e engenheiros que possuem experiência de negociação de primeira mão. Todo mundo aqui no Modulus fala seu idioma. Língua de programação melhor para sistemas de negociação algorítmica Uma das perguntas mais freqüentes que recebo no QS mailbag é qual a melhor linguagem de programação para negociação algorítmica. A resposta curta é que não há melhor linguagem. Parâmetros estratégicos, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreve os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha do idioma. Em primeiro lugar, serão considerados os principais componentes de um sistema de negociação algorítmico, como ferramentas de pesquisa, otimizador de portfólio, gerenciador de riscos e motor de execução. Posteriormente, serão analisadas diferentes estratégias de negociação e como elas afetam o design do sistema. Em particular, a freqüência de negociação e o provável volume de negociação serão discutidos. Uma vez que a estratégia de negociação foi selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o (s) sistema (s) operacional (is) e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, deve-se ter em conta o desempenho, tanto para as ferramentas de pesquisa como para o ambiente de execução ao vivo. O que é o Sistema de Negociação Tentando Fazer Antes de decidir sobre o melhor idioma para escrever um sistema de negociação automatizado, é necessário definir os requisitos. O sistema vai ser puramente baseado em execução Será que o sistema exigirá um módulo de gerenciamento de risco ou construção de portfólio O sistema exigirá um backtester de alto desempenho. Para a maioria das estratégias, o sistema comercial pode ser dividido em duas categorias: Pesquisa e geração de sinal. A pesquisa está preocupada com a avaliação de um desempenho da estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação em relação aos dados anteriores do mercado é conhecido como backtesting. O tamanho dos dados ea complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade e a concorrência do CPU são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa. A geração de sinal está preocupada com a geração de um conjunto de sinais comerciais a partir de um algoritmo e envio de ordens para o mercado, geralmente através de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. Os problemas de IO, como a largura de banda da rede e a latência, muitas vezes são fatores limitantes na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bastante diferente. Tipo, Frequência e Volume de Estratégia O tipo de estratégia algorítmica empregada terá um impacto substancial no design do sistema. Será necessário considerar os mercados negociados, a conectividade com os fornecedores de dados externos, a freqüência e o volume da estratégia, o trade-off entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware customizado, incluindo o costume co-localizado Servidores, GPUs ou FPGAs que possam ser necessários. As opções de tecnologia para uma estratégia de ações de baixa freqüência dos EUA serão muito diferentes das de uma negociação de estratégias de arbitragem estatística de alta freqüência no mercado de futuros. Antes da escolha do idioma, muitos fornecedores de dados devem ser avaliados de acordo com a estratégia em questão. Será necessário considerar a conectividade com o fornecedor, a estrutura de qualquer API, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor que se desligue. Também é aconselhável possuir acesso rápido a vários fornecedores. Diversos instrumentos têm todos os seus peculiaridades de armazenamento, exemplos dos quais incluem símbolos de ticker múltiplos para ações e datas de validade para futuros (sem mencionar nenhum dado OTC específico). Isso precisa ser incorporado ao design da plataforma. A frequência da estratégia provavelmente será um dos maiores drivers de como a pilha de tecnologia será definida. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar, requerem considerável consideração quanto ao desempenho. Uma estratégia que exceda as barras segundo (isto é, dados de marca) leva a um design orientado a desempenho como o principal requisito. Para estratégias de alta freqüência, uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb são comumente usados ​​para essas funções. Para processar os extensos volumes de dados necessários para aplicações HFT, um sistema de backtester e execução amplamente otimizado deve ser usado. CC (possivelmente com algum montador) é provável para o candidato a linguagem mais forte. As estratégias de ultra-alta freqüência certamente exigirão hardware personalizado, como FPGAs, câmbio de co-localização e ajuste de interface kernalnetwork. Sistemas de pesquisa Os sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e scripts automatizados. O primeiro geralmente ocorre dentro de um IDE, como Visual Studio, MatLab ou R Studio. O último envolve cálculos numéricos extensos em vários parâmetros e pontos de dados. Isso leva a uma escolha de idioma fornecendo um ambiente direto para testar código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetros. Os IDE típicos neste espaço incluem o Microsoft Visual CC, que contém extensivos utilitários de depuração, capacidades de conclusão de código (através do Intellisense) e visões gerais diretas de toda a pilha do projeto (via o banco de dados ORM, LINQ) MatLab. Que é projetado para extensa álgebra linear numérica e operações vetoriais, mas em uma maneira de console interativo R Studio. Que envolve o console de linguagem estatística R em um IDE Eclipse IDE de pleno direito para Linux Java e C e IDEs semi-proprietários, como Enthought Canopy para Python, que incluem bibliotecas de análise de dados como NumPy. SciPy. Scikit-learn e pandas em um único ambiente interativo (console). Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar uma GUIIDE, pois o código será executado em segundo plano. A principal consideração nesta fase é a velocidade de execução. Uma linguagem compilada (como C) geralmente é útil se as dimensões do parâmetro backtest forem grandes. Lembre-se de que é necessário desconfiar de tais sistemas, se esse for o caso. As linguagens interpretadas, como Python, costumam fazer uso de bibliotecas de alto desempenho, como o NumPypandas para a etapa de backtesting, a fim de manter um grau razoável de competitividade com equivalentes compilados. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades algorítmicas específicas, bem como o intervalo de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, o idioma usado para o backtester e ambientes de pesquisa pode ser completamente independente dos usados ​​na construção de portfólio, gerenciamento de riscos e componentes de execução, como será visto. Construção de carteiras e gerenciamento de riscos A construção de portfólio e componentes de gerenciamento de risco são muitas vezes ignorados por comerciantes algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não só tentam aliviar o número de apostas arriscadas, mas também minimizam o desvio das negociações, reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É direto criar um estável de estratégias, pois o mecanismo de construção do portfólio e o gerenciador de riscos podem ser facilmente modificados para lidar com múltiplos sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de comércio algorítmico. O trabalho do sistema de construção de carteiras é levar um conjunto de trades desejados e produzir o conjunto de negócios reais que minimizam o churn, manter exposições a vários fatores (como setores, classes de ativos, volatilidade, etc.) e otimizar a alocação de capital para vários Estratégias em um portfólio. A construção da carteira geralmente se reduz a um problema de álgebra linear (como uma fatoração da matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação de álgebra linear numérica disponível. Bibliotecas comuns incluem uBLAS. LAPACK e NAG para C. MatLab também possuem operações de matriz amplamente otimizadas. Python utiliza NumPySciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca de matriz compilada (e bem otimizada) para realizar esta etapa, de modo a não engarrafar o sistema de negociação. O gerenciamento de riscos é outra parte extremamente importante de um sistema de comércio algorítmico. O risco pode vir de várias formas: aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias), o aumento das correlações entre classes de ativos, contraparte padrão, interrupções do servidor, eventos de cisnes negros e erros não detectados no código comercial, para nomear um poucos. Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e a correlação entre as classes de ativos e seus efeitos (s) subseqüentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como testes de esforço de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de preços de derivativos e, como tal, será vinculado pela CPU. Essas simulações são altamente paralelizáveis ​​(veja abaixo) e, até certo ponto, é possível lançar hardware no problema. Sistemas de Execução O trabalho do sistema de execução é receber sinais de negociação filtrados dos componentes de construção de portfólio e gerenciamento de riscos e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação algorítmica de varejo, isso envolve uma conexão API ou FIX para uma corretora, como Brokers interativos. As considerações primárias ao decidir sobre um idioma incluem a qualidade da API, a disponibilidade do conteúdo do idioma para uma API, a freqüência de execução e o deslizamento antecipado. A qualidade da API refere-se ao quão bem documentado é, qual o tipo de desempenho que ele fornece, se ele precisa de um software autônomo para ser acessado ou se um gateway pode ser estabelecido de forma sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa ser executada em um ambiente GUI para acessar sua API. Uma vez, tive que instalar uma edição do Desktop Ubuntu em um servidor de nuvem da Amazon para acessar os corretores interativos de forma remota, apenas por esse motivo, a maioria das API