Deutsche Boerse kjøper valutahandel. Deutsche Boerse uttalte på søndag at det sikkert vil kjøpe det tyskbaserte FX handelssystemet 360T for 725 millioner euro 796 millioner.360T er blant en håndfull multi-bank, multi-user systemer som faktisk har endret seg Forex trading over de foregående årene Deutsche Boerse beseiret amerikanske eiendeler samt valutaveksling driver CME Group CME O i den offentlige auksjonen, ifølge ressursene kjent med tilbudet. 30 januar 30.Buck Falls som Manufacturing Facility. Bloomberg s skala av papirpenger mot 10 jevnaldrende glidet etter den ideelle to-dagers gevinsten i 3 uker blant rekord som avslørte produksjonen redusert mest i løpet av et år i mars, så vel som kommersiell produksjon droppet Kundens selvtillit plutselig falt i april til svakeste grad i 7 måneder. Økonomiske poster har faktisk sporet ekspertvurderinger siden begynnelsen av måneden, ifølge en Bloomberg finansiell sjokkprosedyre. JANU ARY 30 21 30.Duping Band-Aids i FX blog. Currently er øyeblikket for å frigjøre artikkelen yrkessystemer som passer til et marked som gjenstår å introdusere raskt, mens i tillegg utvikle seg rett inn i et redusert margin selskap. Blogg innlegg yrke rammeverk i området i dag ble opprettet da telefonselskapet var den ledende metoden for handel. Med digital handel skiftende stemme for hovedparten av kjøp, må yrkeshåndteringen i tillegg utvikles. Lag en kommentar. Bygg et E-mini-handelssystem ved hjelp av PHP og avanserte MySQL-spørringer. Denne artikkelen viser illustrerende eksempler på hvordan PHP og noen avanserte MySQL-spørringer kan brukes til å bygge et nettbasert handelssystem. For enkelhet vil vi være med en av de vanligste aksjeindeksene SP 500-indeksen. Dette kalles også E-mini SP 500 futures en av de mest omsatte aksjene futures. As september 2009 var det ikke noe nåværende handelssystem på Internett drevet av PHP og MySQL til tross for plattformens pop ularity blant open source communities. Et handelssystem brukes til å gå inn og ut av en handel i et aksje - eller futuresmarked. Selv om du i å utveksle en handel for å hente fortjeneste og kontroll tap, er pengehåndtering et mer nyttig verktøy enn et handelssystem. For å skape en fullt fungerende handelssystem, trenger du følgende prosesser. Rå data skal hentes fra en anerkjent kilde for SP 500-indeksdata. I denne artikkelen vil vi bruke Yahoo Finance-data. Eksportfilen er for det meste og Excel, så du trenger først å eksportere de raske dataene til MySQL-databasen Se detaljer under. Hjertet i prosessen er handelssystemet Det er en metode for å analysere rå data og dømme. Hver handelsmann har sitt eget handelssystem å følge, men i dette eksemplet, vi vil bruke følgende regler. Rule 1 Definer Delta som forskjellen mellom 50 dagers glidende gjennomsnitt og 200 glidende gjennomsnitt Hvis deltaet er positivt, indikerer det en bullish trend, ellers er det bearish. Du kan lese mer om å flytte gjennomsnitt. le 2 Definer styrken av trenden som Delta MA 200 Dette kvantifiserer styrken av trenden Bruk historiske data definer grenser for vurdering Beregning av grenser er ute av bruk for denne opplæringen Dette er mer som en trendbekreftelse. Bruk PHP til å vise dataene i HTML-tabeller mens du bruker MySQL-forhåndsforespørsler, beregner gjennomsnitt og får indeksdata til å gjøre noen beregninger av det bevegelige gjennomsnittet. Steg 1 Last ned rå SP 500-indeksdata fra og formater Excel-tabellen for å se ut som bildet nedenfor, slett unødvendige kolonner som handelsvolumer og legg til den nye kolonneoppføringen. Din MySQL-tabell skal se ut som den over. Imidlertid er skjermbildet ovenfor fortsatt i format. Steg 2 Konverter til og last opp til MySQL-serveren Du kan lese en artikkel som forklarer hvordan du konverterer Excel-regnearket. Trinn 3 Det er på tide å skrive PHP-skriptet Først kobler vi til databasen ved hjelp av skriptet nedenfor. Koble