Automatisoitu Kaupankäynnin Järjestelmä Arkkitehtuuri

Algorithmic Trading System Architecture. Ennen tätä blogia olen kirjoittanut älykkään algoritmisen kaupankäyntijärjestelmän käsitteellisestä arkkitehtuurista sekä tuotannon algoritmisen kaupankäyntijärjestelmän toiminnallisista ja ei-toiminnallisista vaatimuksista. Sen jälkeen olen suunnitellut järjestelmäarkkitehtuurin, jonka uskoisin voivani Täyttävät nämä arkkitehtoniset vaatimukset Tässä artikkelissa kuvataan arkkitehtuuria noudattaen ISO IEC IEEE 42010 - järjestelmien ja ohjelmistosuunnittelun arkkitehtuurin kuvausstandardin ohjeita. Tämän standardin mukaan arkkitehtuurikirjeen on oltava. Käytä useita standardoituja arkkitehtuurinäkymiä esim. UML: ssä. Suunnittelupäätöksiä ja arkkitehtonisia vaatimuksia. Ohjelmiston arkkitehtuurin määritelmä. Mikään ei ole yksimielisyyttä siitä, mikä järjestelmän arkkitehtuuri on. Tässä artikkelissa määritellään infrastruktuuri, jonka sisällä toiminnalliset vaatimukset täyttävät sovelluskomponentit voidaan määritellä, Käyttöön ja suoritettu Toiminnalliset vaatimukset ovat järjestelmän ja sen komponenttien odotetut toiminnot Ei-toiminnalliset vaatimukset ovat toimenpiteitä, joiden avulla voidaan mitata järjestelmän laatua. Järjestelmä, joka täysin täyttää toiminnalliset vaatimukset, ei silti voi täyttää odotuksia, jos ei-toiminnalliset vaatimukset Jätetään tyytymättöminä Tämän konseptin havainnollistamiseksi seuraavassa skenaariossa juuri ostettuun algoritmiseen kaupankäyntijärjestelmään tehdään erinomaisia ​​kaupankäyntipäätöksiä, mutta se ei ole täysin toimintakykyinen organisaatioiden riskienhallinta - ja kirjanpitojärjestelmien kanssa. Olisiko järjestelmä tyydyttää odotuksesi. Konseptuaalinen arkkitehtuuri. Näkymä kuvaa korkean tason käsitteitä ja mekanismeja, jotka ovat järjestelmässä korkeimmalla tasolla. Tässä tason algoritmisessa kaupankäyntijärjestelmässä noudatetaan tapahtumaketjuista EDA-arkkitehtuuria, joka on hajotettu neljään kerrokseen ja kaksi arkkitehtonista näkökulmaa. Jokaiselle kerrokselle ja puolen referenssiarkkitehtuurille ja malleja ar Käytetään Arkkitehtonisia malleja on todistettu, yleiset rakenteet erityisvaatimusten saavuttamiseksi Arkkitehtoniset näkökohdat ovat monialaisia ​​huolenaiheita, jotka ulottuvat useisiin komponentteihin. Ajamainen arkkitehtuuri - arkkitehtuuri, joka tuottaa, havaitsee, kuluttaa ja reagoi tapahtumiin Tapahtumia ovat reaaliaikaiset markkinaliikkeet, monimutkaiset Tapahtumia tai trendejä ja kauppatapahtumia, kuten tilauksen tekemistä. Tämä kaavio havainnollistaa algoritmisen kaupankäyntijärjestelmän käsitteellistä arkkitehtuuria. Arkkitehtuurit. Analogian käyttämiseksi referenssiarkkitehtuuri on samanlainen kuin kantavien seinien piirustukset. voidaan käyttää uudelleen useisiin rakennussuunnitelmiin riippumatta siitä, mitä rakennusta rakennetaan, sillä se täyttää yleisesti esiintyvät vaatimukset. Samoin vertailurakenteessa määritellään malli, joka sisältää geneerisiä rakenteita ja mekanismeja, joita voidaan käyttää rakentamaan konkreettinen ohjelmistoarkkitehtuuri, joka täyttää erityisvaatimukset Arkkitehtuuri algoritmiselle tr Ading-järjestelmä käyttää avaruuspohjaista arkkitehtuuria SBA ja mallinäkymän ohjain MVC referensseinä Käytetään myös hyviä käytäntöjä, kuten operatiivisen tietovaraston ODS, ekstraktimuunnoksen ja ETL-kuormituksen ja datavaraston DW. Mallinäkymän ohjain - kuvio, joka Erottaa tietojen esityksen käyttäjän vuorovaikutuksesta sen kanssa. Space-pohjainen arkkitehtuuri - määrittää infrastruktuurin, jossa löyhästi kytketty prosessointiyksiköt vuorovaikutteisesti toisiinsa jaetun assosioitumismuistin kautta, jota kutsutaan jäljempänä esitetyksi tilaksi. Space-pohjainen arkkitehtoninen käsitteellinen näkymä Malli View Controller alkuperäinen kuva. Struktuurinäkymä. Arkkitehtuurin rakenteellinen kuva näyttää algoritmisen kaupankäyntijärjestelmän komponentit ja osa-osat. Se osoittaa myös, miten nämä komponentit otetaan käyttöön fyysiselle infrastruktuurille. Tässä näkymässä käytetyt UML-kaaviot sisältävät komponenttipiirrokset ja käyttöönottokaaviot. Alla on galleria yleisen algoritmisen kaupankäyntijärjestelmän ja p SBA-referenssiarkkitehtuurissa käytettävät yksiköt sekä niihin liittyvät komponentti-kaaviot kullekin tasolle. Algoritmiset kaupankäyntijärjestelmät korkean tason käyttöönottokaavio SBA-käsittelyyksiköt käyttöönottokuvio Tilauskäsittelykerroksen komponenttikaavio Automaattinen kauppias tapahtumakäsittelykomponenttikaavio Tietolähde ja esikäsittelykerros Komponentti-kaavio MVC-pohjainen käyttöliittymäkomponenttikaavio. Arkkitehtoniset taktiikat. Ohjelmistotekniikan