Automatisierte Handelssystem Architektur

Algorithmische Trading System Architecture. Previously auf diesem Blog habe ich über die konzeptionelle Architektur eines intelligenten algorithmischen Handelssystems sowie die funktionalen und nicht-funktionalen Anforderungen eines produktion algorithmischen Handelssystems geschrieben Seitdem habe ich eine Systemarchitektur entworfen, die ich glauben könnte Genügen diese architektonischen Anforderungen In diesem Beitrag werde ich die Architektur nach den Richtlinien der ISO IEC IEEE 42010 Systeme und Software Engineering Architektur Beschreibung Standard Nach dieser Norm eine Architektur Beschreibung muss. Contain mehrere standardisierte architektonische Ansichten zB in UML und. Hain Traceability zwischen Designentscheidungen und architektonische Anforderungen. Softwarearchitekturdefinition. Es gibt noch keinen Konsens darüber, was ein System s Architektur ist Im Kontext dieses Artikels ist es definiert als die Infrastruktur, in der Anwendungskomponenten, die funktionale Anforderungen erfüllen, spezifiziert, eingesetzt werden können und Durchgeführt Funktionale Anforderungen sind die erwarteten Funktionen des Systems und seiner Komponenten Nicht-funktionale Anforderungen sind Maßnahmen, durch die die Qualität des Systems gemessen werden kann. Ein System, das seine funktionalen Anforderungen voll erfüllt, kann die Erwartungen noch nicht erfüllen, wenn nicht funktionale Anforderungen unbefriedigt bleiben Um dieses Konzept zu veranschaulichen, betrachten Sie das folgende Szenario, ein algorithmisches Handelssystem, das Sie gerade gekauft haben, macht hervorragende Handelsentscheidungen, ist aber mit den Organisationen nicht inoperabel. Risikomanagement und Buchhaltungssysteme Wäre dieses System Ihren Erwartungen zu erfüllen. Konzeptuelle Architektur. Eine konzeptionelle Sicht beschreibt hoch Level-Konzepte und Mechanismen, die im System auf höchster Granularität vorhanden sind Auf dieser Ebene folgt das algorithmische Handelssystem einer ereignisgesteuerten Architektur EDA, die über vier Schichten aufgebrochen ist, und zwei architektonische Aspekte Für jede Schicht und Aspekt werden Referenzarchitekturen und - muster verwendet Architektonische Muster sind bewährte, generische Strukturen für die Erreichung spezifischer Anforderungen Architektonische Aspekte sind Querschnitts-Sorgen, die mehrere Komponenten umfassen. Event getriebene Architektur - eine Architektur, die produziert, erkennt, verbraucht und reagiert auf Ereignisse Ereignisse beinhalten Echtzeit-Marktbewegungen, komplexe Ereignisse oder Trends und Trading-Events zB die Einreichung eines Auftrags. Dieses Diagramm veranschaulicht die konzeptionelle Architektur des algorithmischen Handelssystems. Referenzarchitekturen. Um eine Analogie zu verwenden, ist eine Referenzarchitektur ähnlich den Blaupausen für eine tragende Wand Dieser Blue-Print kann sein Wiederverwendet für mehrfache Gebäudeentwürfe unabhängig davon, welches Gebäude gebaut wird, da es einen Satz von häufig vorkommenden Anforderungen erfüllt. Ähnlich definiert eine Referenzarchitektur eine Schablone, die generische Strukturen und Mechanismen enthält, die verwendet werden können, um eine konkrete Softwarearchitektur zu konstruieren, die spezifische Anforderungen erfüllt Die Architektur für das algorithmische Handelssystem verwendet eine raumbasierte Architektur SBA und eine Modellansicht-Controller MVC als Referenzen Gute Praktiken wie der Betriebsdatenspeicher ODS, das Extrakttransformations - und Last-ETL-Muster sowie ein Data Warehouse DW werden ebenfalls verwendet. Modellansicht Controller - ein Muster, das die Darstellung von Informationen aus der Benutzer-Interaktion mit it. Space-basierte Architektur trennt - spezifiziert eine Infrastruktur, in der lose gekoppelte Verarbeitungseinheiten miteinander über einen gemeinsam genutzten assoziativen Speicher interagieren, der nachstehend als Space bezeichnet wird. Spacebasierte architektonische konzeptionelle Ansicht Model View Controller Originalbild. Strukturelle Ansicht Die Strukturansicht einer Architektur zeigt die Komponenten und Unterkomponenten des algorithmischen Handelssystems Es zeigt auch, wie diese Komponenten auf der physischen Infrastruktur bereitgestellt werden. Die in dieser Ansicht verwendeten UML-Diagramme beinhalten Komponentendiagramme und Bereitstellung Diagramme Im Folgenden finden Sie eine Galerie der Bereitstellungsdiagramme des gesamten algorithmischen Handelssystems und der Verarbeitungseinheiten in der SBA-Referenzarchitektur sowie zugehörige Komponentendiagramme für jeden der Schichten. Ein systemuelles Trading-System Hochwertiges Deployment-Diagramm