til MySQL-databasen. brukernavn ditt mysql brukernavn. passord ditt mysql passord. vertsnavn ditt mysql vertsnavn. database din mysql database. dbhandle mysqlconnect vertsnavn, brukernavn, passord. or dør Kan ikke koble til MySQL. velg en database for å arbeide with. or die Kunne ikke velge database. Step 4 For å vite hvor mange rader er i databasen, som er en verdi som vil bli brukt i vår beregning, vil vi spørre MySQL. telle antall rader i databasen inkludert den nyeste oppføringen. result1 mysqlquery VELG FRA sp500. lagre oversikten over eksempeltabellen i row. or dør Ugyldig spørring mysqlerror. Skriv ut innholdet i oppføringen. Nummeret inneholder det maksimale antall rader i MySQL-tabellen i bildet ovenfor, det er 15020 Dataene i MySQL-tabellen vil bli ordnet fra de siste oppføringene helt ned til gamle oppføringer. skjermbildet over. Mysqlnumrows vil bli brukt til å telle antall rader i tabellen SP500.Step 5 Beregn den siste oppføringen som skal vises i HTML-tabellen Siden vi vil vise bare de siste 50 radene, vil følgende bli brukt. Lastetry numberofentries -50 1.Dette betyr at vi for eksempel har 15020 oppføringer i tabellen vi vil vise dem fra start 15020 til 15020-50 1 eller inngang 14971 Denne verdien, så vel som maksimumsoppføringen ovenfor, vil Endre ettersom handelsdager går forbi. Skrift 6 Gjør en MySQL-spørring for å trekke ut de siste 50 dagene av oppføringene. result2 mysqlquery VELG FRA SP500 HVOR inntasting lastentry OG oppføringsnummerofentries BESTILL ETTER INNLEDNING DESC. Den vanskelige delen er å sortere de resulterte spørringene etter synkende rekkefølge Dette vil sikre at resultatene blir sortert fra de nyeste til eldste oppføringene. Step 7 Definer grensene for 200-dagers glidende gjennomsnitt og 50-dagers glidende gjennomsnitt. Definer grenser for 200 dagers glidende gjennomsnitt. lowerlimit numberofentries 200 1. Definer grenser for 50 dagers glidende gjennomsnitt. lowerlimit50 numberofentries 50 1.Step 8 Definer MySQL-spørringen for å beregne 200-dagers glidende gjennomsnitt. result3 mysqlquery SELECT avg nært fra sp500 HVOR oppføring lowerlimit OG entry upperlimit. lagre oversikten over eksempeltabellen i row. or dør Ugyldig spørring mysqlerror. Skriv ut innholdet i oppføringen. Steg 9 Definer MySQL-spørringen for å beregne 50-dagers glidende gjennomsnitt. result4 mysqlquery VELG avg nær sp500 HVOR oppføring lowerlimit50 OG oppføring upperlimit. lagre oversikten over eksempeltabellen i row. or dør Ugyldig spørring mysqlerror. Skriv ut innholdet i oppføringen. Steg 10 Tilordne variabler og runde tall for enklere HTML-visning. Steg 11 Beregn DELTA og runde resultater. Steg 12 Beregn STRENGTH og runde resultater. Steg 13 Lag PHP-skriptet for å lage anbefalinger. anbefaling over SATURATED BULL TREND VERY HIGH RISK BUYING. elseif z 5 1 z 8 5. anbefaling BEKRÆFTET BULL TREND HIGH RISK BUYING. elseif z 2 z 5. anbefaling BEKRÆFTET BULL TREND LOW RISK BUYING. elseif z 0 z 1 99. anbefaling UNCONFIRMED BULL TREND. elseif z 0 z -4 99. anbefaling UNCONFIRMED BEAR TREND. elseif z -5 z -8. anbefaling BEKREFTET BEAR TREND LOW RISK SHORT. anbefaling SATURATED BEAR TREND VERY HIGH RISK SHORT. Note terskelverdier ble tatt fra historiske poster av SP Disse beregningene er ikke omfattet av denne opplæringen. Step 14 Kombiner alle forespørsler ovenfor og beregninger Deretter skrives ut til et HTML-tabell ved hjelp av en WHILE loop. if mysqlnumrows result2 0. ekkoloddsbredde 100 cellpadding 10 cellespacing 10 border 1.echo bordbredde 100 border 1.echo tr td b Oppføring b td td b Dato b td td b Åpne b td td b Høy b td td b Lav b td td b Lukk b td td b MA200 b td td b MA50 b td td b Delta b td td b Styrke b td td b Anbefaling b td tr. while row2 mysqlfetchrow result2. result3 mysqlquery SELECT avg nært fra sp500 HVOR oppføring lowerlimit OG entry upperlimit. lagre oversikten over eksempeltabellen