instituutin mukaan arkkitehtoninen taktiikka on keino täyttää laatuvaatimus manipuloimalla osa ominaisuusmallin arkkitehtonisia suunnittelupäätöksiä käyttäen. Yksinkertainen esimerkki algoritmikaupassa järjestelmäarkkitehtuuri manipuloi toiminnallista tietovarastoa ODS jatkuvalla kyselykomponentilla Tämä komponentti analysoi jatkuvasti ODS: ää monimutkaisten tapahtumien tunnistamiseksi ja poistamiseksi Seuraavat taktiikat ovat käytössä arkkitehtuurissa. Tapahtuman häiriökuvio ja tilausjonoja. tapahtumaa ja tilausjonoja. Kokeellinen kyselykieli CQL ODS. Data suodatus suodattimen suunnittelukuvion saapuvan data. Congestion välttäminen algoritmeja kaikkiin saapuvien ja lähtevien yhteyksien. Active jono hallinta AQM ja nimenomainen ylikuormitus notificationmodity laskentaresurssit ja kapasiteetti päivittää skaalautuva. Active irtisanominen kaikille yksittäisille epäonnistumispaikoille. Indeksointi ja optimoidut pysyvyys rakenteet ODS. Schedule säännöllisesti tietojen varmuuskopiointi ja puhdistus-skriptejä ODS. Transaction historia kaikissa tietokannoissa. Checksums kaikkien tilausten havaita vikoja. Notti ilmoittaa tapahtumia aikaleimat ohittaa vanhentuneita tapahtumia. Järjestelmänvalidointisäännöt, esim. kaupan suurimmat sallitut määrät. Automaattiset kauppiaskomponentit käyttävät muistiin tallennettua tietokantaa analysoitavaksi. Kahden vaiheen autentikointi käyttöliittymien yhteydelle, jotka liittyvät ATs. Encryptionin käyttöliittymiin ja yhteyksiin AT: n. MVC hallitsee näkymiä. Yllä oleva luettelo on vain muutamia suunnittelupäätöksiä, jotka olen tunnistanut Arkkitehtuurin suunnittelu Ei ole täydellinen luettelo taktiikoista Koska järjestelmää kehitetään, ylimääräisiä taktiikoita tulee käyttää useiden eri tasojen rakeisuuden suhteen funktionaalisten ja ei-toiminnallisten vaatimusten täyttämiseksi. Alla on kolme kaaviota, jotka kuvaavat häiriöiden suunnittelumallin, Ja jatkuva kyselykomponentti. Jatkuva kyselykomponentti-kaavio Disruptor-mallin kuvio - luokan kaaviolähde Suodattimen mallinluokka-kaavio. Mallinäyttö. Tämä näkymä arkkitehtuurista näyttää, miten komponentit ja kerrokset toimivat vuorovaikutuksessa Toinen on hyödyllistä, kun luodaan skenaarioita arkkitehtuurin testaamiseksi Mallit ja järjestelmän ymmärtäminen päästä päähän Tämä näkymä koostuu sekvenssikaaviosta ja toimintokaaviosta Toimintakaaviot, jotka esittävät algoritmisen kaupankäyntijärjestelmän sisäisen prosessin ja miten kauppiaat oletetaan toimivan vuorovaikutuksessa algoritmisen kaupankäyntijärjestelmän kanssa, on esitetty alla. Algoritmisen elinkeinonharjoittajan vuorovaikutus End-to-end-algoritmikauppa Teknologia ja kehykset. Viimeinen vaihe ohjelmistokehityksen suunnittelussa on tunnistaa mahdolliset teknologiat ja kehykset, joita voitaisiin käyttää arkkitehtuurin toteuttamiseen. Yleisenä periaatteena on parempi hyödyntää nykyisiä tekniikoita edellyttäen, että ne täyttävät riittävästi sekä toiminnalliset ja ei-toiminnalliset vaatimukset Järjestelmä on toteutettu referenssiarkkitehtuuri, esim. JBoss on kehys, joka toteuttaa JEE-referenssiarkkitehtuurin Seuraavat teknologiat ja kehykset ovat mielenkiintoisia ja niitä on syytä harkita algoritmisen kaupankäyntijärjestelmän toteutuksessa. CUDA - NVidia on useita tuotteita, jotka tukevat korkeaa Suorituskykyinen laskennallinen rahoitusmallinnus Voidaan saavuttaa enintään 50x suorituskyvyn parannuksia suoritettaessa Monte Carlo-simulaatioita GPU: ssa CPU: n sijasta. Apache River - River on työkalu, joka kehittää hajautettuja järjestelmiä. Se on käytetty kehyksenä sovellusten SBA-mallilla. Apache Hadoop - e että Hadoopin käyttö on mielenkiintoinen ratkaisu suuriin tietoihin liittyvään ongelmaan Hadoopia voidaan käyttää CUDA-tekniikoita tukevassa klusteroituneessa ympäristössä. AlgoTrader - avoimen lähdekoodin algoritmisen kaupankäynnin alustan AlgoTrader voitaisiin mahdollisesti käyttää Automaattisen kauppiaskomponenttien paikka. FIX Engine - itsenäinen sovellus, joka tukee FIX-, FIX-, FIX - ja FIXatdl-rahoitustietojen FIX-protokollia. Vaikka tekniikka tai kehys ei olekaan, komponentit olisi rakennettava sovellusohjelmointirajapinnan API avulla yhteentoimivuuden parantamiseksi järjestelmä ja sen komponentit. Ehdotettu arkkitehtuuri on suunniteltu vastaamaan erittäin yleisiä vaatimuksia tunnistettu algoritmisten kauppajärjestelmien Yleisesti ottaen algoritmiset kaupankäynnin järjestelmät ovat monimutkaisia ​​kolmella tekijällä, jotka vaihtelevat kunkin toteutuksen. riippuvuudet ulkoisten yritys - ja vaihtojärjestelmien kanssa. and. Ev arkkitehtonisia rajoitteita. Ehdotettua ohjelmistoarkkitehtuuria olisi