Automatisert Trading System I C

Opprette automatiserte handelssystemer ved hjelp av interaktive meglere Automatisert handel med interaktive meglere. Den interaktive meglerhandelsplattformen selv tilbyr ikke automatisert handel. Det finnes imidlertid flere løsninger for handelsfolk som ønsker å automatisere handelssystemer ved hjelp av IB Trader Workstation TSW-plattformen, inkludert. Party APIs. Programming Consultants. Third-Party APIs En Application Programming Interface API er et språkformat som brukes av et applikasjonsprogram for å kommunisere med annen systemprogramvare. En API fungerer som et grensesnitt eller mellomrom som tillater kode å kommunisere med IB handelsplattformen Tredjepartsleverandører tilbyr en rekke proprietære APIer som gir tilpassbare, forhåndsbygde algoritmer og plug-and-play-handelsprogramvareprogrammer designet for å kjøre sammen med IBs Trader Workstation TWS-handelsplattform. En liste over tredjeparts-APIer er tilgjengelig på IB-nettsted fra hjemmesiden, klikk på Utdanningsoverskriften og velg Markedsplassen IB Re Legg til ansvarsfraskrivelsen, og hvis du godtar vilkårene, klikk Hvis du godtar ansvarsfraskrivelsen, vennligst klikk her for å fortsette. Klikk på fanen Programvareverktøy og underordnet Ordrehåndteringsprogramvare for å se leverandører og produkter vist i Figur 1.Figur 1 - Velg Programvareverktøy-fanen i markedsplassen IB for å bla gjennom tredjepartsleverandører. Programmeringskonsulenter I tillegg til de kommersielt tilgjengelige APIene har Markedsplass IB også en link til Programmeringskonsulenter som kan bistå handelsmenn og investorer med utvikling av tilpassede indikatorer og strategier for å Brukes i automatisert handel Konsulenter gir koding på en rekke språk, inkludert Java, C, Visual Basic, SQL, Perl, Matlab, samt andre handelsplatforms proprietære språk som kan knyttes til IB. Husk at programmører kun kan programmere absolutte regler, og de gir vanligvis ikke forslag til forbedring av lønnsomheten til et system - bare ytelsen til koden Før du arbeider med en programmerer, er det viktig å kunne definere alle handelssystemets inn-, utgangs - og ledelseslogikk Hvis det kan defineres, kan det sannsynligvis bli kodet. Programmering med IB APIer En tredje løsning er for handelsfolk med ferdigheter eller ønske om å lære å programmere egne APIer Interaktive meglere gir flere APIer som handelsmenn kan bruke til å koble til via enten TWS eller IB Gateway. Koble til via TWS krever at programmet kjører, men tillater forhandlere å teste og bekrefte at API-ordrene fungerer som de skal Tilkobling via IB Gateway gir derimot ikke grensesnitt for testing og bekreftelse, men lar APIen kjøre uten at et stort GUI-program kjører. Hvor API-ene fra tredjepart gir tilpassbare, forhåndsbygde algoritmer, IB API programmeringsmiljø er i hovedsak råmateriale IB gir utstyret og komponentene, og brukeren gjør all programmering. Brukere kan programmere på en rekke språk, inkludert C , Java, ActiveX eller DDE for Excel Det finnes en rekke API-relaterte innstillinger i TWS som forhandlere kan konfigurere, vist i Figur 2 IB API Referansehåndboken som er tilgjengelig på Interactive Brokers-nettstedet, søk etter API Reference Guide gir også en oversikt som instruksjoner som er spesifikke for de ulike programmeringsspråk. Figur 2 - Konfigurere API-innstillingene i TWS. Konklusjon Traders som ønsker å implementere automatiserte handelssystemer via Interactive Brokers-plattformen, har en rekke alternativer. Ikke-programmører kan ønske å utforske API-en fra tredjepart leverandører som tilbyr en rekke tilpassbare eller plug-and-play-alternativer. Traders med unike ideer kan jobbe med en kvalifisert programmeringskonsulent. De med programmeringserfaring eller tid og ønske om å lære et programmeringsspråk kan bruke IB APIs når de utvikler automatiserte handelssystemer. Senior C Automated Trading System Developer. Getting begeistret for å utvikle automatiserte handelssystemer i C Er du som Utvikler utfordret b y komplekse tekniske problemer i et dynamisk og dynamisk miljø. Kan du bruke de nyeste teknologiene til å oversette disse problemene til elegante tekniske løsninger. Hvis du har minst 5 års erfaring med C, kan du være Senior