SBA-Verarbeitungseinheiten-Deployment-Diagramm Auftragsabwicklung Layer-Komponentendiagramm Automatisierte Trader-Event-Processing-Komponenten-Diagramm Datenquelle und Pre-Processing-Layer-Komponentendiagramm MVC-basiertes User Interface-Komponenten-Diagramm. Architectural Tactics. Nach dem Software-Engineering-Institut ist eine architektonische Taktik ein Mittel, um eine Qualitätsanforderung zu erfüllen, indem sie einen Aspekt von manipuliert Ein Qualitätsattributmodell durch architektonische Designentscheidungen Ein einfaches Beispiel, das in der algorithmischen Handelssystemarchitektur verwendet wird, manipuliert einen operativen Datenspeicher ODS mit einer kontinuierlichen Abfragekomponente Diese Komponente würde die ODS kontinuierlich analysieren, um komplexe Ereignisse zu identifizieren und zu extrahieren. Folgende Taktiken werden in der Architektur. Das Disruptor-Muster in der Veranstaltung und Auftragswarteschlangen. Shared Speicher für die Veranstaltung und Auftragswarteschlangen. Continuous Abfrage Sprache CQL auf der ODS. Data-Filterung mit dem Filter-Design-Muster auf eingehende Daten. Kongestion Vermeidung Algorithmen auf alle eingehenden und ausgehenden Verbindungen. Active Queue Management AQM und explizite Staus Notification Modity Rechenressourcen mit Kapazitäten für Upgrade skalierbar. Aktiv Redundanz für alle einzelnen Punkte des Versagens. Indexation und optimierte Persistenzstrukturen in der ODS. Schedule regelmäßige Datensicherung und Clean-up-Skripte für ODS. Transaction Histories auf allen Datenbanken. Checksums für alle Aufträge, um Fehler zu erkennen. Enotieren Sie Ereignisse mit Zeitstempeln, um veraltete Ereignisse zu überspringen. Order Validierungsregeln zB maximale Handelsmengen. Automatisierte Trader-Komponenten verwenden eine In-Memory-Datenbank für die Analyse. Zwei Bühnenauthentifizierung für Benutzeroberflächen, die mit den ATs verbinden. Verschlüsselung auf Benutzerschnittstellen und Verbindungen zum ATs. Observer-Design-Muster für die MVC, um Ansichten zu verwalten. Die obige Liste sind nur einige Designentscheidungen, die ich bei der Gestaltung der Architektur identifiziert habe. Es ist keine vollständige Liste der Taktiken Wie das System ist Entwickelte zusätzliche Taktiken sollten über mehrere Ebenen der Granularität eingesetzt werden, um funktionale und nicht-funktionale Anforderungen zu erfüllen. Im Folgenden finden Sie drei Diagramme, die das Disruptor-Designmuster, das Filterdesign-Muster und die kontinuierliche Abfragekomponente beschreiben. Kontinuierliche Abfrage Komponenten-Diagramm Disruptor-Design-Muster-Klassendiagramm Quelle Filter Design-Muster-Klassendiagramm. Behavioural View. This Ansicht einer Architektur zeigt, wie die Komponenten und Ebenen miteinander interagieren sollten Dies ist nützlich bei der Erstellung von Szenarien für das Testen von Architektur-Designs und für das Verständnis des Systems von Ende zu Ende Diese Ansicht besteht aus Sequenz Diagramme und Aktivitätsdiagramme Aktivitätsdiagramme, die den internen Prozess des algorithmischen Handelssystems zeigen und wie Händler mit dem algorithmischen Handelssystem interagieren sollen, sind nachfolgend dargestellt: Eine systematische Trader-Interaktion End-to-End-Algorithmus-Handelsprozess. Technologien und Frameworks. Der letzte Schritt in Entwerfen einer Softwarearchitektur ist es, potenzielle Technologien und Frameworks zu identifizieren, die zur Realisierung der Architektur genutzt werden könnten. Grundsätzlich ist es besser, die bestehenden Technologien zu nutzen, vorausgesetzt, dass sie sowohl funktionale als auch nicht funktionale Anforderungen adäquat erfüllen. Ein Framework ist eine realisierte Referenzarchitektur ZB JBoss ist ein Framework, das die JEE-Referenzarchitektur realisiert. Die folgenden Technologien und Frameworks sind interessant und sollten bei der Implementierung eines algorithmischen Handelssystems berücksichtigt werden. CUDA - NVidia verfügt über eine Reihe von Produkten, die eine leistungsstarke Computational Finance-Modellierung unterstützen. Man kann bis zu 50x erreichen Leistungsverbesserungen bei der Ausführung von Monte Carlo Simulationen auf der GPU statt der CPU. Apache River - River ist ein Tool-Kit zur Entwicklung verteilter Systeme Es wurde als Rahmen für den Aufbau von Anwendungen auf der Grundlage der SBA-Muster verwendet. Apache Hadoop - in der Event, dass das Pervasive Logging eine Voraussetzung ist, dann bietet die Verwendung von Hadoop eine interessante Lösung für das Big-Data-Problem. Hadoop kann in einer Clusterumgebung eingesetzt werden, die CUDA-Technologien unterstützt. AlgoTrader - eine Open Source Algorithmische Handelsplattform AlgoTrader könnte potenziell