siksi mukautettava tapauskohtaisesti erityisten organisaatio - ja sääntelyvaatimusten täyttämiseksi sekä alueellisten rajoitusten poistamiseksi Algoritmisen kauppajärjestelmän arkkitehtuurin tulisi nähdä vain viitekehys yksilöille ja organisaatioille, jotka haluavat suunnitella oman algoritmisen kaupankäyntijärjestelmänsä. Täydellisen kopion ja lähteiden avulla voit ladata raportin kopion Kiitos. Hyödyt ja haitat automatiikan kaupankäyntijärjestelmistä. Sijoittajat ja sijoittajat voivat kääntää täsmällisen sisäänkäynnin ja rahanhallinnan säännöt automatisoiduiksi kaupankäyntijärjestelmiksi, jotka mahdollistavat tietokoneiden suorittavan ja seurata kaupankäyntiä Yksi strategian automatisoinnin suurimmista nähtävyyksistä on se, että se voi ottaa joitain tunteita kaupankäynnistä, koska kaupat sijoitetaan automaattisesti, kun tietyt ehdot täyttyvät. Esitellä lukijoita ja selittää joitain etuja ja haittoja sekä todellista Automaattiset kaupankäyntijärjestelmät, joita kutsutaan myös mekaaniseksi kaupankäyntijärjestelmäksi, algoritmiseksi kaupankäynnin automatisoiduksi kaupankäynniksi tai järjestelmän kaupankäynniksi, antavat kauppiaille mahdollisuuden luoda erityisiä sääntöjä molemmat kaupankäynnit ja poistumiset, jotka ohjelmoinnin jälkeen voidaan automaattisesti suorittaa tietokoneen välityksellä. Kaupan sisään - ja uloskirjautumissäännöt voivat perustua yksinkertaisiin olosuhteisiin, kuten liikkuvan keskiarvon vaihteluun tai voivat olla monimutkaisia ​​strategioita, jotka edellyttävät ohjelmointikielten käyttäjälähtöisen kaupankäynnin alustalle tai pätevän ohjelmoijan asiantuntemalle Automaattiset kaupankäyntijärjestelmät edellyttävät yleensä ohjelmiston käyttämistä, joka on kytketty suoraa välittäjää varten ja mikä tahansa erityissääntö on kirjoitettava kyseiselle alustalle omalla kielellä TradeStation-alusta esimerkiksi , Käyttää EasyLanguage-ohjelmointikieltä NinjaTrader-alustaa, toisaalta, Käyttää NinjaScript-ohjelmointikieltä Kuvassa 1 on esimerkki automatisoidusta strategiasta, joka laukaisi kolme kaupankäyntiä kaupankäynnin aikana. Aiheeseen liittyvien lukujen osalta katso Global Trade ja Valuuttamarkkinat. Kuva 1 ES-sopimuksen viiden minuutin kaavio, jossa sovellettiin automatisoitua strategiaa . Jotkin kaupankäyntijärjestelmät ovat strategian luomiseen liittyviä velhoja, joiden avulla käyttäjät voivat valita luettelon yleisesti käytettävissä olevista teknisistä indikaattoreista sellaisten sääntöjen luomiseksi, joita voidaan sitten automaattisesti vaihtaa. Käyttäjä voi esimerkiksi todeta, että pitkä kauppa syötetään kerran 50 päivän liukuva keskiarvo ylittää 200 päivän liukuvan keskiarvon yli viiden minuutin kartan tietystä kaupankäyntivälineestä Käyttäjät voivat myös syöttää tilausmallin tyypin tai rajoittaa esimerkiksi ja kun kauppa käynnistyy esimerkiksi Palkin sulkeminen tai seuraavan palkin avaaminen tai käytä alustan s oletusmäärityksiä Monet kauppiaat kuitenkin haluavat ohjelmoida omat mukautetut indikaattorit ja strategiat tai wo rk tiiviisti ohjelmoijan kanssa kehittää järjestelmä Vaikka tämä yleensä vaatii enemmän vaivaa kuin käyttää foorumin s ohjatun, se mahdollistaa paljon enemmän joustavuutta ja tulokset voivat olla palkitsevampia Valitettavasti ei ole täydellinen sijoitusstrategia, joka takaa menestyksen katso lisätietoja kohdasta Teknisten indikaattoreiden käyttäminen kaupankäynnin strategioiden kehittämiseen. Kun säännöt on luotu, tietokone voi seurata markkinoita hankkimaan tai myymään mahdollisuuksia kaupankäyntistrategian eritelmien mukaisesti. Erityisistä säännöistä riippuen, heti kun kauppa on merkitty, kaikki suojaustilanteesta johtuvat häiriötilaukset pysähtyvät ja tulostavoitteet syntyvät automaattisesti Nopeasti liikkuvat markkinat, tämä hetkellinen tilausmerkintä voi tarkoittaa pienen tappion ja katastrofaalisen tappion välistä eroa siinä tapauksessa, että kauppa liikkuu kauppiaan edessä. Automated Tradingin edut Järjestelmät On olemassa pitkä lista etuja, joilla tietokoneen seuranta kaupankäynnin mahdollisuuksista S ja suorittavat kaupat mukaan lukien. Minimize Emotions Automatisoidut kaupankäyntijärjestelmät minimoivat tunteita koko kaupankäynnin ajan Tarkkailemalla tunteita kauppiailla on yleensä helpompi noudattaa suunnitelmaa Koska kauppatilaukset toteutetaan automaattisesti, kun kaupan säännöt on täytetty, Ei voi epäröidä tai kyseenalaistaa kaupankäyntiä Automaattisen kaupankäynnin avulla autetaan auttamaan kaupanharjoittajia, jotka pelkäävät laukaisevan, että he voivat hillitä niitä, jotka ovat halukkaita ostamaan ja myymään ylivoimaisesti jokaisella havaitulla mahdollisuudella. Avaus