C Automated Trading System Utvikler vi leter etter. Hvem vi er Vi er Optiver, et internasjonalt handelsselskap med hovedkontor i Amsterdam Med mer enn 700 kolleger på fire kontinenter tilbyr vi hele tiden rettferdige og svært konkurransedyktige priser på kjøp og salg av aksjer, obligasjoner, opsjoner, futures , ETF s et cetera Det kalles markedsarbeid Vi bygger markeder og gir likviditet til internasjonale børser i Europa, USA og Asia Pacific. We gjør finansmarkedene rettferdige, åpne og pålitelige Vi handler ikke bare når vi føler det, ikke bare når Våre utsikter er lyse, men 24 timer i døgnet Uansett hvor markedene går, er vi der, alltid på egen risiko, bruker vår egen kapital. Verdien forskjellen summerer den perfekt. forklarer i et nøtteskall hva vi gjør hver dag. Det inviterer deg også til å utforske hvordan vi gjør vår jobb annerledes. Vi har verdsatt denne forskjellen siden 1986 året vi startet på Amsterdam-baserte europeiske valgutveksling med en enkelt gulvhandel. I dag er vi en av de mest dynamiske, innovative og vellykkede selskaper i Nederland og utover. ET på Optiver Siden handel på gulvet endret seg til skjermbasert handel, trenger vi stadig den mest avanserte teknologien, handelsprogramvaren og tilkoblingene til markedet. Kort sagt, vi trenger det beste IT-fagfolk til å utvikle, optimalisere og støtte våre systemer og verktøy Atmosfæren vi jobber med er rask, men spennende Dette gjør IT hos Optiver en stor utfordring hvor kompetanse, innovasjon og moro går hånd i hånd hver dag. Som Senior C Automated Trading System Developer du vil være ansvarlig for å utvikle høyhastighets automatiserte handelssystemer i C for Linux-operativsystemet Ved å jobbe tett sammen med andre utviklere, handler en nd forskere vil du svare på komplekse forespørsler med elegante tekniske løsninger ved hjelp av den nyeste teknologien. Med dine sterke objektorienterte C-ferdigheter kan du designe og implementere nye lønnsomme handelsstrategier, samtidig som du klarer klare forventninger til dine interne interessenter. Ved å dele din omfattende kunnskap med dine lagmedlemmer og veilede junior kolleger i tekniske beslutninger, vil du støtte utviklingslaget for å få tak i kompleksiteten til virksomheten. En mastergrad i datavitenskap, IT-teknologi eller informasjonssystemer. minst 5 års arbeidserfaring som en programvareutvikler i C, med en utmerket track record. solid opplevelse i STL, Boost og andre populære open source C biblioteker. ekspertkunnskaper om UNIX og Linux operativsystemer. kunnskap om høy ytelsesgrad, lav latenhet og sanntidsutvikling. med multithreading i C. strong kunnskap om finansielle markeder og derivater trading. preferably 2 år o f arbeidserfaring innenfor den automatiserte handelsutviklingsområdet. ambisjonen om å utvikle seg selv hele tiden gjennom trening og jobbutvikling. god forståelse av C 11 er et plus. en bakgrunn i matematikk og arbeidserfaring med algoritmer er en plus. be a teamspiller og kommunikatør som nyter kreativ frihet og uavhengighet. Hva du får Optiver er fremfor alt en sinnstilstand Vi leter etter deg når du tror på daglig forbedring, når du liker å bli seriøst belønnet for ytelsen din og når du enkelt tilpasser å bytte og nyte litt humor og moro For å være konkret tilbyr vi deg en utmerket godtgjørelse Men vi tilbyr deg også gode sekundære fordeler som fullverdig førsteklasses pendlingskostnader, en premiefri pensjon, attraktiv fortjeneste deling struktur, flytting pakker, treningsmuligheter, rabatter på helseforsikring, frokost og lunsjfasiliteter, sports - og fritidsaktiviteter, fredag ​​ettermiddagsdrinker og til og med ukentlig in-house chair ma ssages. Interested Vi er 350 høyt utdannede fagfolk fra over 30 forskjellige land som jobber på Optiver i Amsterdam. Vi har som mål å være uovertruffen i vår bransje, ved å være talentfull, kreativ og resultatorisk. Og det spiller ingen rolle hvordan vi klær eller hva vi tror på , så lenge vi overskrider våre og andres forventninger. Hvis du er klar til å søke, og vi håper du er, gjelder direkte via knappen nedenfor for stillingen til Senior C Automated Trading System Developer. Gi oss en CV og et brev av motivasjon på engelsk Søknader uten motivasjon vil ikke bli