in der Ort der automatisierten Trader components. FIX Engine - eine eigenständige Anwendung, die die Financial Information Exchange FIX-Protokolle einschließlich FIX, FAST und FIXatdl unterstützt. Während nicht eine Technologie oder ein Framework, sollten Komponenten mit einer API zur Anwendungsprogrammierung integriert werden, um die Interoperabilität zu verbessern Des Systems und seiner Komponenten. Die vorgeschlagene Architektur wurde entworfen, um sehr generische Anforderungen zu erfüllen, die für algorithmische Handelssysteme identifiziert wurden. Im Allgemeinen werden algorithmische Handelssysteme durch drei Faktoren kompliziert, die mit jeder Implementierung variieren. Dependenzen auf externen Unternehmens - und Austauschsystemen. Fragens nicht funktionale Anforderungen Und. Erweiterte architektonische Zwänge. Die vorgeschlagene Softwarearchitektur müsste daher von Fall zu Fall angepasst werden, um spezifische organisatorische und regulatorische Anforderungen zu erfüllen sowie regionale Einschränkungen zu überwinden. Die algorithmische Handelssystemarchitektur sollte als gesehen werden Nur ein Bezugspunkt für Einzelpersonen und Organisationen, die ihre eigenen algorithmischen Handelssysteme entwerfen wollen. Für eine vollständige Kopie und Quellen verwendet, laden Sie bitte eine Kopie meines Berichts Vielen Dank. Die Vor-und Nachteile von automatisierten Handelssystemen. Trader und Investoren können präzise machen Einreise-Ausstieg und Geld-Management-Regeln in automatisierte Handelssysteme, die es Computern ermöglichen, die Geschäfte auszuführen und zu überwachen Eine der größten Attraktionen der Strategie-Automatisierung ist, dass es einige der Emotionen aus dem Handel nehmen kann, da Trades automatisch platziert werden, sobald bestimmte Kriterien erfüllt sind Artikel wird die Leser vorstellen und erklären, einige der Vor-und Nachteile, sowie die Realitäten, der automatisierten Handelssysteme Für verwandte Lesung, siehe Die Macht des Programms Trades. Was ist ein automatisiertes Handelssystem Automatisierte Handelssysteme, auch als mechanisch bezeichnet Handelssysteme, algorithmischer Handel automatisierter Handel oder Systemhandel, erlauben den Händlern, spezifische Regeln für Handelseinträge und Exits festzulegen, die, einmal programmiert, automatisch über einen Computer ausgeführt werden können. Die Handelseintrags - und Ausstiegsregeln können auf einfachen Bedingungen wie a Gleitende durchschnittliche Crossover oder komplizierte Strategien, die ein umfassendes Verständnis der Programmiersprache erfordern, die für die Handelsplattform des Benutzers spezifisch ist, oder die Expertise eines qualifizierten Programmierers. Automatisierte Handelssysteme erfordern in der Regel die Verwendung von Software, die mit einem Direktzugriffsmakler verbunden ist Irgendwelche spezifischen Regeln müssen in der proprietären Sprache der Plattform geschrieben werden Die TradeStation-Plattform nutzt beispielsweise die Programmiersprache EasyLanguage, die NinjaTrader-Plattform, andererseits nutzt die NinjaScript-Programmiersprache. Abbildung 1 zeigt ein Beispiel für eine automatisierte Strategie, die drei ausgelöst hat Trades während einer Trading-Session Für verwandte Lesung, siehe Global Trade und der Devisenmarkt. Figure 1 Ein Fünf-Minuten-Chart des ES-Vertrages mit einer automatisierten Strategie angewendet. Einige Handelsplattformen haben Strategie Gebäude-Assistenten, die es Benutzern ermöglichen, Auswahl aus einer Liste zu machen Der allgemein verfügbaren technischen Indikatoren, um eine Reihe von Regeln aufzubauen, die dann automatisch gehandelt werden können. Der Benutzer könnte z. B. festlegen, dass ein langer Handel eingegeben wird, sobald der 50-Tage-Gleitende Durchschnitt über dem 200-Tage-Gleitender Durchschnitt auf fünf liegt - minute-Diagramm eines bestimmten Handelsinstruments Benutzer können auch die Art des Auftragsmarktes oder Begrenzung eingeben, zum Beispiel und wenn der Handel zum Beispiel ausgelöst wird, zum Beispiel am Ende der Bar oder der offenen der nächsten Bar, oder verwenden Sie die Plattform s Default-Eingänge Viele Trader wählen jedoch ihre eigenen benutzerdefinierten Indikatoren und Strategien zu programmieren oder arbeiten eng mit einem Programmierer zusammen, um das System zu entwickeln. Während dies in der Regel mehr Aufwand erfordert als die Verwendung des Plattform-Assistenten, ermöglicht es ein viel größeres Maß an Flexibilität und die Ergebnisse Kann mehr lohnend sein Leider gibt es keine perfekte Anlagestrategie, die den Erfolg garantieren wird. Weitere Informationen finden Sie unter Verwenden von technischen Indikatoren, um Handelsstrategien zu entwickeln. Wenn die