Backtest Backtestingiin soveltaa kaupankäynnin sääntöjä historiallisiin Markkinoiden tiedot idean elinkelpoisuuden määrittelemiseksi Kun automatisoidun kaupankäynnin järjestelmää suunniteltaessa kaikkien sääntöjen on oltava ehdottomia, ilman tilaa tulkinnalle, tietokone ei voi tehdä arvailuja, se on kerrottava tarkasti, mitä tehdä. Säännöt ja testaa ne historiatietoihin ennen rahan riskiä elävässä kaupankäynnissä Huolellinen takaisintutkimus antaa kauppiaille mahdollisuuden arvioida ja Hienosäätää kaupankäynnin ideaa ja määrittää järjestelmän odotusarvo keskimääräinen summa, jonka elinkeinonharjoittaja voi odottaa voittavan tai menettävän riskiyksikköä kohti. Tarjoamme joitakin vinkkejä tähän prosessiin, joka voi auttaa vahvistamaan nykyiset kaupankäyntistrategiasi. Lisätietoja on kohdassa Backtesting Menestyksen tulkitseminen. Preservaalinen kurinpito Koska kauppasäännöt on luotu ja kaupankäynti toteutetaan automaattisesti, kuria säilyy myös haihtuvilla markkinoilla Kurinpito menettää usein emotionaalisista syistä, kuten pelko menettämisestä tai halukkuuden pienentää Enemmän voittoa kaupasta Automaattinen kaupankäynti auttaa varmistamaan, että kurinpitoa ylläpidetään, koska kaupankäyntisuunnitelmaa noudatetaan tarkasti Lisäksi pilotti-virhe on minimoitu ja 100 osakkeen hankkimista ei kirjata väärin, jotta se myisi 1000 osaketta. Saavuta johdonmukaisuus Yksi kaupankäynnin suurimmista haasteista on suunnitella kauppa ja kaupata suunnitelma Vaikka kauppasuunnitelma voi olla kannattava, kauppiaat, jotka jättävät huomiotta säännöt muuttavat odotuksia, joita järjestelmä olisi ollut Ei ole olemassa sellaista kaupankäyntisuunnitelmaa, joka voittaa 100 kadonneesta osaa pelistä mutta tappiot voivat olla psykologisesti traumatisoitavia, joten elinkeinonharjoittaja, jolla on kaksi tai kolme tappiota Peräkkäin voisi päätyä seuraavaan kauppaan Jos tämä seuraava kauppa olisi ollut voittaja, elinkeinonharjoittaja on jo tuhonnut järjestelmän odottavat odotukset Automated trading systems sallivat kauppiaiden johdonmukaisuuden kauppaa suunniteltaessa On mahdotonta välttää katastrofi ilman kaupankäyntiä säännöt Lue lisää 10 askeleesta voittavan kaupankäyntisuunnitelman laatimiseksi. Parempi tilausnopeus Koska tietokoneet vastaavat välittömästi muuttuviin markkinaolosuhteisiin, automaattiset järjestelmät pystyvät tuottamaan tilauksia heti, kun kaupan vaatimukset täyttyvät. sekunnissa aiemmin voi olla suuri ero kaupankäynnin tulokseen Kun asema on syötetty, kaikki muut tilaukset luodaan automaattisesti, mukaan lukien oft kohteet Markkinat voivat liikkua nopeasti, ja se on demoralisoida kaupankäynnin saavuttamaan voitto tavoite tai puhaltaa ohi lopettaa tappio taso ennen tilauksia voidaan jopa syöttää Automated kauppajärjestelmä estää tämän tapahtumisesta. Diversify Trading Automatisoidut kaupankäynnin järjestelmät sallivat käyttäjän useiden tilien tai erilaisten strategioiden kaupankäynti kerrallaan Tällä on mahdollisuus levittää riskejä eri instrumenteille samalla, kun luodaan suojaus asemilta menetyksiltä. Se, mikä ihmiselle on erittäin haastavaa, suoritetaan tehokkaasti tietokoneella millisekunteina. Tietokone pystyy etsimään kaupankäynnin mahdollisuuksia useilla eri markkinoilla, tuottamaan tilauksia ja seuraamaan kaupankäyntiä. Automatisoitujen kaupankäyntijärjestelmien etuja ja realiteetteja Automaattisilla kaupankäyntijärjestelmillä on monia etuja, mutta kauppiaille on oltava joitain haittoja ja realiteetteja. Mekaaniset virheet Automatisoidun kaupankäynnin teorian ansiosta ohjelmiston perustaminen on helppoa, ohjelmoida säännöt ja katsella sitä kaupankäynnistä Todellisuudessa automaattinen kaupankäynti on kuitenkin hienostunut kaupankäyntimenetelmä, mutta ei tietämättömiä Kaupankäynnin alustasta riippuen kaupankäyntijärjestelmä voisi sijaita tietokoneessa eikä palvelimella Mitä tämä tarkoittaa, että jos Internet-yhteys on menetetty tilaus ei ehkä lähetetä markkinoille Strategian ja tilauslaskentajärjestelmän tuottaman teoreettisen kaupankäynnin välillä voi olla eroja, jotka muuttavat ne reaalikauppoiksi Useimmat kauppiaat odottavat oppimiskäyrää käytettäessä automaattisia kauppajärjestelmiä, Ja on yleensä hyvä idea aloittaa pienillä kaupan kooilla, kun prosessi on hienostunut. Valvonta Vaikka olisi hyvä käynnistää tietokone ja lähteä päivälle, automaattiset kaupankäynnin järjestelmät vaativat seurantaa Tämä johtuu siitä, Vikatilanteet, kuten liitäntäongelmat, tehohäviöt tai tietokoneen kaatumiset, sekä järjestelmän häiriöt. Automaattisen kaupankäyntijärjestelmän voi kokea poikkeavuuksia, jotka jos järjestelmää seurataan, nämä tapahtumat voidaan