vurdert Når vi tror at magien er der, vil du høre fra oss før du forventer. Hvis du har spørsmål, kan du kontakte Marlouk Stek på 31 20 708 70 00. En vurdering er en del av søknadsprosedyren. Følg møte C. Best Programmeringsspråk for Algoritmiske Trading Systems. One av de hyppigste spørsmålene jeg mottar i QS-postbag er Hva er det beste programmeringsspråket for algori thmic trading Det korte svaret er at det ikke er noe beste språk. Strategi parametere, ytelse, modularitet, utvikling, fleksibilitet og kostnad må alle vurderes. Denne artikkelen vil skissere de nødvendige komponentene i en algoritmisk handelssystemarkitektur og hvordan beslutninger om implementering påvirker valget av språk. For det første vil hovedkomponentene i et algoritmisk handelssystem bli vurdert, for eksempel forskningsverktøy, porteføljeoptimerer, risikostyring og utførelsesmotor. Deretter undersøkes ulike handelsstrategier og hvordan de påvirker systemets utforming. frekvensen av handel og det sannsynlige handelsvolumet vil begge bli diskutert. Når handelsstrategien er valgt, er det nødvendig å arkivere hele systemet. Dette inkluderer valg av maskinvare, operativsystem s og systemresistens mot sjeldne, potensielt katastrofale hendelser. Mens Arkitektur blir vurdert, med tanke på ytelse - både til forskningsverktøyene og i live-utførelsesmiljøet. Hva er handelssystemet som prøver å gjøre. Før du bestemmer deg for det beste språket som skal skrives et automatisert handelssystem, er det nødvendig å definere kravene. Er systemet til å bli rent utførelsesbasert Vil systemet kreve en risikostyring eller porteføljekonstruksjonsmodul Vil systemet kreve en ypperlig backtester For de fleste strategier kan handelssystemet deles inn i to kategorier Forskning og signalgenerering. Forskning er opptatt av evaluering av en strategisk ytelse over Historiske data Prosessen med å evaluere en handelsstrategi over tidligere markedsdata kalles backtesting. Datastørrelsen og algoritmisk kompleksitet vil ha stor innvirkning på beregningsintensiteten til backtesteren. CPU-hastighet og samtidighet er ofte begrensende faktorer for optimalisering av forskningseksporthastigheten. Signalgenerering er opptatt av å generere et sett med handelssignaler fra en algorit m og sende slike ordrer til markedet, vanligvis via en megling For visse strategier er et høyt ytelsesnivå nødvendig. IO-problemer som nettverksbåndbredde og latens er ofte begrensende faktor for optimalisering av kjøringssystemer. Valg av språk for hver komponent i din hele systemet kan være ganske annerledes. Type, frekvens og volum av strategi. Typen av algoritmisk strategi som brukes vil ha en betydelig innvirkning på systemets utforming. Det vil være nødvendig å vurdere markedene som handles, tilkoblingen til eksterne dataleverandører, frekvensen og volumet av strategien, avstanden mellom enkel utvikling og ytelsesoptimalisering, samt hvilken som helst tilpasset maskinvare, inkludert samlokaliserte egendefinerte servere, GPUer eller FPGAer som kan være nødvendige. Teknologifunksjonene for en lavfrekvens USAs aksjestrategi vil være vesentlig forskjellig fra en høyfrekvent statistisk arbitrage-strategi handel på futures markedet Før valget av l anguage mange data leverandører må vurderes som angår en strategi på hånden. Det vil være nødvendig å vurdere tilkobling til leverandøren, strukturen til noen APIer, aktualitet av dataene, lagringskrav og fleksibilitet i møte med en leverandør som går frakoblet den. Det er også lurt å ha rask tilgang til flere leverandører. Ulike instrumenter har alle sine egne lagerkvaliteter, eksempler på hvilke inkluderer flere tickersymboler for aksjer og utløpsdatoer for futures, for ikke å nevne noen spesifikke OTC-data. Dette må inngå i plattformdesignen. Frekvensen av strategien er sannsynligvis en av de største driverne for hvordan teknologibakken vil bli definert. Strategier som bruker data hyppigere enn små eller andre linjer, krever betydelig vurdering med hensyn til ytelse. En strategi som overstiger andre streker, dvs. tick-data fører til en ytelsesdrevet design som det primære kravet For høyfrekvente strategier må en betydelig mengde markedsdata trenge lagres og evalueres Programvare som HDF5 