i row. or dør Ugyldig spørring mysqlerror. Skriv ut innholdet i oppføringen. result4 mysqlquery VELG avg nær sp500 HVOR oppføring lowerlimit50 OG oppføring upperlimit. lagre oversikten over eksempeltabellen i row. or dør Ugyldig spørring mysqlerror. Skriv ut innholdet i oppføringen. anbefaling over SATURATED BULL TREND VERY HIGH RISK BUYING. elseif z 5 1 z 8 5. anbefaling BEKRÆFTET BULL TREND HIGH RISK BUYING. elseif z 2 z 5. anbefaling BEKRÆFTET BULL TREND LOW RISK BUYING. elseif z 0 z 1 99. anbefaling UNCONFIRMED BULL TREND. elseif z 0 z -4 99. anbefaling UNCONFIRMED BEAR TREND. elseif z -5 z -8. anbefaling BEKREFTET BEAR TREND LOW RISK SHORT. anbefaling SATURATED BEAR TREND VERY HIGH RISK SHORT. Post navigasjon. Beste programmeringsspråk for algoritmiske handelssystemer. Et av de vanligste spørsmålene jeg mottar i QS-postbag er Hva er det beste programmeringsspråket for algoritmisk handel Det korte svaret er at det ikke er noe beste språk Strategi parametere, ytelse, modularitet, utvikling, resiliency og kostnad må alle vurderes Denne artikkelen vil skissere de nødvendige komponentene i en algoritmisk handelssystemarkitektur og hvordan beslutninger om implementering påvirker valg av språk. Firstly de viktigste komponentene i en algoritmisk handelssystem vil bli vurdert som for eksempel forskningsverktøy, porteføljeoptimerer, risikostyring og utførelsesmotor. Deretter undersøkes ulike handelsstrategier og hvordan de påvirker systemets utforming. Spesielt vil frekvensen av handel og det sannsynlige handelsvolumet både bli diskutert. Når handelsstrategien er valgt, er det nece ssary til arkitekt hele systemet Dette inkluderer valg av maskinvare, operativsystem s og systemresistens mot sjeldne, potensielt katastrofale hendelser. Mens arkitekturen vurderes, må det tas hensyn til ytelse - både for forskningsverktøyene og for levende utførelsesmiljø. 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 rent utført basert. Vil systemet kreve en risikostyring eller porteføljekonstruksjonsmodul Vil systemet kreve en høy ytelse 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 en stor innvirkning på beregningsintensiteten til backtesteren CPU-hastighet og samtidighet er ofte begrensende faktorer for optimalisering av utførelseshastigheten for forskning. Signalgenerering er opptatt av å generere et sett med handelssignaler fra en algoritme og sende slike ordrer til markedet, vanligvis via en megler 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 hele systemet kan derfor være ganske forskjellig. Type, Frekvens og Volum av Strategi. Type anvendt algoritmisk strategi 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, avviket mellom enkel utvikling og ytelsesoptimalisering, samt alle tilpassede maskinvare, inkludert samlokaliserte egendefinerte servere , GPUer eller FPGAer som kan være nødvendige. Teknologifunksjonene for en lavfrekvens US-aksjestrategi vil være vesentlig forskjellig fra en høyfrekvent statistisk arbitrage-strategi som handler på futuresmarkedet. Før valg av språk må mange dataleverandører være evaluert som angår en strategi for hånden. Det vil være nødvendig å vurdere tilkobling til leverandøren, strukturen til eventuelle APIer, aktualitet av dataene, lagringskrav og fleksibilitet i møte med en leverandør som går frakoblet. 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 plattformens design. Frekvensen av strategien er sannsynlig å være en av de største driverne for hvordan teknologibakken vil bli definert Strategier som bruker data hyppigere enn små eller andre linjer krever betydelig overveielse 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 lagres og evalueres. Programmer som HDF5 eller kdb er ofte brukes 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 sannsynligvis den sterkeste språkkandidaten. 