tunnistaa ja ratkaista nopeasti. Over-optimointi Vaikka automaattiset kaupankäyntijärjestelmät eivät ole erityisiä kaupankäyntijärjestelmää, takaisintutkimustekniikoita hyödyntävät kauppiaat voivat luoda järjestelmiä, jotka näyttävät hyviltä Paperi ja toimivat hirveesti elävillä markkinoilla Yli-optimointi viittaa liialliseen käyrän asentamiseen, joka tuottaa kaupankäynnin suunnitelmaa, joka ei ole luotettava elävässä kaupankäynnissä. On esimerkiksi mahdollista tehdä strategiaa, jotta saavutettaisiin historiallisia tietoja poikkeuksellisia tuloksia on testattu Kauppiaille joskus virheellisesti oletetaan, että kaupankäyntisuunnitelmassa on oltava lähes 100 kannattavia kaupankäyntiä tai ei pitäisi koskaan kokea vetäytymistä toimivuudeksi Suunnitelma sellaisena voidaan säätää luomaan lähes täydellinen suunnitelma, joka täysin epäonnistuu heti, kun sitä sovelletaan Elävä markkinat Tämä yli-optimointi luo järjestelmät, jotka näyttävät hyviltä vain paperille. Katso lisätietoja kohdasta Backtesting And Forward Testing. Correlation. Server-Based Automation Tradersillä on mahdollisuus käyttää automaattisia kaupankäyntijärjestelmiään palvelinpohjaisen kaupankäynnin alustan, kuten Strategy Runnerin kautta. Nämä alustat tarjoavat usein myyntistrategioita myyntiin, velho, jonka avulla kauppiaat voivat suunnitella omia järjestelmiä tai kykyä isännöidä nykyisiä järjestelmiä palvelinpohjaisella alustalla Maksu automatisoidulla kaupankäyntijärjestelmällä voi etsiä, toteuttaa ja valvoa kaupankäyntiä kaikkiin palvelimissaan oleviin tilauksiin, mikä johtaa mahdollisesti nopeampiin ja luotettavampiin tilausmerkintöihin. Yhteenveto Vaikka ppealing for a eri tekijöitä, automaattisia kaupankäyntijärjestelmiä ei pidä korvata huolellisesti toteutetuilla kaupankäynnillä. Mekaanisia vikoja voi tapahtua ja sellaisinaan nämä järjestelmät vaativat seurantaa. Palvelinperustaiset alustat voivat tarjota ratkaisun niille toimijoille, jotka haluavat minimoida mekaanisten vikojen riskit. Katso päiväkohtaiset kaupankäynnin strategiat aloittelijoille. Summan enimmäismäärä, jonka Yhdysvallat voi lainata Th e velkakatto perustettiin toisen vapausrekisterilain nojalla. Korko, jolla talletuslaitos myöntää keskuspankin ylläpitämiä varoja toiseen talletuslaitokseen1. Tilastollinen toimenpide tietyn arvopaperin tai markkinavaihdon tuoton hajanaisuudesta. Volatiliteetti voi Joko mitataan. Yhdysvaltojen kongressin säädökseksi annettiin vuonna 1933 pankkilaki, jossa kiellettiin liikepankkien osallistuminen investointeihin. Ei-palkkasummassa tarkoitetaan maatilojen, yksityisten kotitalouksien ja voittoa tavoittelemattoman sektorin ulkopuolista työtä. Yhdysvaltain työvaliokunta. valuutta-lyhenne tai valuutan symboli Intian rupia INR, Intian valuutta Rupee koostuu algoritmisten kaupankäyntijärjestelmien parhaasta ohjelmointikielestä. Yksi QS-postilaukun yleisimmistä kysymyksistä on Mikä on paras ohjelmointikieli algoritmiselle kaupankäynnille Lyhyt vastaus on, että parasta kieltä ei ole. Strategiaparametrit, suorituskyky, modulaarisuus, kehitys, joustavuus ja yhteistyö st on otettava huomioon Tässä artikkelissa kuvataan algoritmisen kauppajärjestelmäarkkitehtuurin välttämättömät komponentit ja miten täytäntöönpanon päätökset vaikuttavat kielen valintaan. Aluksi tarkastellaan algoritmisen kauppajärjestelmän tärkeimpiä osia, kuten tutkimusvälineitä, portfolioja Optimoija, riskienhallinta ja toteutusmoottori Seuraavaksi tarkastellaan erilaisia ​​kaupankäyntistrategioita ja miten ne vaikuttavat järjestelmän suunnitteluun. Erityisesti kaupankäynnin tiheyttä ja todennäköistä kaupankäyntimäärää käsitellään. Kun kaupankäynnin strategia on valittu, se on joka on tarpeen koko järjestelmän arkkitehtuurille. Tämä sisältää laitteiston valinnan, käyttöjärjestelmän ja järjestelmän joustavuuden harvinaisia, mahdollisesti katastrofaalisia tapahtumia vastaan. Arkkitehtuurin harkitsemisessa on kiinnitettävä huomiota suorituskykyyn - sekä tutkimusvälineisiin että elävään Suoritusympäristöä. Mitä kaupankäyntijärjestelmä yrittää tehdä ennen kuin päätetään paras la Jonka avulla kirjoitetaan automaattinen kauppajärjestelmä on tarpeen määritellä vaatimukset Järjestelmä tulee olemaan puhtaasti toteutus perustuu Järjestelmä edellyttää riskienhallintaa tai portfolion rakentamista moduuli Järjestelmä vaatii korkean suorituskyvyn backtester Useimmille strategioille kaupankäynti järjestelmä voidaan jakaa kahteen luokkaan Tutkimus - ja signaaligeneraatio Tutkimus koskee strategiaan liittyvän tehokkuuden arviointia historiatietoihin Markkinointistrategian arvioimisprosessi aikaisemman markkinatiedon perusteella