eller kdb brukes ofte til disse rollene. For å behandle de omfattende datamengder som er nødvendig for HFT-applikasjoner, må en omfattende optimalisert backtester og utførelsessystem benyttes. CC muligens med noen assembler er sannsynlig at sterkeste språkkandidat Ultrahøyfrekvensstrategier vil nesten absolutt kreve tilpasset maskinvare som FPGAer, bytte samlokalisering og kjerne nettverk grensesnitt tuning. Research Systems. Research systemer involverer vanligvis en blanding av interaktiv utvikling og automatisert skripting Den tidligere finner ofte sted innenfor en IDE som Visual Studio, MatLab eller R Studio Sistnevnte innebærer omfattende numeriske beregninger over mange parametere og datapunkter. Dette fører til et språkvalg som gir et rettferdig miljø for å teste koden, men gir også tilstrekkelig ytelse til å evaluere strategier over flere parameter dimensjoner. Typisk IDEer i dette rommet inkluderer Microsoft Visual CC, som inneholder omfattende feilsøkingsverktøy, kodegjennomføringsfunksjoner via Intellisense og enkle oversikter over hele prosjektstakken via databasen ORM, LINQ MatLab, som er designet for omfattende numerisk lineær algebra og vektoriserte operasjoner, men på en interaktiv konsoll måte R Studio som bryter R statistisk språkkonsoll i en fullverdig IDE Eclipse IDE for Linux Java og C og semi-proprietary IDEer som Enthought Canopy for Python, som inkluderer databehandlingsbiblioteker som NumPy SciPy scikit-lær og pandas i et enkelt interaktivt konsollmiljø. numerisk backtesting, alle ovennevnte språk er egnede, selv om det ikke er nødvendig å benytte en GUI IDE som koden vil bli utført i bakgrunnen. Hovedprinsippet på dette stadiet er det for eksekveringshastighet Et kompilert språk som C er ofte nyttig hvis parametrene for backtesting parameter er store Husk at det er nødvendig å være forsiktig med slike systemer hvis det er tilfellet. Interpreterte språk som Python bruker ofte høypresterende biblioteker som NumPy pandas for backtesting-trinnet, for å opprettholde en rimelig grad av konkurranseevne med kompilerte ekvivalenter. Til slutt vil språket som er valgt for backtesting, bli bestemt av bestemte algoritmiske behov samt utvalg av biblioteker tilgjengelig på språket mer på det under. Språket som brukes til backtester og forskningsmiljøer kan imidlertid være helt uavhengig av de som brukes i porteføljekonstruksjon, risikostyring og utførelseskomponenter, slik det vil bli sett. Portfolio Construction and Risk Management. Porteføljebygging og risikostyringskomponenter blir ofte oversett av detaljhandelsalgoritmiske forhandlere. Dette er nesten alltid en feil. Disse verktøyene gir mekanismen som kapital vil bli bevart. De prøver ikke bare å lette antall risikable spill, men også redusere driften av handelen selv, og redusere transaksjonskostnadene s. Sophisticated versjoner av disse komponentene kan ha en signifikant innvirkning på lønnsomhetens kvalitet og konsistens. Det er rett og slett å skape en stabil strategier som porteføljekonstruksjonsmekanismen og risikostyringen lett kan modifiseres for å håndtere flere systemer. Derfor bør de betraktes som avgjørende komponenter i begynnelsen av utformingen av et algoritmisk handelssystem. Jobben til porteføljes konstruksjonssystemet er å ta et sett av ønskede bransjer og produsere settet av faktiske bransjer som minimerer kvelning, opprettholder eksponeringer mot ulike faktorer som sektorer, aktivaklasser , volatilitet osv. og optimalisere allokering av kapital til ulike strategier i en portefølje. Porteføljekonstruksjon reduserer ofte til et lineært algebraproblem som en matrisefaktorisering og derfor er ytelsen høyt avhengig av effektiviteten av den numeriske lineære algebraimplementasjonen tilgjengelig. Felles biblioteker inkluderer uBLAS LAPACK og NAG for C MatLab har også extensivel y optimalisert matriseoperasjoner Python benytter NumPy SciPy for slike beregninger En ofte gjenbalansert portefølje vil kreve et kompilert og godt optimalisert matrisebibliotek for å bære dette trinnet, for ikke å flaskehals handelssystemet. Risikostyring er en annen ekstremt viktig del av en algoritmisk handel Systemrisiko kan komme i mange former Økt volatilitet, selv om dette kan