Regeln erstellt wurden, kann der Computer die Märkte überwachen, um zu kaufen oder zu verkaufen, Handelsstrategie Spezifikationen Abhängig von den spezifischen Regeln, sobald ein Handel eingegeben wird, werden alle Aufträge für Schutzstoppverluste nachlaufende Stopps und Profitziele automatisch in schnell bewegten Märkten generiert, so dass dieser sofortige Auftragseingang den Unterschied zwischen einem kleinen Verlust und Ein katastrophaler Verlust für den Fall, dass der Handel gegen den Händler wechselt. Vorteile von automatisierten Handelssystemen Es gibt eine lange Liste von Vorteilen, um einen Computer zu überwachen die Märkte für Handelsmöglichkeiten und führen die Trades, einschließlich. Minimize Emotions Automatisierte Handelssysteme minimieren Emotionen überall Der Handelsprozeß Wenn man Emotionen in Schach hält, haben Händler in der Regel eine einfachere Zeit, sich an den Plan zu halten Da Handelsaufträge automatisch ausgeführt werden, sobald die Handelsregeln erfüllt sind, werden die Händler nicht in der Lage sein, den Handel zu zögern oder zu fragen. Zusätzlich zu den Händlern, die Haben Angst, den Auslöser zu ziehen, automatisierter Handel kann diejenigen, die geeignet sind, zu überbieten Kauf und Verkauf an jeder wahrgenommenen Gelegenheit zu bändigen. Die Möglichkeit, Backtest Backtesting gelten Handelsregeln zu historischen Marktdaten, um die Lebensfähigkeit der Idee zu bestimmen Bei der Gestaltung eines Systems für automatisierte Handel , Alle Regeln müssen absolut sein, ohne Raum für die Interpretation der Computer kann nicht erraten, es muss genau gesagt werden, was zu tun Trader können diese präzise Regeln setzen und testen sie auf historische Daten vor riskieren Geld im Live-Handel Sorgfältige Backtesting ermöglicht Trader zu bewerten und Feinabstimmung einer Trading-Idee, und die Bestimmung des Systems s Erwartung der durchschnittliche Menge, die ein Händler erwarten können, zu gewinnen oder verlieren pro Risikoeinheit Wir bieten einige Tipps zu diesem Prozess, die helfen können, finden Sie Ihre aktuellen Handelsstrategien für Mehr, siehe Backtesting Interpretation der Vergangenheit. Schutzdisziplin Weil die Handelsregeln etabliert sind und die Ausführung des Handels automatisch durchgeführt wird, wird die Disziplin auch in volatilen Märkten bewahrt. Disziplin ist oft aufgrund von emotionalen Faktoren wie der Angst vor einem Verlust oder dem Wunsch zu verlieren Eke out ein wenig mehr Gewinn von einem Handel Automatisierte Handel hilft sicherzustellen, dass Disziplin beibehalten wird, weil der Handelsplan wird genau gefolgt werden Darüber hinaus wird Pilot-Fehler minimiert, und ein Auftrag, um 100 Aktien zu kaufen wird nicht falsch als Auftrag eingegeben werden Verkaufen 1.000 Aktien Erreichen Sie Konsistenz Eine der größten Herausforderungen im Handel ist, den Handel zu planen und den Plan zu handeln Auch wenn ein Handelsplan das Potenzial hat, rentabel zu sein, haben Händler, die die Regeln ignorieren, jede Erwartung, die das System hatte Nein so etwas wie ein Handelsplan, der 100 der Zeitverluste gewinnt, sind ein Teil des Spiels Aber Verluste können psychologisch traumatisiert werden, so dass ein Händler, der zwei oder drei verlieren Trades in einer Reihe könnte entscheiden, den nächsten Handel zu überspringen Wenn dies als nächstes Handel wäre ein Gewinner gewesen, der Händler hat bereits jede Erwartung zerstört, die das System hatte Automatisierte Handelssysteme erlauben den Händlern, Konsistenz zu erreichen, indem sie den Plan handeln. Es ist unmöglich, Katastrophe ohne Handelsregeln zu vermeiden. Für mehr, siehe 10 Schritte zum Aufbau eines gewinnenden Handelsplans. Improved Order Entry Speed ​​Da Computern sofort auf veränderte Marktbedingungen reagieren, können automatisierte Systeme Aufträge generieren, sobald die Handelskriterien erfüllt sind. Ein - oder Ausgehen eines Handwerks, ein paar Sekunden zuvor, kann einen großen Unterschied machen Sobald eine Position eingegeben wird, werden alle anderen Aufträge automatisch generiert, einschließlich der Schutzstoppverluste und der Gewinnziele. Die Märkte können sich schnell bewegen, und es ist demoralisierend, dass ein Trade das Profitziel erreicht oder an einem Stop-Loss-Level vorbeifährt, bevor die Aufträge sogar möglich sind Eingegeben werden Ein automatisiertes Handelssystem verhindert, dass dies geschieht. Diversify Trading Automatisierte Handelssysteme erlauben dem Benutzer, mehrere Konten oder verschiedene Strategien auf einmal zu handeln Dies hat das Potenzial, das Risiko über verschiedene Instrumente zu verbreiten, während die Schaffung einer Absicherung gegen Verlust von Positionen Was wäre unglaublich Herausforderung