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 Den sistnevnte innebærer omfattende numeriske beregninger over mange parametre og datapunkt ts 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. Typiske IDEer i dette rommet inkluderer Microsoft Visual CC, som inneholder omfattende feilsøkingsverktøy, kode ferdigstillingsfunksjoner 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 konsol-måte, R Studio som bryter inn den statistiske språkkonsollen R 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. For numerisk backtesting er alle ovennevnte språk egnet, selv om det er ikke nødvendig å bruke en GUI IDE som koden vil bli utført i bakgrunnen Hovedspørsmålet på dette stadiet er det med kjøringshastighet Et kompilert språk som C er ofte nyttig hvis dimensjonene for backtesting-parametrene er store. Husk at det er nødvendig å være forsiktig med slike systemer hvis det er tilfelle. Interpreterte språk slik da Python ofte bruker brukervennlige biblioteker som NumPy pandas for backtesting-trinnet, for å opprettholde en rimelig grad av konkurranseevne med kompilerte ekvivalenter. Endelig vil språket som er valgt for backtesting, bestemmes av spesifikke algoritmiske behov så vel som rekkevidden av bibliotekene som er tilgjengelige 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. Porteføljebygging og risikostyring. Porteføljens konstruksjon og risikostyringskomponenter blir ofte oversett av detaljhandel algoritmisk handelsfolk Dette er nesten alltid en feil Disse verktøyene gir mekanismen som kapital vil bli bevart De forsøker ikke bare å lette antall risikable spill, men også minimere kvelning av handelen selv, og redusere transaksjonskostnadene. Avanserte versjoner av disse komponentene kan ha en vesentlig effekt på lønnsomhet og konsistens Det er greit å skape en stabil strategi fordi porteføljesbyggingsmekanismen og risikostyringen lett kan endres for å håndtere flere systemer. Derfor bør de betraktes som essensielle komponenter ved inngangen til utformingen av en algoritmisk handelssystem. Jobben til porteføljesystemet er å ta et sett av ønskede bransjer og produsere settet av faktiske handler som minimerer kvelning, opprettholder eksponeringer mot ulike faktorer som sektorer, aktivaklasser, volatilitet etc. og optimaliserer kapitalfordelingen til ulike strategier i en portefølje. Porteføljebygging reduserer ofte til en lineær algebra problem som matrisefaktorisering og dermed ytelse er høyt avhengig av effektiviteten til den numeriske lineære algebraimplementeringen. Felles biblioteker inkluderer uBLAS LAPACK og NAG for C MatLab har også omfattende optimaliserte matriseprosesser. Python benytter NumPy SciPy for slike beregninger. En ofte gjenbalansert portefølje vil krever et kompilert og godt optimalisert matrisebibliotek for å gjennomføre dette trinnet for ikke å flaskehals handelssystemet. Risikostyring er en annen ekstremt viktig del av et algoritmisk handelssystem Risiko kan komme i mange former Økt volatilitet, selv om dette kan ses som ønskelig for bestemte strategier, økte korrelasjoner mellom aktivaklasser, motpartsstandard, serveravbrudd, svarte svanehendelser og uoppdagede feil i handelskoden, for å nevne noen. Risikostyringskomponenter forsøker og forutsier effektene av overdreven volatilitet og korrelasjon mellom aktivaklasser og deres påfølgende effekt s på handel kapital Ofte reduseres dette til et sett med statistiske beregninger som Monte Carlo stresstester Dette er svært lik de beregningsmessige behovene til en derivatprisemotor og som sådan vil være CPU-bundet. Disse simuleringene er svært parallelliserbare se nedenfor og, til en viss grad , er det mulig å kaste maskinvare på problemet. Ekspedisjonssystemer. Jobben i kjøringssystemet er å motta filtrerte handelssignaler fra porteføljekonstruksjon og risikostyringskomponenter og sende dem videre til megling eller annen form for markedsadgang. For flertallet av detaljhandel algoritmiske trading