sees som ønskelig for bestemte strategier, økte korrelasjoner mellom aktivaklasser, motpartsstandard, serverbrudd, svarte svanehendelser og uoppdagede feil i handelskoden, for å nevne noen få. Risikostyringskomponenter forsøker å forutse virkningene av overdreven volatilitet og korrelasjon mellom aktivaklasser og deres påfølgende effekt på handelskapital Ofte reduseres dette til et sett med statistiske beregninger som Monte Carlo stresstester. Dette ligner meget på beregningsbehovene til derivater prismotor og som sådan vil være CPU-bundet Disse simuleringene er svært parallelle kan sees under og i en viss grad er det mulig å kaste maskinvare på problemet. Ekspedisjonssystemer. Utførelsen av eksekveringssystemet er å motta filtrerte handelssignaler fra porteføljekonstruksjonene og risikostyringskomponentene og sende dem til en megling eller andre muligheter for markedsadgang For de fleste detaljhandelsalgoritmiske handelsstrategier innebærer dette en API eller FIX-tilkobling til en megling som Interactive Brokers. De primære hensynene når du bestemmer deg for et språk, inkluderer kvalitet på API, språkpakkergjengelighet for en API, eksekveringsfrekvens og forventet sliping. Kvaliteten på API-en refererer til hvor godt dokumentert det er, hvilken type ytelse det gir, om det er behov for frittstående programvare som skal nås eller om en gateway kan etableres på en hovedløs måte, dvs. ingen GUI I Når det gjelder Interactive Brokers, må Trader WorkStation-verktøyet kjøres i et GUI-miljø for å få tilgang til API-en, jeg måtte en gang installere la Desktop Ubuntu-utgave på en Amazon Cloud-server for å få tilgang til Interactive Brokers eksternt, bare av denne grunn. De fleste APIer vil gi et C - eller Java-grensesnitt. Det er vanligvis opp til samfunnet å utvikle språkspesifikke wrappers for C, Python, R, Excel og MatLab Merk at med hver ekstra plugin som brukes spesielt API wrappers, finnes det muligheter for feil å krype inn i systemet. Test alltid plugins av denne typen, og sørg for at de holdes aktivt. En verdig mål er å se hvor mange nye oppdateringer til en kodebase har vært gjort i de siste månedene. Ekspedisjonsfrekvensen er av største betydning i utførelsesalgoritmen. Merk at hundrevis av ordrer kan sendes hvert minutt, og som sådan er ytelsen kritisk. Slippage vil bli pådratt gjennom et dårlig utførende kjøresystem, og dette vil ha en dramatisk innvirkning på lønnsomhet. Statisk-skrevne språk se nedenfor, slik som C Java er generelt optimal for utførelse, men det er et kompromiss i utviklingstid, testing og Enkel vedlikehold Dynamisk typede språk, som Python og Perl, er nå generelt raskt nok. Sørg alltid for at komponentene er konstruert på en modulær måte, se nedenfor slik at de kan byttes ut som systemet skalerer. Arkitekturplanlegging og utviklingsprosess. Komponentene i et handelssystem, frekvens - og volumkrav er omtalt ovenfor, men systeminfrastruktur har ennå ikke blitt dekket. De som handler som en detaljhandler eller arbeider i et lite fond, vil trolig ha på seg mange hatter. Det vil være nødvendig å dekke alfa-modellen, risikostyring og utførelsesparametere, og også den endelige implementeringen av systemet Før du drar til bestemte språk, vil utformingen av en optimal systemarkitektur bli diskutert. Del av bekymringer. En av de viktigste avgjørelsene som må gjøres ved utgangspunktet er hvordan man skiller bekymringene til et handelssystem. I programvareutvikling betyr dette i hovedsak hvordan man kan bryte opp de ulike aspektene av handelssystemet i separate modulære komponenter. Ved å utstede grensesnitt på hver av komponentene er det enkelt å bytte ut deler av systemet for andre versjoner som hjelper ytelse, pålitelighet eller vedlikehold uten å endre ekstern avhengighetskode. Dette er den beste praksisen for slike systemer For strategier ved lavere frekvenser, anbefales slik praksis. For ultrahøyfrekvenshandel må regelboken ignoreres på bekostning av å tilpasse systemet for enda bedre ytelse. Et mer tett koblet system kan være ønskelig. Å lage et komponentkart over en algoritmisk handel Systemet er verdt en artikkel i seg selv. En optimal tilnærming er imidlertid å sørge for at det finnes separate komponenter for de historiske