tunnetaan takertelynä Tiedon koolla ja algoritmisella monimutkaisuudella on suuri vaikutus reitittimen laskennallisesta intensiteetistä CPU: n nopeus ja rinnakkaisuus ovat usein rajoittavia tekijöitä tutkimuksen toteutumisnopeuden optimoinnissa. Signaalin sukupolvi koskee algoritmien sarjan kaupankäyntisignaaleja ja tällaisten tilausten lähettämistä markkinoille yleensä välityksen kautta. Strategiat suorituskyvyn korkea taso vaaditaan IO issues su ch, koska verkon kaistanleveys ja viivästys ovat usein rajoittava tekijä optimoimassa toteutusjärjestelmiä Näin kielen valinta kustakin järjestelmäsegmentistä voi olla melko erilainen. Tyypitys, taajuus ja volyymi. Käytettävän algoritmistrategian tyyppi on huomattava Vaikutukset järjestelmän suunnitteluun On välttämätöntä tarkastella markkinoita, jotka ovat yhteydessä toisiinsa ulkopuolisten tietojen toimittajien kanssa, strategian taajuus ja volyymi, helpottaminen ja helppokäyttöisyys sekä suorituskyvyn optimointi laitteistoihin, mukaan lukien yhteensopivat palvelimet, GPU: t tai FPGA: t, jotka ovat välttämättömiä. Matalataajuisten Yhdysvaltojen osakesarjatekniikan teknologiavalinnat poikkeavat huomattavasti korkean taajuuden optimoidusta tilastollisesta arbitraasistrategiasta. Kielivalinta on arvioitava useilla toimittajilla, jotka liittyvät kyseiseen strategiaan. On otettava huomioon yhteydet r, minkä tahansa sovellusliittymän rakenne, tietojen oikea-aikaisuus, säilytysvaatimukset ja joustavuus verkossa toimivan toimittajan edessä On myös viisasta pitää nopea pääsy useille toimittajille. Erilaisilla instrumenteilla on kaikki omat varastokirjoitukset, symbolit osakkeisiin ja futuuripäivät futuurien puhumattakaan erityisistä OTC-tiedoista. Tämä on otettava huomioon alustan suunnitteluun. Strategian taipumus on todennäköisesti yksi suurimmista ohjaimista teknologiapinoa määriteltäessä. Strategiat, joissa käytetään enemmän tietoa Useammin kuin minuuttisesti tai toisaalta palkit vaativat merkittävää huomiota suorituskyvyn suhteen. Strategia, joka ylittää toisaalta palkit eli rastiinformaation, johtaa suorituskykyohjattuun suunnitteluun ensisijaisena vaatimuksena Suurtaajuustrategioissa huomattava määrä markkinoiden tietoja on tallennettava ja arvioitava Ohjelmisto kuten HDF5 tai kdb käytetään yleisesti näihin rooleihin. Jotta voidaan käsitellä suuria määriä tietoja nee HFT-sovelluksia varten on käytettävä laajasti optimoidun takaisinkytkentä - ja suoritinjärjestelmän. CC mahdollisesti jossakin kokoonpanossa todennäköisesti vahvin kieli ehdokas. Ultra-high frequency - strategiat vaativat melkein varmasti mukautettuja laitteistoja, kuten FPGA: ita, vaihto-sijainnin ja kernal-verkkoliitännän tuning. Research Systems. Research-järjestelmät sisältävät tyypillisesti vuorovaikutteisen kehityksen ja automaattisen komentosarjan yhdistelmän. Entinen tapahtuu usein IDE: n, kuten Visual Studio, MatLab tai R Studio: n sisällä. Jälkimmäinen sisältää laajoja numeerisia laskelmia lukuisten parametrien ja datapisteiden kautta. Kielen valinta, joka tarjoaa selkeän ympäristön testata koodia, mutta tarjoaa myös riittävän suorituskyvyn strategioiden arvioimiseksi useiden parametrien dimensiotyypeillä. Tässä tilassa tyypillisiä IDE-tiloja ovat Microsoft Visual CC, joka sisältää laajoja virheenkorjausapuohjelmia, koodien täydennysominaisuuksia Intellisense-ohjelman kautta ja suoraviivaisia ​​katsauksia koko Proj ect-pino tietokannan ORM kautta, LINQ MatLab, joka on suunniteltu laajaan numeeriseen lineaariseen algebraan ja vektoritoimiin, mutta interaktiivisessa konsolissa R Studio, joka kääri R-tilastollisen kielikonsolin täydelliseen IDE Eclipse IDE - ohjelmaan Linux Java ja C: lle sekä semi-proprietary IDEs, kuten Python-sanomalehti, joka sisältää datananalyysikirjastoja, kuten NumPy SciPy - skikit-oppia ja pandoja yhdellä vuorovaikutteisella konsoliympäristössä. Numeeristen jälkityyppien kohdalla kaikki edellä mainitut kielet soveltuvat, mutta ei ole välttämätöntä Käytä GUI-IDE-koodia, kun koodi toteutetaan taustalla. Tässä vaiheessa tärkein näkökohta on toteutusnopeuden kaltainen. Käännetty kieli, kuten C, on usein hyödyllinen, jos takaisinkytkentäparametrin mitat ovat suuret Muista, että on välttämätöntä olla varovaisia ​​tällaisista Jos näin on. Kielet, kuten Python, käyttävät usein tehokkaita kirjastoja, kuten NumPy-pandoja backtesting-vaiheelle, Jotta saavutettaisiin kohtuullinen kilpailukyky ja laskennalliset vastaavuudet. Lopulta selektiiviselle kielelle määriteltävä kieli määritetään erityisillä algoritmistarpeilla sekä kirjallisuuden valikoimalla, joka on saatavana kielellä enemmän alla