für einen Menschen zu erreichen ist effizient ausgeführt von einem Computer in einer Angelegenheit von Millisekunden Der Computer ist in der Lage, für Handel Chancen über eine Reihe von Märkten zu scannen, Aufträge zu generieren und zu überwachen Trades. Disadvantages und Realitäten von automatisierten Handelssystemen Automatisierte Handelssysteme rühmen viele Vorteile, aber es gibt einige Abschläge von und Realties, auf die Händler sollten sich bewusst sein. Mechanische Ausfälle Die Theorie hinter automatisierten Handel macht es einfach scheinen die Einrichtung der Software, programmieren Sie die Regeln und beobachten Sie es in der Realität, aber automatisierte Handel ist eine anspruchsvolle Methode des Handels, aber nicht unfehlbar Abhängig von der Handelsplattform könnte eine Handelsordnung auf einem Computer und nicht auf einem Server wohnen. Das bedeutet, dass wenn eine Internetverbindung verloren geht, eine Bestellung nicht auf den Markt geschickt werden könnte Eine Diskrepanz zwischen den theoretischen Trades, die durch die Strategie und die Auftragseingabeplattformkomponente erzeugt werden, die sie in echte Trades verwandelt Die meisten Händler sollten eine Lernkurve erwarten, wenn sie automatisierte Handelssysteme verwenden, und es ist in der Regel eine gute Idee, mit kleinen Handelsgrößen zu beginnen, während die Prozess ist verfeinert. Monitoring Obwohl es wäre toll, den Computer einzuschalten und für den Tag zu verlassen, automatisierte Handelssysteme erfordern die Überwachung Dies ist aufgrund der Potenzial für mechanische Ausfälle, wie Konnektivitätsprobleme, Stromausfälle oder Computer-Crashs und zu System-Macken Es ist möglich, dass ein automatisiertes Handelssystem Anomalien erlebt, die zu fehlerhaften Aufträgen, fehlenden Aufträgen oder doppelten Aufträgen führen können. Wenn das System überwacht wird, können diese Ereignisse schnell erkannt und behoben werden. Over-Optimierung Obwohl nicht speziell für den automatisierten Handel Systeme, Händler, die Backtesting-Techniken einsetzen, können Systeme schaffen, die auf Papier gut aussehen und in einem Live-Markt furchtbar sind. Überoptimierung bezieht sich auf eine übermäßige Kurvenanpassung, die einen im Live-Handel unzuverlässigen Handelsplan erzeugt. So ist es zB möglich Optimieren Sie eine Strategie, um außergewöhnliche Ergebnisse auf die historischen Daten zu erzielen, auf denen sie getestet wurde. Trader gehen manchmal falsch davon aus, dass ein Handelsplan nahezu 100 rentable Trades haben sollte oder niemals einen Drawdown als einen tragfähigen Plan erleben sollte. So können die Parameter angepasst werden Erstellen Sie einen nahezu perfekten Plan, der völlig ausfällt, sobald er auf einen Live-Markt angewendet wird. Diese Überoptimierung schafft Systeme, die auf Papier nur gut aussehen. Für mehr, siehe Backtesting und Forward Testing Die Bedeutung von Korrelationen. Server-Based Automation Traders haben Die Möglichkeit, ihre automatisierten Handelssysteme über eine Server-basierte Handelsplattform wie Strategy Runner zu betreiben Diese Plattformen bieten häufig kommerzielle Strategien zum Verkauf an, ein Assistent, so dass Händler ihre eigenen Systeme entwerfen können oder die Möglichkeit, bestehende Systeme auf Server-Basis zu hosten Plattform Für eine Gebühr kann das automatisierte Handelssystem scannen, durchführen und überwachen Trades mit allen Aufträgen, die auf ihrem Server wohnen, was zu möglicherweise schnelleren und zuverlässigeren Auftragseinträgen führt. Schlussfolgerung Obwohl ein Ppealing für eine Vielzahl von Faktoren, sollten automatisierte Handelssysteme nicht Als Ersatz für einen sorgfältig durchgeführten Handel angesehen werden können. Mechanische Ausfälle können passieren, und als solche benötigen diese Systeme die Überwachung von Server-basierten Plattformen, die eine Lösung für Händler bieten, die die Risiken von mechanischen Ausfällen minimieren möchten. Für verwandte Lesungen siehe Day Trading Strategies für Anfänger. Die Höchstbeträge der Gelder, die die Vereinigten Staaten ausleihen können, wurde unter dem Zweiten Liberty Bond Act geschaffen. Der Zinssatz, bei dem ein Depotinstitut die Geldreserve an der Federal Reserve an eine andere Depotbank leiht.1 Eine statistische Maßnahme der Dispersion Der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jede Arbeit außerhalb von Bauernhöfen, private Haushalte Und die Non-Profit-Sektor Die US Bureau of Labor. The Währung Abkürzung oder Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Best Programmiersprache für algorithmische Trading Systems. One der häufigsten Fragen, die ich erhalten In der QS Mailbag ist was ist die beste Programmiersprache für algorithmischen