fornecerá uma interface C andor Java. Geralmente, é para a comunidade desenvolver wrappers específicos de idioma para C, Python, R, Excel e MatLab. Note-se que, com cada plugin adicional utilizado (especialmente os wrappers da API), há possibilidades de insetos no sistema. Sempre teste plugins desse tipo e assegure-se de que eles sejam ativamente mantidos. Um indicador valioso é ver quantas novas atualizações de uma base de código foram feitas nos últimos meses. A frequência de execução é de extrema importância no algoritmo de execução. Observe que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. O Slippage será incorrido por meio de um sistema de execução mal executado e isso terá um impacto dramático sobre a rentabilidade. As linguagens de conversão estática (veja abaixo), como o CJava, geralmente são ótimas para a execução, mas há um trade-off no tempo de desenvolvimento, teste e facilidade de manutenção. Idiomas dinamicamente digitados, como Python e Perl, geralmente são geralmente suficientemente rápidos. Certifique-se sempre de que os componentes foram projetados de forma modular (veja abaixo) para que possam ser trocados para fora à medida que o sistema se equilibra. Processo de planejamento e desenvolvimento arquitetônico Os componentes de um sistema de comércio, seus requisitos de freqüência e volume foram discutidos acima, mas a infraestrutura do sistema ainda não foi coberta. Aqueles que atuam como um comerciante de varejo ou que trabalham em um fundo pequeno provavelmente estarão usando muitos chapéus. Será necessário cobrir o modelo alfa, os parâmetros de gerenciamento de riscos e execução, bem como a implementação final do sistema. Antes de aprofundar linguagens específicas, o projeto de uma arquitetura de sistema ideal será discutido. Separação de preocupações Uma das decisões mais importantes que devem ser tomadas no início é como separar as preocupações de um sistema de comércio. No desenvolvimento de software, isso significa essencialmente como dividir os diferentes aspectos do sistema de negociação em componentes modulares separados. Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que ajudem a desempenho, confiabilidade ou manutenção, sem modificar nenhum código de dependência externo. Esta é a melhor prática para esses sistemas. Para estratégias em frequências mais baixas, tais práticas são aconselhadas. Para a comercialização de ultra alta frequência, o livro de regras pode ser ignorado à custa de ajustar o sistema para ainda mais desempenho. Um sistema mais acoplado pode ser desejável. Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si mesmo. No entanto, uma abordagem ótima é certificar-se de que existem componentes separados para as entradas de dados de mercado históricos e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros de estratégia, construção de portfólio, gerenciamento de riscos e sistemas de execução automatizada. Por exemplo, se o armazenamento de dados em uso estiver atualmente em baixa performance, mesmo em níveis significativos de otimização, ele pode ser trocado com reescritos mínimos para a ingesta de dados ou API de acesso a dados. Até o ponto como o backtester e os componentes subsequentes, não há diferença. Outro benefício dos componentes separados é que permite que uma variedade de linguagens de programação sejam usadas no sistema geral. Não é necessário restringir a um único idioma se o método de comunicação dos componentes for independente da linguagem. Este será o caso se estiverem se comunicando via TCPIP, ZeroMQ ou algum outro protocolo independente de linguagem. Como um exemplo concreto, considere o caso de um sistema de backtesting sendo escrito em C para o desempenho de crunching do número, enquanto o gerenciador de portfólio e os sistemas de execução são escritos em Python usando SciPy e IBPy. Considerações sobre o desempenho O desempenho é uma consideração significativa para a maioria das estratégias comerciais. Para estratégias de maior frequência, é o fator mais importante. O desempenho abrange uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, IO de dados, paralelismo de concorrência e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto este artigo apenas arranhará a superfície de cada tópico. A escolha da arquitetura e da linguagem agora será discutida em termos de seus efeitos no desempenho. A sabedoria prevalecente, como afirmou Donald Knuth. Um dos pais da Ciência da Computação, é que a otimização prematura é a raiz de todo o mal. Este é quase sempre o caso - exceto ao construir um algoritmo de negociação de alta freqüência Para aqueles que estão interessados ​​em estratégias de baixa freqüência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os estrangulamentos começam a aparecer. Ferramentas de perfil são usadas para determinar onde surgem os estrangulamentos. Perfis podem ser feitos para todos os fatores listados acima, em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e linguagem disponíveis para fazê-lo, bem