strategier dette innebærer en API eller FIX tilkobling til en megling som Interactive Brokers De primære hensyn når du bestemmer deg for et språk inkluderer kvalitet på API, språk-wrapper tilgjengelighet for en API, eksekveringsfrekvens og forventet slippage. Kvaliteten av API-en refererer til hvor godt dokumentert det er, hvilken type ytelse det gir, om det trenger frittstående softwa for å få tilgang til eller om en gateway kan etableres på en hodeløs måte, dvs. ingen GUI. For Interactive Brokers må Trader WorkStation-verktøyet kjøres i et GUI-miljø for å få tilgang til API-en. Jeg måtte en gang installere en stasjonær PC 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 måler er å se hvor mange nye oppdateringer til en kodebase er blitt gjort i de siste månedene. Ekspansjonsfrekvensen er av største betydning i utførelsesalgoritmen. Merk at hundrevis av ordrer kan sendes hvert minutt, og som sådan er ytelsen kritisk. gjennom et dårlig utførende kjøresystem, og dette vil ha en dramatisk innvirkning på lønnsomheten. Statisk skrivte språk, se nedenfor, slik som C Java, er generelt optimal for utførelse, men det er et avslag i utviklings tid, testing og vedlikeholdsvennlighet. Dynamisk - Typiske 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 utviklingsprosessen. Komponentene i en handel system, 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, risiko administrasjons - og utførelsesparametere, og også den endelige implementeringen av systemet Før du drar til bestemte språk, vil utformingen av en optimal systemarkitektur bli diskutert. Separasjon av bekymringer. En av de viktigste avgjørelsene som må gjøres fra begynnelsen, er hvordan man skiller problemene i et handelssystem. I programvareutvikling betyr dette i hovedsak hvordan man bryter opp de ulike aspektene av handelssystemet i egne 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 praksis for slike systemer. frekvenser slik praksis anbefales. 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 av et algoritmisk handelssystem er verdt en artikkel i seg selv En optimal tilnærming er imidlertid å sørge for at det er separate komponenter for det historiske og sanntidsmarkedet dat en inngang, datalagring, datatilgang API, backtester, strategiparametere, porteføljekonstruksjon, risikostyring og automatiserte eksekveringssystemer. For eksempel, hvis datalageret som brukes, for tiden er underpresterende, selv om det er betydelige optimaliseringsnivåer, kan det byttes ut med minimal omskrivning til datainntak eller data tilgang API Så langt som backtester og påfølgende komponenter er bekymret, er det ingen forskjell. En annen fordel med separerte komponenter er at det gjør at en rekke programmeringsspråk kan brukes i det overordnede systemet der 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 saken av et backtesting system skrives i C for nummerkrympende ytelse, mens porteføljestyring og utførelsessystemer er skrevet i Python using S ciPy og IBPy. Performance Considerations. Performance er et vesentlig hensyn til de fleste handelsstrategier. For høyere frekvensstrategier er det den viktigste faktoren. Resultatet dekker et bredt spekter av problemer, som algoritmisk eksekveringshastighet, nettverkslatens, båndbredde, data IO, parallell parallellisme og skalering Hvert 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 tanke på deres effekt på ytelse. Den rådende visdom som uttalt av Donald Knuth en av fedrene til datavitenskap, 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 inn Den enkleste måten er mulig og optimaliseres bare når flaskehalser begynner å vises. Profileringsverktøy brukes til å bestemme wh Hele flaskehalser oppstår Profiler kan gjøres for alle faktorene som er oppført ovenfor, enten i et MS Windows eller Linux-miljø. Det er mange operativsystem og språkverktøy tilgjengelig for det, samt tredjepartsverktøy. Språkvalg vil