og sanntidsmarkedsdatainngangene, datalagring, dataadgang API, backtester, strategiparametere, porteføljekonstruksjon, risikostyring og automatisert eksekveringssystemer. For eksempel, hvis datalageret som brukes, for tiden er underpresterende, selv på betydelige nivåer av optimalisering, kan det byttes ut med minimal omskrivning til datainntaket eller datatilgang API Så langt som backtesteren og påfølgende komponenter er bekymret, er det ingen forskjell. En annen fordel med separerte komponenter er at den tillater en rekke programmeringsspråk å bli brukt i det samlede systemet Det er ikke nødvendig å være begrenset til et enkelt språk hvis kommunikasjonsmetoden til komponentene er språkuafhængig Dette vil være tilfelle hvis de kommuniserer via TCP IP, ZeroMQ eller en annen språkavhengig protokoll. Som et konkret eksempel kan du vurdere om et backtesting system skrives i C for antall krasjende ytelse, mens porteføljeadministrator og kjøringssystemer er skrevet i Python ved hjelp av SciPy og IBPy. Performance Considerations. Performance er et vesentlig hensyn til de fleste handelsstrategier. høyere frekvensstrategier Det er den viktigste faktoren ytelsen dekker et bredt spekter av problemer, for eksempel algoritmisk utførelse ionhastighet, nettverksforsinkelse, båndbredde, data IO, parallell parallellisering og skalering Hver av disse områdene er individuelt dekket av store lærebøker, så denne artikkelen vil bare skrape overflaten til hvert emne. Arkitektur og språkvalg vil nå bli diskutert med hensyn til deres effekter på ytelse. Den rådende visdom som fremgår av Donald Knuth, en av fedrene til datalogi, er at for tidlig optimalisering er roten til alt ondt. Dette er nesten alltid tilfelle - unntatt når man bygger en høyfrekvent handelsalgoritme For de som er interessert i lavere frekvensstrategier, er en felles tilnærming å bygge et system på den enkleste måten og bare optimalisere etter hvert som flaskehalser begynner å vises. Profilverktøy brukes til å bestemme hvor flaskehalser oppstår. Profiler kan gjøres for alle faktorene som er oppført ovenfor, enten i en MS Windows eller Linux miljø Det er mange operativsystem og språkverktøy tilgjengelig for å gjøre det, samt tredjepartsverktøy. Språkvalg w syk nå diskuteres i sammenheng med ytelse. C, Java, Python, R og MatLab inneholder alle høyytelsesbiblioteker enten som en del av deres standard eller eksternt for grunnleggende datastruktur og algoritmiske arbeid C-skip med Standard Template Library, mens Python inneholder NumPy SciPy Vanlige matematiske oppgaver finnes i disse bibliotekene, og det er sjelden gunstig å skrive en ny implementering. Ett unntak er om svært tilpasset maskinvarearkitektur kreves, og en algoritme gjør omfattende bruk av proprietære utvidelser som tilpassede caches. ofte gjenoppfinnelse av hjulavfallet tid som kan bli bedre brukt til å utvikle og optimalisere andre deler av handelsinfrastrukturen. Utviklingstiden er ekstremt verdifull, spesielt i sammenheng med eneste utviklere. Latency er ofte et problem av utførelsessystemet da forskningsverktøyene vanligvis ligger på samme maskin For det første kan latens forekomme ved flere punkter langs utførelsesbanen Databa ses må konsulteres disknett latens, signaler må genereres operativsystem, kernel messaging latency, handel signaler sendt NIC latency og ordrer behandlet utveksling systemer intern latency. For høyere frekvens operasjoner er det nødvendig å bli godt kjent med kernal optimalisering samt optimalisering av nettverksoverføring Dette er et dypt område og er betydelig utenfor artikkelen, men hvis en UHFT-algoritme er ønsket, så vær oppmerksom på dybden av kunnskap som kreves. Caching er veldig nyttig i verktøykassen til en kvantitativ handelsutvikler. Caching refererer til konsept for lagring av ofte tilgangsdata på en måte som tillater høyere ytelse tilgang på bekostning av potensiell stallhet av dataene En vanlig brukstilfelle skjer i webutvikling når du tar data fra en diskbasert relationsdatabase og legger den i minnet. Enhver etterfølgende forespørsler om dataene behøver ikke å treffe databasen, og prestasjonsgevinstene kan derfor være signifikante. For trad situasjoner caching kan være ekstremt gunstig. For