Handel Die kurze Antwort ist, dass es keine beste Sprache Strategie Parameter, Leistung, Modularität, Entwicklung, Elastizität und Kosten müssen alle berücksichtigt werden Dieser Artikel wird die notwendigen Komponenten eines algorithmischen skizzieren Trading-System-Architektur und wie Entscheidungen über die Umsetzung beeinflussen die Wahl der Sprache. Zunächst werden die wichtigsten Komponenten eines algorithmischen Handelssystems betrachtet werden, wie die Forschungs-Tools, Portfolio-Optimierer, Risikomanager und Ausführungs-Engine Anschließend werden verschiedene Handelsstrategien untersucht werden Und wie sie beeinflussen die Gestaltung des Systems Insbesondere die Häufigkeit des Handels und die wahrscheinlichen Handelsvolumen werden beide diskutiert werden. Wenn die Handelsstrategie ausgewählt wurde, ist es notwendig, das gesamte System zu architektieren Dies beinhaltet die Wahl der Hardware, das Betriebssystem S und System-Resilienz gegen seltene, potenziell katastrophale Ereignisse Während die Architektur in Betracht gezogen wird, muss die Leistung berücksichtigt werden - sowohl für die Forschungs-Tools als auch für die Live-Ausführungsumgebung. Was ist das Trading-System zu tun. Vor der Entscheidung über Die beste Sprache, mit der man ein automatisiertes Handelssystem schreiben muss, ist es notwendig, die Anforderungen zu definieren Ist das System rein Ausführung basiert Wird das System ein Risikomanagement - oder Portfolio-Baumodul benötigen Wird das System einen leistungsstarken Backtester benötigen Für die meisten Strategien Das Handelssystem kann in zwei Kategorien aufgeteilt werden. Forschung und Signalgenerierung. Forschung beschäftigt sich mit der Bewertung einer Strategieleistung über historische Daten Der Prozess der Auswertung einer Handelsstrategie gegenüber früheren Marktdaten wird als Backtesting bezeichnet. Die Datengröße und die algorithmische Komplexität haben eine Große Auswirkungen auf die rechnerische Intensität der Backtester CPU-Geschwindigkeit und Parallelität sind oft die begrenzenden Faktoren bei der Optimierung der Forschungs-Durchlaufgeschwindigkeit. Signal-Generation ist mit der Erzeugung eines Satzes von Handelssignalen aus einem Algorithmus und das Senden solcher Aufträge an den Markt, in der Regel über eine Vermittlung Für bestimmte Strategien ist ein hohes Leistungsniveau erforderlich IO-Themen wie Netzwerkbandbreite und Latenz sind oft der begrenzende Faktor bei der Optimierung von Ausführungssystemen So kann die Wahl der Sprachen für jede Komponente Ihres Gesamtsystems ganz anders sein. Typ, Häufigkeit und Volumen von Strategie Die Art der eingesetzten algorithmischen Strategie wird sich erheblich auf die Gestaltung des Systems auswirken. Es wird notwendig sein, die gehandelten Märkte, die Konnektivität zu externen Datenanbietern, die Häufigkeit und das Volumen der Strategie, den Kompromiss zwischen zu berücksichtigen Einfachheit der Entwicklung und Performance-Optimierung, sowie jede benutzerdefinierte Hardware, einschließlich co-lokalisierte benutzerdefinierte Server, GPUs oder FPGAs, die notwendig sein könnten. Die Technologie Entscheidungen für eine niederfrequente US-Aktien-Strategie wird sich weit von denen eines High - Frequenz-statistische Arbitrage-Strategie-Handel auf dem Futures-Markt Vor der Wahl der Sprache müssen viele Datenanbieter ausgewertet werden, die sich auf eine Strategie zur Hand beziehen. Es wird notwendig sein, die Konnektivität mit dem Anbieter, die Struktur der APIs, die Aktualität der Daten zu berücksichtigen , Speicheranforderungen und Resilienz im Angesicht eines Vendors, der offline geht Es ist auch klug, schnellen Zugriff auf mehrere Anbieter zu besitzen. Verschiedene Instrumente haben alle ihre eigenen Speicherquirks, Beispiele dafür sind mehrere Tickersymbole für Aktien und Verfallsdaten für Futures, die nicht zu erwähnen sind Irgendwelche spezifischen OTC-Daten Dies muss in die Plattform-Design berücksichtigt werden. Frequenz der Strategie ist wahrscheinlich einer der größten Treiber, wie die Technologie-Stack definiert werden Strategien, die Daten häufiger als weniger oder zweitens Bars benötigen erhebliche Überlegung in Bezug auf Zur Leistung. Eine Strategie, die zweitens Stäbe übersteigt, dh Tick-Daten führt zu einem leistungsgesteuerten Design als primäre Anforderung Für Hochfrequenz-Strategien muss eine beträchtliche Menge an Marktdaten gespeichert und ausgewertet werden. Software wie HDF5 oder kdb werden häufig für diese Rollen verwendet . Um die umfangreichen Datenmengen für HFT-Anwendungen zu verarbeiten, muss ein weitgehend optimiertes Backtester - und Ausführungssystem CC verwendet werden, mit einigen Assemblern