nå bli diskutert i kontekst av 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. Et unntak er at svært tilpasset maskinvarearkitektur kreves, og en algoritme gjør mye bruk av proprietære utvidelser, for eksempel tilpassede caches. Men ofte gjenoppfinnelse av hjulavfallet tid som kunne bli bedre brukt å utvikle og optimalisere andre deler av handelsinfrastrukturen. Utviklingstiden er ekstremt precio oss spesielt i sammenheng med eneste utviklere. Latency er ofte et problem med utførelsessystemet som forskningsverktøyene vanligvis ligger på samme maskin. For det første kan latens forekomme på flere punkter langs utførelsesbanen. Databaser må konsulteres for nettverkslatens , 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 en dyp område og er vesentlig utenfor artikkelen, men hvis en UHFT-algoritme er ønsket, vær da oppmerksom på dybden av kunnskap som kreves. Caching er veldig nyttig i verktøykassen til en kvantitativ handelsutvikler. Caching refererer til begrepet lagring av ofte tilgangsdata i en måte som tillater høyere ytelse, på bekostning av potensiell stallhet av dataene A c ommontering av tilfelle skjer i webutvikling når du tar data fra en diskbasert relasjonsdatabase og legger den i minnet. Eventuelle etterfølgende forespørsler om dataene behøver ikke å treffe databasen, og prestasjonsgevinster kan derfor være signifikante. For handelssituasjoner kan caching være ekstremt fordelaktig For eksempel kan den nåværende tilstanden til 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 vil trolig være en høy CPU eller disk IO-operasjon. Imidlertid er caching ikke uten egne problemer. Regenerering av hurtigbufferdata på en gang, på grunn av volatiliseringsegenskapen til hurtiglagringsplass, kan stille betydelig etterspørsel etter infrastruktur. Et annet problem er hundespann hvor flere generasjoner av en ny cache kopi er utført under ekstremt høy belastning, noe som fører til kaskadesvikt. Dynamisk minneallokering er en dyr operasjon i programvareutførelse Dermed er det avgjørende for høyere perfor Mance trading applikasjoner skal være godt klar over hvordan minne blir tildelt og fordelt under programflyten. Nye språkstandarder som Java, C og Python utfører automatisk automatisk søppelsamling som refererer til deallokering av dynamisk allokert minne når gjenstander går utenfor omfanget. er ekstremt nyttig under utviklingen, da det reduserer feil og hjelpemidler. 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, det er mulig å oppnå høy ytelse for HFT-strategier. C gir ikke en innfødt søppelkollektor, og så er det nødvendig å håndtere all minneallokering som en del av en objekt s implementering. Mens potensielt feilproblemer som potensielt fører til dangling-pekere, er det ekstremt nyttig å ha finkornet kontroll over hvordan objekter vises på bunken for visse applikasjoner ons Når du velger språk, sørg for å studere hvordan søppelkollektor fungerer, og om det kan modifiseres for å optimalisere for en bestemt brukstilfelle. Mange operasjoner i algoritmiske handelssystemer kan brukes til parallellisering. Dette refererer til konseptet med å gjennomføre flere programmatiske operasjoner ved Samtidig, det vil si parallelt. De såkalte skremmende parallelle algoritmene inkluderer trinn som kan beregnes fullt ut uavhengig av andre trinn. Visse statistiske operasjoner, som Monte Carlo-simuleringer, er et godt eksempel på embarassingly parallelle 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 eksempel der domenet til beregning kan deles opp, men i siste rekke må disse domenene kommunisere med hverandre og dermed operasjonene er delvis sekventielle Paralleliserbare algoritmer er underlagt Amdahls lov som gir en teoretisk øvre grense for ytelsesøkningen av en parallellisert algoritme når den er underlagt N separate prosesser, for eksempel på en CPU-kjerne eller - drage. Parallellisering har blitt