olevasta. Kielen, jota käytetään backtesteriin ja Tutkimusympäristöt voivat olla täysin riippumattomia salkun rakentamisesta, riskienhallinnasta ja toteutuskomponenteista, kuten nähdään. Portfoliorakentaminen ja riskienhallinta. Kaupankäyntialgoritmiset toimijat jättävät huomiotta portfolion rakentamisen ja riskienhallinnan komponentit. Tämä on lähes aina Virhe Nämä työkalut tarjoavat mekanismin, jolla pääoma säilyy. Ne eivät vain yritä lievittää riskialttiiden panosten määrää vaan myös minimoida kaupankäynnin kouristukset ja vähentää transaktiokustannuksia. Näiden komponenttien kehittyneillä versioilla voi olla merkittävä vaikutus laatuun Ja kannattavuuden johdonmukaisuus On yksinkertaista Jotta luodaan vakaa strategiat, koska salkun rakentamismekanismi ja riskienhallinta voidaan helposti muuntaa useiden järjestelmien käsittelemiseksi. Siksi niitä olisi pidettävä olennaisina osina algoritmisen kaupankäyntijärjestelmän suunnittelun alussa. Salkun rakentamisen järjestelmän työ on Toteuttaa halutut kaupat ja tuottaa joukon tosiasiallisia kauppoja, jotka minimoivat kruunun, ylläpitävät altistumista eri tekijöille, kuten sektoreille, omaisuusluokille, volatiliteeteille jne. Ja optimoivat pääoman jakautumisen erilaisiin salkun strategioihin. Lineaarinen algebraongelma, kuten matriisikerrointi, ja siten suorituskyky riippuu suuresti käytettävissä olevan numeerisen lineaarisen algebran toteutuksen tehokkuudesta. Yleiset kirjastot sisältävät uBLAS LAPACKin ja NAG: n C: lle. MatLab: llä on myös laajasti optimoitu matriisioperaatio Python käyttää NumPy SciPy: tä tällaisiin laskelmiin Usein Tasapainotettu salkku vaatii koottua ja hyvin optimoitu matriisikirjasto, jotta tämä vaihe poistuu, jotta kaupan järjestelmää ei pulistaisi. Riskienhallinta on toinen erittäin tärkeä osa algoritmista kauppajärjestelmää. Riski voi tulla monessa muodossa. Lisääntynyt volatiliteetti, vaikka tätä voidaan pitää tietyille strategioille toivottavana, Lisääntynyt korrelaatio omaisuusluokkien, vastapuolen oletusarvon, palvelimen katkojen, mustan joutsentapahtumien ja havaitsemattomien virheiden välillä kaupankäyntitunnuksessa muutamia. Risk hallintakomponentit yrittävät ennakoida liiallisen volatiliteetin ja korrelaation vaikutuksia omaisuusluokkiin ja niiden myöhempiin vaikutuksiin s usein kaupankäynnin kohteena olevaan pääomaan Usein tämä vähenee joukkoon tilastollisia laskelmia, kuten Monte Carlo stressitestit Tämä on hyvin samanlainen kuin johdannaisen hinnoittelukoneen laskennalliset tarpeet ja sellaisenaan CPU-sidottu Nämä simulaatiot ovat erittäin rinnakkaisia ​​ks. jäljempänä ja jossain määrin, on mahdollista heittää laitteistoa ongelmaan. Exhaust Systems. Execution Systems. Operava suoritusjärjestelmä on vastaanottaa suodatettuja kaupankäyntisignaaleja salkun rakentamisesta ja riskienhallintakomponenteista ja lähettää ne välitykseen tai muuhun markkinoillepääsyyn. Suurin osa vähittäiskaupan algoritmisista kaupankäyntistrategioista sisältää API - tai FIX-yhteyden välitykseen, kuten Interactive Brokers The Ensisijaiset näkökohdat kielten ratkaisemisessa ovat sovellusliittymän laatu, API: n kielioppahtumien saatavuus, toteutusaikataulu ja odotettavissa oleva luiska. API: n laatu viittaa siihen, kuinka hyvin se on dokumentoitu, millaista suorituskykyä se tarjoaa needs standalone software to be accessed or whether a gateway can be established in a headless fashion ie no GUI In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason. Most APIs will provide a C and or Java interface It is usually up to the community to develop language-specific wrappers for C , Python, R, Excel and MatLab Note that with every additional plugin utilised especially API wrappers there is scope for bugs to creep into the system Always test plugins of this sort and ensure they are actively maintained A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm Note that hundreds of orders may be sent every minute and as such performance is critical Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages see below such as C Java are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance Dynamically-typed languages, such as Python and Perl are now generally fast enough Always make sure the components are de signed in a modular fashion see below so that they can be swapped out out as the system scales. Architectural Planning and Development Process. The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered Those acting as a retail trader or working in a small fund will likely be wearing many hats It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns. One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the