eksempel kan dagens status for en strategiportefølje lagres i en cache til den er rebalansert slik at listen ikke trenger å bli regenerert på hver krets av handelsalgoritmen. En slik regenerering er sannsynlig at være en høy CPU eller disk IO-operasjon. Imidlertid er caching ikke uten sine egne problemer. Regenerering av cacherdata på en gang, på grunn av volatiliseringsegenskapen til hurtiglagringsplass, kan legge betydelig etterspørsel etter infrastruktur. Et annet problem er hundespann hvor flere generasjoner av en ny cache kopi utføres under ekstremt høy belastning, noe som fører til kaskadefeil. Dynamisk minneallokering er en dyr operasjon i programvareutførelse Dermed er det viktig at høyere prestasjonshandelsapplikasjoner skal være godt klar over hvordan minne blir tildelt og allokert under programflyt Nyttige språkstandarder som Java, C og Python utfører automatisk automatisk søppelsamling som refererer til deallokering av dynamicall y tildelt minne når objekter går utenfor omfanget. Innsamling av gjenbruk er ekstremt nyttig under utviklingen, da det reduserer feil og hjelpevennlighet. Det er imidlertid ofte suboptimal for visse høyfrekvente handelsstrategier. Tilpasset søppelinnsamling er ofte ønsket for disse tilfellene. I Java, for eksempel ved å stille inn søppelkollektor og haugekonfigurasjon, er det mulig å oppnå høy ytelse for HFT-strategier. C gir ikke en innfødt søppelkollektor, og så er det nødvendig å håndtere all minnetildeling deallokering som en del av en objekt s implementering mens potensielt feilproblemer som potensielt fører til dangling pointers, er det ekstremt nyttig å ha finkornet kontroll over hvordan objekter vises i bunken for bestemte applikasjoner. Når du velger språk, må du kontrollere hvordan søppelkollektor fungerer, og om det kan modifiseres for å optimalisere for en spesiell brukstilfelle. Mange operasjoner i algoritmiske handelssystemer kan brukes til parallellisering. Dette refererer til th e konsept for å utføre flere programmatiske operasjoner samtidig, det vil si parallelt. S-kalt forvirrende parallelle algoritmer inkluderer trinn som kan beregnes helt uavhengig av andre trinn. Visse statistiske operasjoner, som Monte Carlo-simuleringer, er et godt eksempel på embarassingly parallell algoritmer som hver tilfeldig tegning og påfølgende baneoperasjon kan beregnes uten kjennskap til andre baner. Andre algoritmer er bare delvis parallelliserbare Fluiddynamiske simuleringer er et slikt eksempel hvor domenet til beregning kan deles opp, men til slutt må disse domenene kommunisere med hverandre og dermed er operasjonene delvis sekvensielle. Paralleliserbare algoritmer er underlagt Amdahls lov som gir en teoretisk øvre grense for ytelsesøkningen av en parallellisert algoritme når de er underlagt N separate prosesser, f. eks. på en CPU-kjerne eller - drage. Parallellisering er blitt stadig viktigere som en middel til optimalisering siden prosessor clo ck-hastigheter har stagnert, da nyere prosessorer inneholder mange kjerner som skal utføre parallelle beregninger. Stigningen av forbruksgrafikkhardware hovedsakelig for videospill har ført til utviklingen av grafiske prosesseringsenheter GPUer, som inneholder hundrevis av kjerner for svært samtidige operasjoner. Slike GPUer er nå svært rimelige Høytstående rammebetingelser, som Nvidia s CUDA, har ført til utbredt adopsjon i akademia og finans. Slike GPU-maskinvare er generelt bare egnet for forskningsaspektet av kvantitativ finans, mens andre mer spesialiserte maskinvare, inkludert feltprogrammerbare gatearrayer - FPGA er brukt til U HFT I dag støtter de fleste moderne langauges en grad av samtidighet multithreading. Det er derfor greit å optimalisere en backtester, siden alle beregninger er generelt uavhengige av de andre. Skalering i programvare engineering og operasjoner refererer til systemets evne å håndtere kontinuerlig økende belastninger i form av større forespørsler, hig prosessorbruk og mer minneallokering I algoritmisk handel er en strategi i stand til å skalere hvis den kan akseptere større mengder kapital og fremdeles levere konsistente avkastninger. Handelssteknologi stabelen skalerer hvis den kan tåle større handelsvolumer og økt latens