stadig viktigere som et middel for optimalisering siden prosessorens klockhastighet har stagnert, da nyere prosessorer inneholder mange kjerner for å utføre parallelle beregninger Stigningen av forbruksgrafikkhardware som hovedsakelig for videospill har ført til utviklingen av grafiske prosesseringsenheter GPUer, som inneholder hundrevis av kjerner for svært samtidige operasjoner. Slike GPUer er nå veldig rimelige Høytliggende rammer, for eksempel 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 Gate Arrays - FPGAs brukes til U HFT i dag, mest moderne langauges støtte en grad av samtidighet multithreading Således er det greit å optimalisere en backtester, siden alle beregninger er generelt uavhengige av de andre. Oppskalering i programvare engineering og operasjoner refererer til systemets evne til å håndtere kontinuerlig økende belastninger i form av større forespørsler, høyere prosessorbruk og mer minneallokering. I algoritmisk handel a Strategien er i stand til å skalere hvis den kan akseptere større mengder kapital og fortsatt produsere konsistente avkastninger. Handelssteknologi stabelen skalerer hvis den kan tåle større handelsvolumer og økt ventetid uten flaskehalsing. Mens systemene skal være konstruert for å skalere, er det ofte vanskelig å Forutsi på forhånd hvor en flaskehals vil oppstå. Fast logging, testing, profilering og overvåkning vil hjelpe sterkt til å tillate et system å skalere. Språk er ofte beskrevet som uskalelig. Dette er vanligvis et resultat av feilinformasjon, snarere enn hardt faktum. Det er den totale teknologistakken som bør fastslås for skalerbarhet, ikke språket. Klart visse språk ha har større ytelse enn andre i spesielle brukstilfeller, men ett språk er aldri bedre enn en annen i alle forstand. En måte å styre skalering på er å skille bekymringer som nevnt ovenfor For å ytterligere introdusere evnen til å håndtere pigger i systemet, dvs. plutselig 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 ha rdware 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 environme nt 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 s imply 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 programmin g 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, a t 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 b reached, 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 f or testing the restoration of such data Many individuals do not test a restore strategy If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment. Similarly, high availability needs to be baked in from the start Redundant infrastructure even at additional expense must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems I won t delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language. Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system The next stage is to discuss how programming languages are generally categorised. Type Systems. When choosing a language for a trading stack it is necessary to consider the type system The languages which are of interest for algorithmic trading are either statically - or dynamically-typed A statically-typed language performs checks of the types e g integers, floats, custom classes etc during the compilation process Such languages include C and Java A dynamically-typed language performs the majority of its type-checking at runtime Such languages include Python, Perl and JavaScript. For a 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, ofte n 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 documen tation 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 soft ware 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 Pytho n 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 ins tance. 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 B rokers 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.
No comments:
Post a Comment