ist wahrscheinlich der stärkste Sprachkandidat. Ultra-Hochfrequenz-Strategien werden mit Sicherheit sicherlich benutzerdefinierte Hardware wie FPGAs, Austausch-Co-Location und Kern-Netzwerk-Interface-Tuning. Research Systems. Research-Systeme beinhalten in der Regel eine Mischung aus interaktiver Entwicklung und automatisierte Scripting Das ehemalige findet oft innerhalb einer IDE wie Visual Studio, MatLab oder R Studio Letzteres beinhaltet umfangreiche numerische Berechnungen Über zahlreiche Parameter und Datenpunkte Dies führt zu einer Sprachwahl, die eine einfache Umgebung bietet, um Code zu testen, bietet aber auch eine ausreichende Leistung, um Strategien über mehrere Parameterdimensionen zu bewerten. Typische IDEs in diesem Raum sind Microsoft Visual CC, das umfangreiche Debugging-Dienstprogramme enthält Komplett-Fähigkeiten über Intellisense und einfache Übersichten des gesamten Projektstapels über die Datenbank ORM, LINQ MatLab, die für umfangreiche numerische lineare Algebra und vektorisierte Operationen konzipiert ist, aber in einer interaktiven Konsolenart R Studio, die die R statistische Sprachkonsole in einem voll - Flüchtige IDE Eclipse IDE für Linux Java und C und semi-proprietäre IDEs wie Enthought Canopy für Python, die Datenanalyse Bibliotheken wie NumPy SciPy Scikit-Learn und Pandas in einer einzigen interaktiven Konsolenumgebung enthalten. Für numerische Backtesting, alle oben genannten Sprachen sind geeignet, obwohl es nicht notwendig ist, eine GUI-IDE zu verwenden, da der Code im Hintergrund ausgeführt wird. Die Hauptbetrachtung in diesem Stadium ist die der Ausführungsgeschwindigkeit Eine kompilierte Sprache wie C ist oft nützlich, wenn die Backtesting-Parameter-Dimensionen groß sind Denken Sie daran, dass es notwendig ist, vor solchen Systemen vorsichtig zu sein, wenn dies der Fall ist. Interpretierte Sprachen wie Python nutzen oft Hochleistungsbibliotheken wie NumPy-Pandas für den Backtesting-Schritt, um ein angemessenes Maß an Wettbewerbsfähigkeit bei der Erstellung zu gewährleisten Äquivalente Letztlich wird die für das Backtesting gewählte Sprache durch spezifische algorithmische Bedürfnisse sowie die Bandbreite der Bibliotheken bestimmt, die in der Sprache mehr dazu verfügbar sind. Allerdings kann die Sprache, die für den Backtester und die Forschungsumgebungen verwendet wird, völlig unabhängig von denen sein, die in der Portfolio-Konstruktion, Risikomanagement und Ausführungskomponenten, wie man sehen wird. Portfolio Construction und Risk Management. Die Portfolio-Bau-und Risikomanagement-Komponenten werden oft von Einzelhandel Algorithmische Händler übersehen Dies ist fast immer ein Fehler Diese Tools bieten den Mechanismus, durch das Kapital wird Bewahrt Sie versuchen nicht nur, die Anzahl der riskanten Wetten zu lindern, sondern auch die Churn of the Trades selbst zu minimieren und die Transaktionskosten zu reduzieren. Hochentwickelte Versionen dieser Komponenten können einen signifikanten Einfluss auf die Qualität und die Konsequenz der Profitabilität haben. Es ist einfach, einen Stall zu schaffen Von Strategien, da der Portfolio-Konstruktionsmechanismus und der Risikomanager leicht modifiziert werden können, um mehrere Systeme zu behandeln. Daher sollten sie zu Beginn der Gestaltung eines algorithmischen Handelssystems als wesentliche Komponenten betrachtet werden. Die Aufgabe des Portfolio-Bausystems besteht darin, Erwünschte Trades und produzieren die Menge der tatsächlichen Trades, die Churn minimieren, halten Belichtungen zu verschiedenen Faktoren wie Sektoren, Asset-Klassen, Volatilität etc. und optimieren die Zuweisung von Kapital auf verschiedene Strategien in einem Portfolio. Portfolio-Konstruktion reduziert sich oft auf eine lineare Algebra Problem wie Als Matrixfaktorisierung und damit Leistung hängt stark von der Effektivität der numerischen linearen Algebra-Implementierung ab. Gemeinsame Bibliotheken beinhalten uBLAS LAPACK und NAG für C MatLab besitzt auch weitgehend optimierte Matrixoperationen Python nutzt NumPy SciPy für solche Berechnungen Ein häufig neu ausgewogenes Portfolio erfordert eine Kompilierte und gut optimierte Matrixbibliothek, um diesen Schritt auszuführen, um den Handelssystem nicht zu verschränken. Das Risikomanagement ist ein weiterer äußerst wichtiger Bestandteil eines algorithmischen Handelssystems. Das Risiko kann in vielen Formen kommen. Erhöhte Volatilität, obwohl dies für bestimmte als wünschenswert angesehen werden kann Strategien, erhöhte Korrelationen zwischen Asset-Klassen, Gegenpartei-Default, Server-Ausfälle, Black-Swan-Events und unentdeckte Bugs im Handelscode, um einige zu nennen. Risk Management-Komponenten versuchen