como utilitários de terceiros. A escolha da linguagem será agora discutida no contexto do desempenho. C, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (como parte do padrão ou externo) para estrutura básica de dados e trabalho algorítmico. C é fornecido com a Biblioteca de modelos padrão, enquanto o Python contém NumPySciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação. Uma exceção é se uma arquitetura de hardware altamente personalizada é necessária e um algoritmo está fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a reinvenção da roda desperdiça o tempo que poderia ser melhor gasto no desenvolvimento e otimização de outras partes da infra-estrutura de negociação. O tempo de desenvolvimento é extremamente precioso, especialmente no contexto de desenvolvedores exclusivos. A latência é muitas vezes uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão localizadas na mesma máquina. Para o primeiro, a latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de rede de disco), os sinais devem ser gerados (sistema operacional, latência de mensagens do kernal), sinais comerciais enviados (latência NIC) e pedidos processados ​​(latência interna dos sistemas de troca). Para operações de maior freqüência, é necessário familiarizar-se intimamente com a otimização do kernal, além de otimizar a transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado, então, esteja ciente da profundidade de conhecimento necessário. O cache é muito útil no conjunto de ferramentas de um desenvolvedor de negociação quantitativo. O armazenamento em cache refere-se ao conceito de armazenar dados freqüentemente acessados ​​de forma que permita um acesso de alto desempenho, em detrimento do potencial estancamento dos dados. Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional com respaldo de disco e colocá-lo na memória. Quaisquer pedidos subseqüentes para os dados não precisam acertar o banco de dados e, portanto, os ganhos de desempenho podem ser significativos. Para situações de negociação, o cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até ser reequilibrado, de modo que a lista não precisa ser regenerada em cada ciclo do algoritmo de negociação. Essa regeneração provavelmente será uma operação elevada de CPU ou disco IO. No entanto, o armazenamento em cache não está sem seus próprios problemas. A regeneração de dados de cache de uma só vez, devido à natureza volátil do armazenamento de cache, pode colocar uma demanda significativa na infra-estrutura. Outra questão é o empilhamento de cães. Onde múltiplas gerações de uma nova cópia de cache são realizadas sob uma carga extremamente alta, o que leva a uma falha em cascata. A alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de maior desempenho comercial sejam conscientes de como a memória está sendo alocada e desalinhada durante o fluxo do programa. Novos padrões de linguagem, como Java, C e Python, todos realizam coleta automática de lixo. Que se refere à desalocação da memória alocada dinamicamente quando os objetos ficam fora do escopo. A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz erros e ajuda a legibilidade. No entanto, muitas vezes é sub óptimo para certas estratégias de negociação de alta freqüência. A coleta de lixo personalizada é muitas vezes desejada para esses casos. Em Java, por exemplo, ao ajustar a configuração do colector de lixo e do heap, é possível obter alto desempenho para estratégias HFT. C não fornece um coletor de lixo nativo e, portanto, é necessário lidar com todas as alocações de alocação de memória como parte de uma implementação de objetos. Embora potencialmente propenso a erros (potencialmente levando a ponteiros pendurados), é extremamente útil ter controle fino de como os objetos aparecem no heap para determinadas aplicações. Ao escolher um idioma, certifique-se de estudar como o coletor de lixo funciona e se ele pode ser modificado para otimizar um caso de uso particular. Muitas operações em sistemas de negociação algorítmica são favoráveis ​​à paralelização. Isso se refere ao conceito de realização de múltiplas operações programáticas ao mesmo tempo, ou seja, em paralelo. Os algoritmos denominados algoritmos paralisantes incluem etapas que podem ser computadas totalmente independentemente de outras etapas. Certas operações estatísticas, como as simulações de Monte Carlo, são um bom exemplo de algoritmos embarazosa paralelos, pois cada sorteio aleatório e subseqüente operação do caminho podem ser computados sem o conhecimento de outros caminhos. Outros algoritmos são apenas parcialmente paralelizáveis. As simulações de dinâmica de fluidos são um exemplo, onde o domínio da computação pode ser subdividido, mas, em última instância, esses domínios devem se comunicar entre si e, portanto, as operações são parcialmente seqüenciais. 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. NET 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. NET 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.