sys tem for other versions that aid performance, reliability or maintenance, without modifying any external dependency code This is the best practice for such systems For strategies at lower frequencies such practices are advised For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API As far the as the backtester and subse quent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system There is no need to be restricted to a single language if the communication method of the components is language independent This will be the case if they are communicating via TCP IP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy. Performance Considerations. Performance is a significant consideration for most trading strategies For higher frequency strategies it is the most important factor Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data I O, concurrency parallelism and scaling Each of these areas are individually covered by large te xtbooks, so this article will only scratch the surface of each topic Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by 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 th eir standard or externally for basic data structure and algorithmic work C ships with the Standard Template Library, while Python contains NumPy SciPy 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 disk network latency , signals must be generated operating syste, kernal messaging latency , trade signals sent NIC lat ency 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 doesn t need to be regenerated upon each loop of the trading algorithm Such regeneration is likely to be a high CPU or disk I O 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 reada bility 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 doesn t provide a native garbage collector and so it is necessary to handle all memory allocation deallocation as part of an object s 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 incl ude 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 Amdahl s 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 ha rdware 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 Nvidia s 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 concurrency multithreading 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 capit al 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 m eans 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 perso nal 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 7 8, 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 reboots patching 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 red undancy 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 multi ple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86 x64 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 t rading 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 prices volume, sudden rapid drawdowns and account exposure for different sectors markets 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 won t 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 highl y 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 doesn t 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 t he fact that certain objects must be type-inspected at run-time and this carries a performance hit Libraries for dynamic languages, such as NumPy SciPy 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 licensing maintenance 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 t he 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 plugins libraries 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 la cks 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, MySQL PostgreSQL, 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, princip ally 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 soft ware is not immune from dependency versioning 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 n etwork programming, 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 system protocol 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 C 11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy SciPy Pandas data analysis library combinati on, which has gained widespread acceptance for algorithmic trading research Further, high-performance plugins exist for access to the main relational databases, such as MySQL MySQL C , JDBC Java MatLab , MySQLdb MySQL Python and psychopg2 PostgreSQL Python 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. 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, mai ntenance, 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.