uten flaskehalsing. Mens systemer må være utformet for å skalere, det er ofte vanskelig å forutsi på forhånd hvor en flaskehals vil oppstå. Fast logging, testing, profilering og overvåking vil hjelpe sterkt til å la et system skalere seg. Språkene beskrives ofte som uskalbare Dette er vanligvis et resultat av feilinformasjon, snarere enn hardt faktum Det er den totale teknologistakken som skal fastslås for skalerbarhet, ikke språket. Klart visse språk har større ytelse enn andre, spesielt brukstilfeller, men ett språk er aldri bedre enn en annen i alle forstand. En måte å styre skalaen på er å skille bekymringer, som nevnt ovenfor For å ytterligere introdusere evnen til å håndtere spi kes i systemet, dvs. plutselig volatilitet som utløser en rekke handler, er det nyttig å opprette en meldingskøararkitektur. Dette innebærer ganske enkelt å plassere et meldingskøesystem mellom komponenter slik at ordrene blir stablet hvis en bestemt komponent ikke klarer å behandle mange forespørsler. I stedet for at forespørsler går tapt, holdes de bare i en stabel til meldingen håndteres. Dette er spesielt nyttig for å sende handler til en utførelsesmotor. Hvis motoren lider under tung ventetid, vil den sikkerhetskopiere handler. En kø mellom handelssignalgeneratoren og Utførelses-API-en vil lindre dette problemet på bekostning av potensiell handel slippage En respektert åpen kildekode meldingskjøpsmann er RabbitMQ. Hardware og operativsystemer. Den maskinvaren som kjører strategien din, kan ha betydelig innvirkning på lønnsomheten til algoritmen. Dette er ikke Et problem som er begrenset til høyfrekvente forhandlere, enten Et dårlig valg i maskinvare og operativsystem kan føre til maskinkrasj eller rebo i det mest uopprettelige øyeblikket Det er derfor nødvendig å vurdere hvor søknaden din skal ligge. Valget er vanligvis mellom en personlig stasjonær maskin, en ekstern server, en skyveleverandør eller en utvekslingssambehandlet server. Skrivebordsmaskiner er enkle å installere og administrere , spesielt med nyere brukervennlige operativsystemer som Windows 7 8, Mac OSX og Ubuntu Desktop-systemer, har noen betydelige ulemper, men det aller viktigste er at versjonene av operativsystemer designet for stasjonære maskiner vil trolig kreve omstart av patching og ofte på verste ganger De bruker også opp flere beregningsmessige ressurser i kraft av å kreve et grafisk brukergrensesnitt GUI. Bruk av maskinvare i et hjem eller lokalt kontormiljø kan føre til internettforbindelse og strømtilkoblingsproblemer Hovedfordelen ved et stasjonært system er at betydelige beregnings hestekrefter kan kjøpes for brøkdel av prisen på en ekstern dedikert server eller et skybasert system av sammenlignbar hastighet. En dedikert server eller en skybasert maskin, mens den ofte er dyrere enn et skrivebordsmulighet, muliggjør mer betydelig redundansinfrastruktur, for eksempel automatiserte data-sikkerhetskopier, muligheten til lettere å sikre oppetid og fjernovervåking. De er vanskeligere å administrere siden de krever muligheten til å bruke ekstern påloggingsfunksjoner for operativsystemet. I Windows er dette vanligvis via GUI Remote Desktop Protocol RDP I Unix-baserte systemer brukes kommandolinjen Secure SHell SSH. Unix-basert serverinfrastruktur er nesten alltid kommando - 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 fin al 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, back ups, 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 p db 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 exi sts 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 l ead 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, t hese 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. Sim ilarly, 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 dy namically-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 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 t ype 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 inte rpreted 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 goo d 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, inclu ding 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 require s 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.