und erwarten die Auswirkungen von übermäßiger Volatilität und Korrelation zwischen Asset-Klassen und ihre Nachfolgende Effekte auf Handelskapital Oft reduziert sich dies auf eine Reihe von statistischen Berechnungen wie Monte Carlo Stresstests Dies ist sehr ähnlich wie die rechnerischen Bedürfnisse eines Derivatpreismikos und als solche wird CPU-gebunden Diese Simulationen sind sehr parallelisierbar siehe unten und , Zu einem gewissen Grad ist es möglich, Hardware auf das Problem zu werfen. Execution Systems. Die Aufgabe des Ausführungssystems ist es, gefilterte Handelssignale aus dem Portfolio Bau-und Risikomanagement-Komponenten zu erhalten und senden sie an eine Vermittlung oder andere Mittel von Marktzugang Für die Mehrheit der Einzelhandels-algorithmischen Handelsstrategien handelt es sich dabei um eine API - oder FIX-Verbindung zu einem Brokerage wie Interactive Brokers. Die primären Überlegungen bei der Entscheidung über eine Sprache beinhalten die Qualität der API, die Sprache-Wrapper-Verfügbarkeit für eine API, die Ausführungsfrequenz und die Erwartete Schlupf. Die Qualität der API bezieht sich auf, wie gut dokumentiert es ist, welche Art von Leistung, die es bietet, ob es Standalone-Software benötigt, um zugegriffen werden oder ob ein Gateway kann in kopfloser Weise dh keine GUI Im Falle von Interactive eingerichtet werden 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 designed 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 system 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 subsequent 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 IO, concurrency parallelism and scaling Each of these areas are individually covered by large textbooks, 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 their 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 latency and orders processed exchange systems internal latency. For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required. Caching is very useful in the toolkit of a quantitative trading developer Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesn t need to be regenerated upon each loop of the trading algorithm Such regeneration is likely to be a high CPU or disk IO operation. However, caching is not without its own issues Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure Another issue is dog-piling where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow Newer language standards such as Java, C and Python all perform automatic garbage collection which refers to deallocation of dynamically allocated memory when objects go out of scope. Garbage collection is extremely useful during development as it reduces errors and aids readability However, it is often sub-optimal for certain high frequency trading strategies Custom garbage collection is often desired for these cases In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C 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, ie in parallel So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential Parallelisable algorithms are subject to Amdahl s Law which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes eg 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 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 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 ie 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 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 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 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 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 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 eg 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 doesn t catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations Dynamic languages ie 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 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 the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products Further, the communities surrounding each tool are very large with active web forums for both The software allows cohesive integration with multiple languages such as C , C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ MatLab also has many 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 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, 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, 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 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 network 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 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 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, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading.