Estratégia de negociação java

Escolhendo uma plataforma para backtesting e execução automatizada.
Escolhendo uma plataforma para backtesting e execução automatizada.
Neste artigo, o conceito de execução automatizada será discutido. De um modo geral, este é o processo de permitir que uma estratégia de negociação, através de uma plataforma de negociação eletrônica, gere sinais de execução comercial sem qualquer intervenção humana subsequente. A maioria dos sistemas discutidos no QuantStart até o momento foram projetados para serem implementados como estratégias de execução automatizadas. O artigo descreverá pacotes de software e linguagens de programação que fornecem recursos de backtesting e execução automatizada.
A primeira consideração é como backtest uma estratégia. Minha visão pessoal é que o desenvolvimento personalizado de um ambiente de backtesting dentro de uma linguagem de programação de primeira classe fornece a maior flexibilidade. Por outro lado, uma plataforma de backtesting integrada desenvolvida pelo fornecedor sempre terá que fazer suposições sobre como os backtests são realizados. Apesar disso, a escolha de linguagens de programação disponíveis é grande e diversificada, o que muitas vezes pode ser esmagador. Não é óbvio, antes do desenvolvimento, qual idioma é adequado.
Ao codificar uma estratégia em regras sistemáticas, o profissional quantitativo deve estar confiante de que seu desempenho futuro refletirá seu desempenho passado. Geralmente, existem duas formas de sistema de backtesting que são utilizadas para testar essa hipótese. Em geral, eles são categorizados como back testers de pesquisa e back testers orientados a eventos. Consideraremos backtesters personalizados versus produtos de fornecedores para esses dois paradigmas e veremos como eles se comparam.
Ferramentas de pesquisa.
Ao identificar estratégias de negociação algorítmica, geralmente é desnecessário simular totalmente todos os aspectos da interação com o mercado. Em vez disso, podem ser feitas aproximações que fornecem determinação rápida do desempenho da estratégia em potencial. Tais ferramentas de pesquisa muitas vezes fazem hipóteses irrealistas sobre os custos de transação, preços de preenchimento provável, restrições de curto prazo, dependência de local, gerenciamento de risco e dimensionamento de posição. Apesar dessas deficiências, o desempenho de tais estratégias ainda pode ser efetivamente avaliado. Ferramentas comuns para pesquisa incluem MATLAB, R, Python e Excel.
Esses pacotes de software são fornecidos com recursos de vetorização que permitem velocidade de execução rápida e implementação de estratégia mais fácil. MATLAB e pandas são exemplos de sistemas vetorizados. Com essas ferramentas de pesquisa, é possível testar várias estratégias, combinações e variantes de maneira rápida e iterativa, sem a necessidade de "concretizar" completamente uma simulação realística de interação com o mercado.
Embora tais ferramentas sejam frequentemente usadas tanto para backtesting quanto para execução, esses ambientes de pesquisa geralmente não são adequados para estratégias que abordam a negociação intradia em frequências mais altas em escala de sub-minuto. Essas bibliotecas não tendem a se conectar efetivamente a fornecedores de dados de mercado em tempo real nem a interagir com APIs de corretagem de maneira robusta.
Apesar dessas deficiências executivas, os ambientes de pesquisa são muito utilizados no setor de comércio quantitativo profissional. Eles fornecem o "primeiro rascunho" para todas as ideias estratégicas antes da promoção para verificações mais rigorosas dentro de um ambiente realista de backtesting.
Backtesting baseado em eventos.
Uma vez que uma estratégia seja considerada adequada na pesquisa, ela deve ser avaliada de maneira mais realista. Tal realismo tenta explicar a maioria (se não todas) das questões descritas nos posts anteriores. A situação ideal é poder usar o mesmo código de geração de comércio para o backtesting histórico, bem como a execução ao vivo. Isto é conseguido através de um backtester baseado em eventos.
Os sistemas orientados a eventos são amplamente utilizados na engenharia de software, geralmente para manipular a entrada da interface gráfica do usuário (GUI) em sistemas operacionais baseados em janelas. Eles também são ideais para negociação algorítmica, pois a noção de pedidos de mercado em tempo real ou preenchimentos de negociação pode ser encapsulada como um evento. Tais sistemas são geralmente escritos em linguagens de alto desempenho, como C ++, C # e Java.
Considere uma situação em que uma estratégia de negociação automatizada está conectada a um feed de mercado em tempo real e a um corretor (esses dois podem ser um e o mesmo). Novas informações de mercado serão enviadas ao sistema, o que acionará um evento para gerar um novo sinal de negociação e, portanto, um evento de execução. Esses sistemas são executados em um loop contínuo, aguardando para receber eventos e manipulá-los adequadamente.
É possível gerar subcomponentes, como um manipulador histórico de dados e um simulador de corretagem, que podem imitar suas contrapartes ao vivo. Isso permite estratégias de backtesting de uma maneira extremamente semelhante à da execução ao vivo.
A desvantagem de tais sistemas reside no seu projeto complicado quando comparado a uma ferramenta de pesquisa mais simples. Portanto, "tempo para comercializar" é mais longo. Eles são mais propensos a erros e exigem um bom conhecimento de programação e metodologia de desenvolvimento de software.
Em termos de engenharia, a latência é definida como o intervalo de tempo entre uma simulação e uma resposta. Em negociação quantitativa, geralmente se refere ao atraso de tempo de ida e volta entre a geração de um sinal de execução e o recebimento das informações de preenchimento de um corretor que executa a execução.
Tal latência raramente é um problema em estratégias interdias de baixa frequência. O movimento esperado dos preços durante o período de latência não afetará a estratégia em grande medida. O mesmo não acontece com as estratégias de frequência mais alta, em que a latência se torna extremamente importante. O objetivo final da HFT é reduzir o máximo possível a latência para reduzir o escorregamento.
Diminuir a latência envolve minimizar a "distância" entre o sistema de negociação algorítmica e a troca final na qual um pedido está sendo executado. Isso pode envolver o encurtamento da distância geográfica entre os sistemas, reduzindo assim os tempos de viagem ao longo do cabeamento da rede. Também pode envolver a redução do processamento realizado em hardware de rede ou a escolha de uma corretora com infraestrutura mais sofisticada. Muitas corretoras competem em latência para conquistar negócios.
A diminuição da latência se torna exponencialmente mais cara em função da "distância da internet", que é definida como a distância da rede entre dois servidores. Assim, para um operador de alta frequência, um compromisso deve ser alcançado entre o gasto de redução de latência e o ganho de minimização do escorregamento. Estas questões serão discutidas na seção sobre Colocation abaixo.
Opções de idioma.
Alguns problemas que direcionam a escolha da linguagem já foram descritos. Agora vamos considerar os benefícios e desvantagens de linguagens de programação individuais. Eu categorizei amplamente as linguagens em desenvolvimento de alto desempenho / mais difícil versus desempenho mais baixo / desenvolvimento mais fácil. Estes são termos subjetivos e alguns discordarão dependendo de seu histórico.
Um dos aspectos mais importantes da programação de um ambiente de backtesting customizado é que o programador está familiarizado com as ferramentas que estão sendo usadas. Para aqueles que são novos no cenário da linguagem de programação, o seguinte esclarecerá o que tende a ser utilizado no comércio algorítmico.
C ++, C # e Java.
C ++, C # e Java são exemplos de linguagens de programação orientadas a objetos de uso geral. Isso significa que eles podem ser usados ​​sem um ambiente de desenvolvimento integrado (IDE) correspondente, são todos de plataforma cruzada, têm uma ampla variedade de bibliotecas para praticamente todas as tarefas imagináveis ​​e permitem velocidade de execução rápida quando utilizadas corretamente.
Se a velocidade de execução final for desejada, C ++ (ou C) provavelmente será a melhor escolha. Oferece a maior flexibilidade para gerenciar memória e otimizar a velocidade de execução. Essa flexibilidade tem um preço. C ++ é difícil de aprender bem e pode levar a bugs sutis. O tempo de desenvolvimento pode demorar muito mais do que em outros idiomas. Apesar dessas deficiências, é difundida no setor financeiro.
C # e Java são semelhantes, pois ambos exigem que todos os componentes sejam objetos, com exceção dos tipos de dados primitivos, como floats e inteiros. Eles diferem do C ++ executando a coleta de lixo automática. A coleta de lixo adiciona uma sobrecarga de desempenho, mas leva a um desenvolvimento mais rápido. Essas linguagens são boas escolhas para o desenvolvimento de um backtester, pois possuem recursos de GUI nativos, bibliotecas de análise numérica e velocidade de execução rápida.
Pessoalmente, eu uso o C ++ para criar backtesters acionados por eventos que precisam de velocidade de execução extremamente rápida, como para sistemas HFT. Isto é somente se eu senti que um sistema orientado a eventos do Python foi afunilado, já que a última linguagem seria minha primeira escolha para tal sistema.
MATLAB, R e Python.
O MATLAB é um IDE comercial para computação numérica. Ele ganhou ampla aceitação nos setores acadêmico, de engenharia e financeiro. Tem muitas bibliotecas numéricas para computação científica. Ele possui uma velocidade de execução rápida sob a suposição de que qualquer algoritmo que esteja sendo desenvolvido está sujeito à vetorização ou paralelização. Apesar dessas vantagens, é caro, tornando-o menos atraente para os comerciantes de varejo em um orçamento. Às vezes, o MATLAB é usado para execução direta em uma corretora como a Interactive Brokers.
R é um ambiente de script de estatísticas dedicado. É gratuito, de código aberto, multiplataforma e contém uma grande variedade de pacotes estatísticos disponíveis gratuitamente para a realização de análises extremamente avançadas. R é amplamente utilizado em estatísticas acadêmicas e na indústria quantitativa de hedge funds. Embora seja possível conectar R a uma corretora não é bem adequado para a tarefa e deve ser considerado mais uma ferramenta de pesquisa. Ele também não tem velocidade de execução, a menos que as operações sejam vetorizadas.
Eu agrupei o Python sob esse cabeçalho, embora ele esteja em algum lugar entre o MATLAB, R e as linguagens de propósito geral mencionadas anteriormente. É gratuito, de código aberto e multiplataforma. Ele é interpretado como oposto a compilado, o que o torna mais lento do que o C ++. No entanto, ele contém uma biblioteca para realizar praticamente qualquer tarefa imaginável, desde a computação científica até o design de servidores web de baixo nível. Em particular, ele contém NumPy, SciPy, pandas, matplotlib e scikit-learn, que fornecem um ambiente de pesquisa numérica robusto que, quando vetorizado, é comparável à velocidade de execução da linguagem compilada.
O Python também possui bibliotecas para se conectar a corretoras. Isso faz com que seja um "balcão único" para criar um backtesting orientado a eventos e um ambiente de execução ao vivo sem ter que entrar em outros idiomas mais complexos. A velocidade de execução é mais do que suficiente para os negociadores intradiários que negociam na escala de tempo de minutos e acima. O Python é muito simples de aprender e aprender quando comparado a linguagens de baixo nível como o C ++. Por essas razões, usamos extensivamente o Python nos artigos da QuantStart.
Ambientes Integrados de Desenvolvimento.
O termo IDE tem vários significados dentro da negociação algorítmica. Os desenvolvedores de software usam isso para significar uma GUI que permite a programação com recursos de realce de sintaxe, navegação de arquivos, depuração e execução de código. Os traders algorítmicos usam isso para significar um ambiente de backtesting / negociação totalmente integrado com histórico ou download de dados em tempo real, gráficos, avaliação estatística e execução ao vivo. Para nossos propósitos, eu uso o termo para significar qualquer ambiente de backtest / trading, frequentemente baseado em GUI, que não é considerado uma linguagem de programação de uso geral.
Embora alguns traders de quantificação possam considerar o Excel impróprio para negociação, descobri que ele é extremamente útil para a "verificação de integridade" dos resultados. O fato de que todos os dados estão diretamente disponíveis à vista facilita a implementação de estratégias muito básicas de sinal / filtro. Corretoras como Interactive Brokers também permitem plugins DDE que permitem ao Excel receber dados de mercado em tempo real e executar ordens de negociação.
Apesar da facilidade de uso, o Excel é extremamente lento para qualquer escala razoável de dados ou nível de computação numérica. Eu só uso para verificação de erros ao desenvolver contra outras estratégias. Em particular, é extremamente útil para verificar se uma estratégia está sujeita a um viés de antecipação. Isso é fácil de detectar no Excel devido à natureza da planilha do software.
Se você não se sentir à vontade com as linguagens de programação e estiver executando uma estratégia interdias, o Excel pode ser uma boa escolha.
Software de backtesting comercial / varejo.
O mercado de gráficos de varejo, "análise técnica" e software de backtesting é extremamente competitivo. Os recursos oferecidos por esse software incluem gráficos em tempo real de preços, uma variedade de indicadores técnicos, idiomas personalizados de backtesting e execução automatizada.
Alguns fornecedores fornecem uma solução completa, como a TradeStation. A TradeStation é uma corretora on-line que produz software de negociação (também conhecido como TradeStation) que fornece execução de ordens eletrônicas em várias classes de ativos. Atualmente, não tenho conhecimento de uma API direta para execução automatizada. Em vez disso, os pedidos devem ser feitos através do software da GUI. Isso contrasta com a Interactive Brokers, que tem uma interface de negociação mais enxuta (Trader WorkStation), mas oferece APIs proprietárias de execução de ordens / mercado em tempo real e uma interface FIX.
Outra plataforma extremamente popular é o MetaTrader, que é usado em operações de câmbio para criar 'Expert Advisors'. Estes são scripts personalizados escritos em uma linguagem proprietária que pode ser usada para negociação automatizada. Eu não tive muita experiência com a TradeStation ou com o MetaTrader, então não vou gastar muito tempo discutindo seus méritos.
Tais ferramentas são úteis se você não estiver confortável com o desenvolvimento de software em profundidade e desejar que muitos dos detalhes sejam atendidos. No entanto, com esses sistemas muita flexibilidade é sacrificada e muitas vezes você está vinculado a uma única corretora.
Ferramentas de código aberto e baseadas na web.
Os dois sistemas populares de backtesting baseados na web são Quantopian e QuantConnect. O primeiro faz uso do Python (e ZipLine, veja abaixo), enquanto o último utiliza C #. Ambos fornecem uma riqueza de dados históricos. A Quantopian atualmente suporta negociação ao vivo com a Interactive Brokers, enquanto a QuantConnect está trabalhando para negociação ao vivo.
A Algo-Trader é uma empresa baseada na Suíça que oferece licenças de código aberto e comercial para o seu sistema. Pelo que posso reunir a oferta parece bastante madura e eles têm muitos clientes institucionais. O sistema permite o backtesting histórico completo e o processamento complexo de eventos e eles se conectam a Interactive Brokers. A edição Enterprise oferece substancialmente mais recursos de alto desempenho.
O Marketcetera fornece um sistema de backtesting que pode se conectar a muitas outras linguagens, como Python e R, para alavancar o código que você já tenha escrito. O 'Strategy Studio' fornece a capacidade de escrever código de backtesting, bem como algoritmos de execução otimizados e, subsequentemente, transição de um backtest histórico para live paper trading. Eu não os usei antes.
ZipLine é a biblioteca Python que alimenta o serviço Quantopian mencionado acima. É um ambiente de backtest totalmente orientado a eventos e atualmente suporta as ações dos EUA em uma base minuciosa. Eu não fiz uso extensivo do ZipLine, mas conheço outros que acham que é uma boa ferramenta. Ainda há muitas áreas para melhorar, mas a equipe está constantemente trabalhando no projeto e é muito ativamente mantida.
Há também alguns projetos hospedados no Github / Google Code que você pode querer examinar. Eu não passei muito tempo investigando-os. Esses projetos incluem OpenQuant, TradeLink e PyAlgoTrade.
Software de Backtesting Institucional.
Os sistemas de backtesting de nível institucional, como Deltix e QuantHouse, não são frequentemente utilizados por traders algorítmicos de varejo. As licenças de software geralmente estão bem fora do orçamento para infraestrutura. Dito isto, tal software é amplamente utilizado por quant funds, proprietary trading houses, family offices e similares.
Os benefícios de tais sistemas são claros. Eles fornecem uma solução completa para coleta de dados, desenvolvimento de estratégias, backtesting histórico e execução ao vivo de vários instrumentos ou portfólios, até o nível de alta frequência. Essas plataformas tiveram testes extensivos e muito uso "em campo" e, portanto, são consideradas robustas.
Os sistemas são orientados a eventos e os ambientes de backtesting muitas vezes podem simular os ambientes ao vivo com um alto grau de precisão. Os sistemas também suportam algoritmos de execução otimizados, que tentam minimizar os custos de transação. Isto é particularmente útil para os comerciantes com uma base de capital maior.
Tenho que admitir que não tive muita experiência com Deltix ou QuantHouse. Dito isto, o orçamento só os coloca fora do alcance da maioria dos comerciantes de varejo, por isso não vou me debruçar sobre esses sistemas.
Colocação.
O cenário de software para negociação algorítmica foi agora pesquisado. Agora podemos voltar nossa atenção para a implementação do hardware que executará nossas estratégias.
Um comerciante de varejo provavelmente estará executando sua estratégia em casa durante as horas de mercado. Isso envolverá ligar o PC, conectar-se à corretora, atualizar o software de mercado e permitir que o algoritmo seja executado automaticamente durante o dia. Por outro lado, um fundo quant financeiro profissional com ativos significativos sob gestão (AUM) terá uma infra-estrutura dedicada de servidores com colocação em troca, a fim de reduzir a latência, tanto quanto possível, para executar suas estratégias de alta velocidade.
Home Desktop.
A abordagem mais simples para a implantação de hardware é simplesmente executar uma estratégia algorítmica com um computador desktop doméstico conectado à corretora por meio de uma conexão de banda larga (ou similar).
Embora esta abordagem seja simples de começar, ela sofre de muitos inconvenientes. A máquina de mesa está sujeita a falha de energia, a menos que tenha o backup feito por um no-break. Além disso, uma ligação à Internet em casa também está à mercê do ISP. A perda de energia ou falha na conectividade com a Internet pode ocorrer em um momento crucial da negociação, deixando o operador algorítmico com posições abertas que não podem ser fechadas. Esse problema também ocorre com reinicializações obrigatórias do sistema operacional (isso realmente aconteceu comigo em uma configuração profissional!) E falha de componente, o que leva aos mesmos problemas.
Pelos motivos acima, hesito em recomendar uma abordagem de desktop doméstica para negociação algorítmica. Se você decidir seguir essa abordagem, certifique-se de ter um computador de backup E uma conexão de internet de backup (por exemplo, um dongle 3G) que possa ser usado para fechar posições em uma situação de inatividade.
O próximo nível de um desktop doméstico é fazer uso de um servidor virtual privado (VPS). Um VPS é um sistema de servidor remoto geralmente comercializado como um serviço de "nuvem". Eles são muito mais baratos que um servidor dedicado correspondente, já que um VPS é na verdade uma partição de um servidor muito maior. Eles possuem um ambiente de sistema operacional virtual isolado, disponível apenas para cada usuário individual. A carga da CPU é compartilhada entre vários VPS e uma parte dos sistemas RAM é alocada para o VPS. Tudo isto é realizado através de um processo conhecido como virtualização.
Os provedores comuns de VPS incluem o Amazon EC2 e o Rackspace Cloud. Eles fornecem sistemas de nível de entrada com pouca RAM e uso básico da CPU por meio de uma alta RAM pronta para a corporação e de altos servidores de CPU. Para a maioria dos comerciantes de varejo algorítmicos, os sistemas de nível de entrada são suficientes para estratégias intraday ou interday de baixa frequência e bancos de dados de dados históricos menores.
Os benefícios de um sistema baseado em VPS incluem disponibilidade 24 horas por dia (7 dias por semana), recursos de monitoramento mais robustos, plugins fáceis para serviços adicionais, como armazenamento de arquivos ou bancos de dados gerenciados e uma arquitetura flexível. Uma desvantagem é a despesa contínua. À medida que o sistema cresce, o hardware dedicado torna-se mais barato por unidade de desempenho. Esse ponto de preço pressupõe a colocação fora de uma troca.
Em comparação com um sistema de desktop doméstico, a latência nem sempre é melhorada com a escolha de um provedor de VPS. Seu local de residência pode estar mais próximo de uma determinada bolsa financeira do que os datacenters do seu provedor de nuvem. Isso é mitigado pela escolha de uma empresa que ofereça serviços de VPS voltados especificamente para transações algorítmicas que estão localizadas em ou perto de bolsas de valores. Estes provavelmente custarão mais do que um provedor VPS genérico, como Amazon ou Rackspace.
Colocação de Troca.
Para obter a melhor minimização de latência, é necessário colocar servidores dedicados diretamente no data center de troca. Esta é uma opção proibitivamente cara para quase todos os traders algorítmicos de varejo, a menos que estejam muito bem capitalizados. É realmente o domínio do fundo quantitativo profissional ou corretagem. Como mencionei acima, uma opção mais realista é comprar um sistema VPS de um provedor localizado próximo a uma bolsa.
Como pode ser visto, existem muitas opções para backtesting, execução automatizada e hospedagem de uma estratégia. A determinação da solução correta depende do orçamento, da capacidade de programação, do grau de customização exigido, da disponibilidade da classe de ativos e de a transação ser realizada em uma base de varejo ou profissional.
A Quantcademy.
Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.
Negociação Algorítmica Bem Sucedida.
Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.
Comércio Algorítmico Avançado.
Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Visão geral do AlgoTrader.
AlgoTrader é uma plataforma de negociação algorítmica baseada em Java que permite que as empresas de trading desenvolvam, simulem, implementem e automatizem rapidamente qualquer estratégia de negociação quantitativa para qualquer mercado. Projetado por especialistas do setor, ele oferece aos usuários o máximo controle de negociações baseadas em fatos e de alta velocidade para obter resultados consistentes e superiores.
BENEFÍCIOS EXTENSOS.
Automatizado - Qualquer estratégia de negociação quantitativa pode ser totalmente automatizada.
Rápido - Usando o motor Esper, grandes volumes de dados de mercado são processados, analisados ​​e processados ​​automaticamente em altíssima velocidade & # 8211; até 500.000 eventos por segundo.
Personalizável - A arquitetura de código aberto pode ser personalizada para requisitos específicos do usuário. Ao comprar uma licença, é fornecido acesso total ao código-fonte. Bibliotecas de terceiros podem ser integradas. E a consulta técnica está disponível.
Custo-benefício - aproveite a automação completa e recursos integrados para reduzir custos:
Confiável - Construído sobre arquitetura robusta e tecnologias de ponta, incluindo Java, Esper, Hibernate, Spring, ActiveMQ, QuickFix / J, Grails, Docker e outros.
Totalmente Suportado - Suporte abrangente está disponível para instalação e personalização. A documentação completa está online. Treinamento e consultoria no local e à distância estão disponíveis.
CAPACIDADES EXCLUSIVAS.
O AlgoTrader suporta estratégias algorítmicas que não são possíveis com outros aplicativos de software de negociação concorrentes:
Aproveite a combinação de instruções Java e Esper. A análise de dados de mercado baseada em tempo e a geração de sinal são codificadas em declarações Esperas semelhantes a SQL, enquanto ações procedurais, como colocar um pedido, são codificadas em código Java simples - o melhor dos dois mundos. Defina eventos personalizados como onMovingAverageCross, onExpiringFuture, onLastDayOfTheMonth, dailyAt6: 30pm, onStoppTriggered, etc., além de eventos padrão como onMarketData, onTick, onBar, onInit e onDayClose. Crie um sinal com base em um ou mais títulos, mas depois negocie com outros títulos. Negocie futuros e opções de forma contínua com laminação automática. Automatize estratégias quantitativas que seguem regras formais de negociação (potencialmente baseadas em Excel ou MatLab), mas que anteriormente precisavam ser negociadas manualmente devido à falta de uma plataforma de negociação adequada. Utilize estratégias baseadas em tempo que não podem ser programadas com linguagens de programação processuais tradicionais. Empregue funções de janelas baseadas em tempo, como durante, entre, depois, paralelamente, juntamente com, termina e começa.
METODOLOGIA ÚNICA.
O AlgoTrader não é outro pacote de software de daytraders baseado em gráficos com menus de arrastar e soltar fáceis de usar e centenas de indicadores, como Tradestation, MetaTrader ou NinjaTrader. Estratégias bem-sucedidas são baseadas em fatos econômicos, não em extensos testes ou análise de padrões gráficos de vários indicadores técnicos. O AlgoTrader possui funcionalidade de gráficos, mas apenas para monitorar as atividades de negociação atuais da estratégia e o estado no Live Trading.
O AlgoTrader também não é um típico aplicativo de negociação de alta frequência. Enquanto o mecanismo de Esper integrado processa até 500.000 eventos por segundo, o AlgoTrader é ideal quando a lógica de negociação complexa é mais importante que a latência na faixa de baixo milissegundo ou nanossegundo.
Últimas notícias.
AlgoTrader anuncia aumento de capital pós-semente.
AlgoTrader entre os 5 vencedores do Swisscom Startup Challenge.
Apresentando AlgoTrader 4.0 - Embalado com novos recursos poderosos.
Todos os direitos reservados.
Links Sociais.
Endereço Inferior.
Suíça Ligue para nós: +41 44 291 14 85 Email:
1. Vá para aws. amazon e clique em "Iniciar sessão na consola" & # 8221; (veja a imagem abaixo)
2. Se você ainda não tiver uma conta Amazon AWS, passe pelo processo de registro clicando em "Criar conta da AWS"
3. Depois de efetuar login no Amazon AWS Console, selecione “Minha conta” no menu no lado superior direito da tela, abaixo do seu nome de usuário.
4. Na próxima tela, você verá a ID da Amazon de 12 dígitos exibida em "Configurações da conta"
OS TERMOS E CONDIÇÕES DESTE CONTRATO DE LICENÇA DO USUÁRIO FINAL ("CONTRATO") GOVERNAM SEU USO DO SOFTWARE, A MENOS QUE VOCÊ E O LICENCIANTE FORAM EXECUTADOS UM CONTRATO DE LICENÇA SEPARADO POR ESCRITO QUE REGULA SEU USO DO SOFTWARE.
O Licenciante está disposto a licenciar o Software para você somente com a condição de que você aceite todos os termos contidos neste Contrato. Ao assinar este Contrato ou baixando, instalando ou usando o Software, você indicou que entende este Contrato e aceita todos os seus termos. Se você não aceitar todos os termos deste Contrato, o Licenciante não estará disposto a licenciar o Software para você, e você não poderá fazer o download, instalar ou usar o Software.
1. CONCESSÃO DE LICENÇA.
uma. Avaliação Uso e Desenvolvimento Licença de Uso. Sujeito à sua conformidade com os termos e condições deste Contrato, o Licenciador concede a você uma licença pessoal, não exclusiva e intransferível, sem o direito de sublicenciar, durante o prazo deste Contrato, o uso interno do Software exclusivamente para Uso de Avaliação e Uso de Desenvolvimento. Os produtos ou módulos de software de terceiros fornecidos pelo Licenciante, se houver, podem ser usados ​​exclusivamente com o Software e podem estar sujeitos à sua aceitação dos termos e condições fornecidos por tais terceiros. Quando a licença terminar, você deverá parar de usar o Software e desinstalar todas as instâncias. Todos os direitos não concedidos especificamente a você aqui são retidos pelo Licenciante. O Desenvolvedor não deve fazer uso comercial do Software, ou qualquer trabalho derivado dele (inclusive para propósitos comerciais internos do Desenvolvedor). É proibido copiar e redistribuir, de qualquer forma, o Aplicativo de Software ou Desenvolvedor para seus clientes diretos ou indiretos.
b. Licença de Uso de Produção. Sujeito à sua conformidade com os termos e condições deste Contrato, incluindo o pagamento da taxa de licença aplicável, o Licenciador concede a você uma licença não exclusiva e intransferível, sem o direito de sublicenciar, durante o prazo deste Contrato, para : (a) usar e reproduzir o Software exclusivamente para seus próprios propósitos internos de negócios (& # 8220; Uso da Produção & # 8221;); e (b) fazer um número razoável de cópias do Software apenas para fins de backup. Essa licença é limitada ao número específico de CPUs (se licenciado pela CPU) ou instâncias de Java Virtual Machines (se licenças por máquina virtual) pelas quais você pagou uma taxa de licença. O uso do Software em um número maior de CPUs ou instâncias de Java Virtual Machines exigirá o pagamento de uma taxa de licença adicional. Os produtos de software de terceiros ou módulos fornecidos pelo Licenciante, se houver, podem ser usados ​​exclusivamente com o Software.
c. Nenhum outro direito. Seus direitos e uso do Software estão limitados àqueles expressamente concedidos nesta Seção 1. Você não fará nenhum outro uso do Software. Exceto quando expressamente licenciado nesta Seção, o Licenciante não lhe concede outros direitos ou licenças, por implicação, preclusão ou de outra forma. TODOS OS DIREITOS NÃO EXPRESSAMENTE CONCEDIDOS AQUI SÃO RESERVADOS PELO LICENCIADOR OU SEUS FORNECEDORES.
2. RESTRIÇÕES
Exceto conforme expressamente previsto na Seção 1, você não irá: (a) modificar, traduzir, desmontar, criar trabalhos derivados do Software ou copiar o Software; (b) alugar, emprestar, transferir, distribuir ou conceder quaisquer direitos sobre o Software de qualquer forma a qualquer pessoa; (c) fornecer, divulgar, divulgar ou disponibilizar para, ou permitir o uso do Software, por qualquer terceiro; (d) publicar qualquer teste de desempenho ou benchmark executado no Software ou em qualquer parte dele; ou (e) remover quaisquer avisos, etiquetas ou marcações de propriedade no Software. Você não distribuirá o Software a qualquer pessoa em uma base autônoma ou em uma base original do fabricante do equipamento (OEM).
3. PROPRIEDADE.
Entre as partes, o Software é e continuará sendo a única e exclusiva propriedade do Licenciante, incluindo todos os direitos de propriedade intelectual.
uma. No caso de você usar o Software sob a licença estabelecida na Seção 1 (a), este Contrato permanecerá em vigor durante o período de avaliação ou desenvolvimento.
b. No caso de você usar o Software sob a licença estabelecida na Seção 1 (b), este Contrato permanecerá em vigor (a) por um período de um ano, se comprado como uma licença de assinatura anual ou (b) perpetuamente se adquirido como licença perpétua. Uma licença de assinatura anual será renovada automaticamente por um ano, a menos que seja rescindida com um aviso prévio de um mês. Este Contrato será rescindido automaticamente sem aviso prévio se você violar qualquer termo deste Contrato. Após a rescisão, você deve imediatamente deixar de usar o Software e destruir todas as cópias do Software em sua posse ou controle.
5. SERVIÇOS DE SUPORTE.
Se você adquiriu esta licença, incluindo os Serviços de suporte, eles incluem versões de manutenção (atualizações e upgrades), suporte por telefone e suporte por e-mail ou pela Web.
uma. O Licenciador fará esforços comercialmente razoáveis ​​para fornecer uma atualização projetada para solucionar ou ignorar um erro relatado. Se tal Erro tiver sido corrigido em uma Versão de Manutenção, o Licenciado deverá instalar e implementar a Versão de Manutenção aplicável; caso contrário, a Atualização poderá ser fornecida na forma de uma correção, procedimento ou rotina temporária, a ser usada até que uma Liberação de Manutenção contendo a Atualização permanente esteja disponível.
b. Durante o Prazo do Contrato de Licença, o Licenciador deverá disponibilizar as Liberações de Manutenção ao Licenciado se, como e quando o Licenciante, disponibilizar tais Liberações de Manutenção para seus clientes. Se surgir uma dúvida sobre se uma oferta de produto é um Upgrade ou um novo produto ou recurso, a opinião do Licenciante prevalecerá, desde que o Licenciador trate a oferta de produto como um novo produto ou recurso para seus clientes usuários finais em geral. .
c. A obrigação do Licenciante de fornecer Serviços de Suporte está condicionada ao seguinte: (a) o Licenciado faz esforços razoáveis ​​para corrigir o Erro após consultar o Licenciante; (b) o Licenciado fornece ao Licenciador informações e recursos suficientes para corrigir o Erro no site do Licenciante ou via acesso remoto ao site do Licenciado, bem como acesso ao pessoal, hardware e qualquer software envolvido na descoberta do erro; (c) o Licenciado instala prontamente todas as versões de manutenção; e (d) a Licenciada adquire, instala e mantém todos os equipamentos, interfaces de comunicação e outros hardwares necessários para operar o Produto.
d. O Licenciador não é obrigado a fornecer Serviços de Suporte nas seguintes situações: (a) o Produto foi alterado, modificado ou danificado (exceto se sob a supervisão direta do Licenciante); (b) o Erro é causado por negligência do Licenciado, mau funcionamento do hardware ou outras causas além do controle razoável do Licenciante; (c) o Erro é causado por software de terceiros não licenciado através do Licenciante; (d) o Licenciado não instalou e implementou Release (s) de Manutenção para que o Produto seja uma versão suportada pelo Licenciante; ou (e) o Licenciado não pagou as taxas de Licença ou taxas de Serviços de Suporte quando devidas. Além disso, o Licenciador não é obrigado a fornecer Serviços de Suporte para códigos de software escritos pelo próprio cliente com base no Produto.
e. O Licenciador se reserva o direito de descontinuar os Serviços de Suporte, caso o Licenciador, a seu exclusivo critério, determine que o suporte continuado para qualquer Produto não seja mais economicamente viável. O Licenciante dará ao Licenciado pelo menos três (3) meses de antecedência por escrito de tal descontinuação de Serviços de Suporte e reembolsará quaisquer taxas de Serviços de Suporte não acumuladas que o Licenciado possa ter pré-pago com relação ao Produto afetado. O Licenciante não tem obrigação de apoiar ou manter qualquer versão do Produto ou plataformas de terceiros subjacentes (incluindo, mas não limitado a software, JVM, sistema operacional ou hardware) para o qual o Produto é suportado, exceto (i) a versão atual do Produto e plataforma subjacente de terceiros, e (ii) as duas versões imediatamente precedentes do Produto e sistema operacional por um período de seis (6) meses após a primeira substituição. O Licenciador se reserva o direito de suspender o desempenho dos Serviços de Suporte se o Licenciado não pagar qualquer valor que seja pagável ao Licenciador sob o Contrato dentro de trinta (30) dias após o vencimento desse valor.
6. GARANTIA
uma. O Licenciante garante que o Software será capaz de executar em todos os aspectos relevantes de acordo com as especificações funcionais estabelecidas na documentação aplicável por um período de 90 dias após a data em que você instalar o Software. No caso de uma violação de tal garantia, o Licenciador deverá, a seu critério, corrigir o Software ou substituí-lo gratuitamente. O acima exposto são os seus únicos e exclusivos recursos e a única responsabilidade do Licenciador pela violação destas garantias. As garantias estabelecidas acima são feitas apenas para benefício de você. As garantias aplicar-se-ão apenas se (a) o Software tiver sido instalado e usado adequadamente em todos os momentos e de acordo com as instruções de uso; (c) as atualizações mais recentes foram aplicadas ao software; e (c) nenhuma modificação, alteração ou adição tenha sido feita ao Software por pessoas que não sejam o Licenciante ou o representante autorizado da Licenciadora.
7. ISENÇÃO DE RESPONSABILIDADE.
EXCETO PODEM SER FORNECIDOS SOB A SECÇÃO 6 (a), O LICENCIANTE EXPRESSAMENTE RENUNCIA A TODAS AS GARANTIAS, EXPRESSAS OU IMPLÍCITAS, INCLUINDO QUAISQUER GARANTIAS IMPLÍCITAS DE COMERCIALIZAÇÃO, ADEQUAÇÃO A UM FIM ESPECÍFICO E NÃO VIOLAÇÃO, E QUAISQUER GARANTIAS RESULTANTES DO TRATAMENTO OU UTILIZAÇÃO DE COMÉRCIO. NENHUM CONSELHO OU INFORMAÇÃO, SEJA ORAL OU ESCRITO, OBTIDO DO LICENCIANTE OU EM OUTRA PARTE, CRIARÁ QUALQUER GARANTIA NÃO EXPRESSA NESTE ACORDO.
O Licenciador não garante que o Produto de Software atenderá aos seus requisitos ou operará sob as suas condições específicas de uso. O Licenciante não garante que a operação do Produto de Software será segura, sem erros ou sem interrupção.
VOCÊ DEVE DETERMINAR SE O PRODUTO SOFTWARE ATENDE SUAS REQUISITAS PARA SEGURANÇA E ININTERRUPTABILIDADE. VOCÊ ASSUME TOTAL RESPONSABILIDADE E TODA RESPONSABILIDADE POR QUALQUER PERDA INCORRIDA DEVIDO A FALHA DO PRODUTO DE SOFTWARE PARA ATENDER AOS SEUS REQUISITOS. O LICENCIANTE NÃO SERÁ, SOB NENHUMA CIRCUNSTÂNCIA, RESPONSABILIZADO PELA PERDA DE DADOS EM QUALQUER COMPUTADOR OU DISPOSITIVO DE ARMAZENAMENTO DE INFORMAÇÕES.
8. LIMITAÇÃO DE RESPONSABILIDADE.
A RESPONSABILIDADE TOTAL DO LICENCIANTE EM RELAÇÃO A VOCÊ DE TODAS AS CAUSAS DE AÇÃO E SOB TODAS AS TEORIAS DE RESPONSABILIDADE SERÁ LIMITADA E NÃO EXCEDERÁ A TAXA DE LICENÇA PAGA POR VOCÊ AO LICENCIADOR PARA O SOFTWARE. EM CASO ALGUM O LICENCIADO SERÁ RESPONSÁVEL POR QUAISQUER DANOS ESPECIAIS, INCIDENTAIS, EXEMPLARES, PUNITIVOS OU CONSEQÜENTES (INCLUINDO PERDA DE USO, DADOS, NEGÓCIOS OU LUCROS) OU PELO CUSTO DE PROCURA DE PRODUTOS SUBSTITUTOS DECORRENTES OU RELACIONADOS A ESTE CONTRATO OU USO OU DESEMPENHO DO SOFTWARE, SEJA ESSA RESPONSABILIDADE SURJA DE QUALQUER RECLAMAÇÃO COM BASE EM CONTRATO, GARANTIA, DELITO (INCLUINDO NEGLIGÊNCIA), RESPONSABILIDADE ESTRITA OU DE OUTRA FORMA, E SE O LICENCIADOR TENHA SIDO AVISADO DA POSSIBILIDADE DE TAIS PERDAS OU DANIFICAR. AS LIMITAÇÕES PRECEDENTES SOBREVIVERÃO E APLICAR-SE-ÃO MESMO QUE QUALQUER RECURSO LIMITADO ESPECIFICADO NESTE ACORDO SEJA FALHADO EM SEU PROPÓSITO ESSENCIAL. NA MEDIDA EM QUE A JURISDIÇÃO APLICÁVEL LIMITA A CAPACIDADE DO LICENCIADOR DE REJEIÇÃO DE QUAISQUER GARANTIAS IMPLÍCITAS, ESTA RENÚNCIA DEVERÁ SER EFICAZ NA EXTENSÃO MÁXIMA PERMITIDA.
Se qualquer disposição deste Contrato for considerada inválida ou inexequível, o restante deste Contrato permanecerá em pleno vigor e efeito. Na medida em que quaisquer restrições expressas ou implícitas não sejam permitidas pelas leis aplicáveis, estas restrições, expressas ou implícitas, permanecerão em vigor e vigor até o limite máximo permitido por tais leis aplicáveis.
Este Contrato é o contrato completo e exclusivo entre as partes com relação ao assunto aqui tratado, substituindo e substituindo todos e quaisquer acordos, comunicações e entendimentos anteriores (tanto escritos quanto orais) em relação a esse assunto. As partes deste Contrato são contratadas independentes, e nenhuma delas tem o poder de vincular a outra ou contrair obrigações em nome de outra. Nenhuma falha de qualquer das partes em exercer ou fazer valer quaisquer dos seus direitos sob este Contrato agirá como uma renúncia de tais direitos. Quaisquer termos ou condições contidos em qualquer pedido de compra ou outro documento de encomenda que sejam inconsistentes ou adicionais aos termos e condições deste Contrato são por este meio rejeitados pelo Licenciador e serão considerados nulos e sem efeito.
Este Contrato será interpretado e interpretado de acordo com as leis da Suíça, sem considerar conflitos de princípios legais. As partes concordam com a jurisdição exclusiva e o foro de tribunais localizados em Zurique, Suíça, para resolução de quaisquer disputas decorrentes ou relacionadas a este Contrato.
10. DEFINIÇÕES
& # 8220; Uso de avaliação & # 8221; significa usar o Software apenas para avaliação e teste de novas aplicações destinadas ao seu Uso de Produção.
& # 8220; Uso de produção & # 8221; significa usar o Software apenas para fins comerciais internos. O Uso de Produção não inclui o direito de reproduzir o Software para sublicenciamento, revenda ou distribuição, incluindo, sem limitação, a operação em um compartilhamento de tempo ou distribuição do Software como parte de um acordo de ASP, VAR, OEM, distribuidor ou revendedor.
& # 8220; Software & # 8221; significa o software do Licenciador e todos os seus componentes, documentação e exemplos incluídos pelo Licenciante.
& # 8220; Erro & # 8221; significa (a) uma falha do Produto em conformidade com as especificações estabelecidas na documentação, resultando na incapacidade de uso ou restrição no uso do Produto, e / ou (b) um problema que exige novos procedimentos, esclarecimentos, informações adicionais e / ou solicitações de aprimoramentos de produtos.
& # 8220; Lançamento de manutenção & # 8221; significa Upgrades e Atualizações do Produto disponibilizadas para licenciados de acordo com os Serviços de Suporte padrão definidos na seção 5.
& # 8220; Atualizar & # 8221; significa uma modificação ou adição de software que, quando feita ou adicionada ao Produto, corrige o Erro, ou um procedimento ou rotina que, quando observado na operação regular do Produto, elimina o efeito adverso prático do Erro no Licenciado.
& # 8220; Atualização & # 8221; significa uma revisão do Produto liberada pelo Licenciante para seus clientes usuários finais geralmente, durante o Termo dos Serviços de Suporte, para adicionar funções novas e diferentes ou para aumentar a capacidade do Produto. A atualização não inclui o lançamento de um novo produto ou recursos adicionais para os quais pode haver uma cobrança separada.

Estratégia de negociação Java
Como você sabe, as estratégias de negociação realizam ações com base no feed em tempo real, como quando o lance ou o último preço comercial é alterado. Um provedor de feed de dados transmite cotações de maneira assíncrona para nosso aplicativo de desktop em um thread separado do thread principal. Esse encadeamento de feed de dados é gerado quando você faz uma solicitação ao provedor de feeds de dados e permanece até que você envie explicitamente uma solicitação para interromper o streaming.
Tal como está, o segmento de feed de dados executa estratégias de negociação porque a maioria delas é projetada para inserir ou atualizar pedidos nos dados de ticks. Você vê algum problema com essa abordagem? Esse design é comum em aplicativos comerciais?
Você definitivamente não quer executar uma estratégia de negociação no segmento de feed de dados, especialmente se a execução demorar um pouco. Essa execução deve acontecer em um segmento diferente. Eu não sou tão familiarizado com Java, mas eu suponho que você poderia fazer uso de um pool de threads lá. Em C #, uma maneira muito poderosa de distribuir o trabalho em vários segmentos seria usar Tarefas.
Outra coisa que você pode querer pensar é o que fazer quando há novos ticks para um instrumento enquanto você ainda está processando o tick anterior. Em muitos casos, faz sentido processar apenas o mais recente. Eu escrevi um pequeno post sobre o que chamei de padrão de atualização mais recente com uma implementação de amostra em C #. Talvez você ache isso útil.

Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?
Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?
Uma das perguntas mais frequentes que recebo no mailbag do QS é "Qual é a melhor linguagem de programação para negociação algorítmica?". A resposta curta é que não há "melhor" linguagem. Parâmetros de estratégia, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreverá os componentes necessários de uma arquitetura de sistema de comércio algorítmico e como as decisões relativas à implementação afetam a escolha da linguagem.
Primeiramente, os principais componentes de um sistema de negociação algorítmica serão considerados, como as ferramentas de pesquisa, o otimizador de portfólio, o gerenciador de risco e o mecanismo de execução. Posteriormente, diferentes estratégias de negociação serão examinadas e como elas afetam o design do sistema. Em particular, a frequência de negociação e o volume de negociação provável serão ambos discutidos.
Uma vez que a estratégia de negociação tenha sido selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o sistema operacional e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, a devida atenção deve ser dada ao desempenho - tanto para as ferramentas de pesquisa quanto para o ambiente de execução ao vivo.
Qual é o sistema de negociação tentando fazer?
Antes de decidir sobre a "melhor" linguagem com a qual escrever um sistema de negociação automatizado, é necessário definir os requisitos. O sistema será puramente baseado em execução? O sistema exigirá um módulo de gerenciamento de risco ou de construção de portfólio? O sistema exigirá um backtester de alto desempenho? Para a maioria das estratégias, o sistema de negociação pode ser dividido em duas categorias: Pesquisa e geração de sinais.
A pesquisa está preocupada com a avaliação de um desempenho da estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação sobre dados de mercado anteriores é conhecido como backtesting. O tamanho dos dados e a complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade e a simultaneidade da CPU costumam ser os fatores limitantes na otimização da velocidade de execução da pesquisa.
A geração de sinais preocupa-se em gerar um conjunto de sinais de negociação de um algoritmo e enviar esses pedidos ao mercado, geralmente por meio de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. Problemas de E / S, como largura de banda de rede e latência, são muitas vezes o fator limitante na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bem diferente.
Tipo, Frequência e Volume de Estratégia.
O tipo de estratégia algorítmica empregada terá um impacto substancial no design do sistema. Será necessário considerar os mercados que estão sendo negociados, a conectividade com fornecedores de dados externos, a frequência e o volume da estratégia, o tradeoff entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo customização co-localizada servidores, GPUs ou FPGAs que possam ser necessários.
As escolhas tecnológicas para uma estratégia de ações norte-americanas de baixa frequência serão muito diferentes daquelas de uma negociação de estratégia de arbitragem estatística de alta frequência no mercado de futuros. Antes da escolha da linguagem, muitos fornecedores de dados devem ser avaliados quanto à estratégia em questão.
Será necessário considerar a conectividade com o fornecedor, a estrutura de quaisquer APIs, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor ficar off-line. Também é aconselhável ter acesso rápido a vários fornecedores! Vários instrumentos têm suas próprias peculiaridades de armazenamento, exemplos dos quais incluem vários símbolos de ticker para ações e datas de vencimento para futuros (para não mencionar quaisquer dados OTC específicos). Isso precisa ser levado em conta no design da plataforma.
A frequência da estratégia é provavelmente um dos maiores impulsionadores de como a pilha de tecnologia será definida. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar exigem consideração significativa com relação ao desempenho.
Uma estratégia que excede as segundas barras (isto é, dados de ticks) leva a um design orientado pelo desempenho como o requisito primário. Para estratégias de alta frequência, uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada. Softwares como HDF5 ou kdb + são comumente usados ​​para essas funções.
Para processar os volumes extensos de dados necessários para aplicativos HFT, um backtester e um sistema de execução extensivamente otimizados devem ser usados. C / C ++ (possivelmente com algum montador) é provável que seja o candidato de idioma mais forte. Estratégias de frequência ultra-alta quase certamente exigirão hardware customizado, como FPGAs, co-location de troca e ajuste de interface de rede / kernal.
Sistemas de pesquisa.
Os sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e scripts automatizados. O primeiro ocorre com frequência dentro de um IDE, como o Visual Studio, o MatLab ou o R Studio. Este último envolve extensos cálculos numéricos sobre numerosos parâmetros e pontos de dados. Isso leva a uma escolha de idioma que fornece um ambiente simples para testar o código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetro.
IDEs típicos nesse espaço incluem o Microsoft Visual C ++ / C #, que contém extensos utilitários de depuração, recursos de conclusão de código (via "Intellisense") e visões gerais simples da pilha inteira do projeto (via banco de dados ORM, LINQ); MatLab, que é projetado para extensa álgebra linear numérica e operações vetorizadas, mas de uma forma de console interativo; R Studio, que envolve o console de linguagem estatística R em um IDE completo; Eclipse IDE para Linux Java e C ++; e IDEs semi-proprietários como o Enthought Canopy for Python, que incluem bibliotecas de análise de dados como NumPy, SciPy, scikit-learn e pandas em um único ambiente interativo (console).
Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar uma GUI / IDE, pois o código será executado "em segundo plano". A consideração principal neste estágio é a velocidade de execução. Uma linguagem compilada (como C ++) é geralmente útil se as dimensões do parâmetro de backtesting forem grandes. Lembre-se que é necessário ter cuidado com esses sistemas, se for esse o caso!
Linguagens interpretadas, como Python, geralmente usam bibliotecas de alto desempenho, como NumPy / pandas, para a etapa de backtesting, a fim de manter um grau razoável de competitividade com equivalentes compilados. Em última análise, a linguagem escolhida para o backtesting será determinada por necessidades algorítmicas específicas, bem como o leque de bibliotecas disponíveis na linguagem (mais sobre isso abaixo). No entanto, a linguagem usada para os ambientes de backtester e de pesquisa pode ser completamente independente daquelas usadas nos componentes de construção de portfólio, gerenciamento de risco e execução, como será visto.
Construção de Carteira e Gestão de Risco.
Os componentes de gerenciamento de risco e de construção de portfólio são frequentemente ignorados pelos traders algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não apenas tentam aliviar o número de apostas "arriscadas", mas também minimizam a rotatividade dos negócios, reduzindo os custos de transação.
Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É fácil criar uma estratégia estável, pois o mecanismo de construção de portfólio e o gerenciador de risco podem ser facilmente modificados para lidar com vários sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de negociação algorítmica.
O trabalho do sistema de construção de portfólio é pegar um conjunto de negócios desejados e produzir o conjunto de negociações reais que minimizam o churn, manter exposições a vários fatores (como setores, classes de ativos, volatilidade, etc.) e otimizar a alocação de capital para vários estratégias em um portfólio.
A construção de portfólio geralmente se reduz a um problema de álgebra linear (como uma fatoração de matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação da álgebra linear numérica disponível. Bibliotecas comuns incluem uBLAS, LAPACK e NAG para C ++. O MatLab também possui operações de matriz amplamente otimizadas. O Python utiliza o NumPy / SciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca matricial compilada (e bem otimizada!) Para realizar este passo, de modo a não afunilar o sistema de negociação.
O gerenciamento de riscos é outra parte extremamente importante de um sistema de negociação algorítmica. O risco pode vir de várias formas: aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias!), Aumento de correlações entre classes de ativos, inadimplência de terceiros, paralisações de servidores, eventos "black swan" e erros não detectados no código de negociação. para nomear alguns.
Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e correlação entre as classes de ativos e seus efeitos subsequentes sobre o capital comercial. Muitas vezes, isso reduz a um conjunto de cálculos estatísticos, como os "testes de estresse" de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de precificação de derivativos e, como tal, será vinculado à CPU. Estas simulações são altamente paralelizáveis ​​(veja abaixo) e, até certo ponto, é possível "lançar hardware no problema".
Sistemas de Execução.
O trabalho do sistema de execução é receber sinais de negociação filtrados dos componentes de construção de carteira e gestão de risco e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação algorítmica de varejo, isso envolve uma conexão API ou FIX para uma corretora como a Interactive Brokers. As principais considerações ao decidir sobre uma linguagem incluem a qualidade da API, a disponibilidade do wrapper de idioma para uma API, a frequência de execução e o escorregamento previsto.
A "qualidade" da API refere-se a quão bem documentada ela é, que tipo de desempenho ela fornece, se precisa de software independente para ser acessado ou se um gateway pode ser estabelecido de maneira sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa estar em execução em um ambiente GUI para acessar sua API. Certa vez, tive que instalar uma edição Ubuntu Desktop em um servidor de nuvem da Amazon para acessar remotamente o Interactive Brokers, puramente por esse motivo!
A maioria das APIs fornecerá uma interface C ++ e / ou Java. Geralmente, cabe à comunidade desenvolver wrappers específicos de linguagem para C #, Python, R, Excel e MatLab. Observe que, com cada plug-in adicional utilizado (especialmente os wrappers de APIs), há escopo para os bugs se infiltrarem no sistema. Sempre teste plugins desse tipo e garanta que eles sejam ativamente mantidos. Um indicador que vale a pena é ver quantas novas atualizações foram feitas em uma base de código nos últimos meses.
Freqüência de execução é da maior importância no algoritmo de execução. Observe que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. A derrapagem será incorrida através de um sistema de execução com péssimo desempenho e isso terá um impacto dramático na lucratividade.
As linguagens com tipagem estática (veja abaixo), como C ++ / Java, são geralmente ótimas para execução, mas há um trade-off em tempo de desenvolvimento, teste e facilidade de manutenção. Linguagens dinamicamente tipificadas, como Python e Perl, são geralmente "rápidas o suficiente". Certifique-se sempre de que os componentes são projetados de maneira modular (veja abaixo) para que possam ser "trocados" conforme o sistema é dimensionado.
Planejamento arquitetônico e processo de desenvolvimento.
Os componentes de um sistema de negociação, seus requisitos de freqüência e volume foram discutidos acima, mas a infra-estrutura do sistema ainda não foi coberta. Aqueles que atuam como comerciantes de varejo ou que trabalham em um pequeno fundo provavelmente estarão "usando muitos chapéus". Será necessário estar cobrindo o modelo alfa, os parâmetros de gerenciamento e execução de riscos, e também a implementação final do sistema. Antes de aprofundar em linguagens específicas, o design de uma arquitetura de sistema ideal será discutido.
Separação de preocupações.
One of the most important decisions that must be made at the outset is how to "separate the concerns" of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components.
By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the "best practice" for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable.
Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems.
For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference.
Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCP/IP, ZeroMQ or some other language-independent protocol.
As a concrete example, consider the case of a backtesting system being written in C++ for "number crunching" performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy.
Performance Considerations.
Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. "Performance" covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data I/O, concurrency/parallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance.
The prevailing wisdom as stated by Donald Knuth, one of the fathers of Computer Science, is that "premature optimisation is the root of all evil". This is almost always the case - except when building a high frequency trading algorithm! For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear.
Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance.
C++, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C++ ships with the Standard Template Library, while Python contains NumPy/SciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation.
One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often "reinvention of the wheel" wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers.
Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disk/network latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency).
For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required!
Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to "hit the database" and so performance gains can be significant.
For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesn't need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk I/O operation.
However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling , where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure.
Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C# and Python all perform automatic garbage collection , which refers to deallocation of dynamically allocated memory when objects go out of scope .
Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies.
C++ doesn't provide a native garbage collector and so it is necessary to handle all memory allocation/deallocation as part of an object's implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case.
Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in "parallel". So-called "embarassingly parallel" algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths.
Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahl's Law, which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to $N$ separate processes (e. g. on a CPU core or thread ).
Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of "cores" for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidia's CUDA have lead to widespread adoption in academia and finance.
Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrency/multithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others.
Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking .
While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as "unscalable". This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never "better" than another in every sense.
One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle "spikes" in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a "message queuing architecture". This simply means placing a message queue system between components so that orders are "stacked up" if a certain component is unable to process many requests.
Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ.
Hardware and Operating Systems.
The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a "cloud" provider or an exchange co-located server.
Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times!). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI).
Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed.
A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system.
In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable.
A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha.
The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems? Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM? These issues will be highly dependent upon the frequency and type of strategy being implemented.
Resilience and Testing.
One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system.
It is likely that in any reasonably complicated custom quantitative trading application at least 50% of development time will be spent on debugging, testing and maintenance.
Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point .
Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb, which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists.
Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease.
TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options.
In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed.
Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.
While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.
Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric.
System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case.
Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering!
It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment?
Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I won't delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system.
Choosing a Language.
Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised.
Type Systems.
When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (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, often provides more safety than compile-time checking alone.
Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays.
Open Source or Proprietary?
One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. Existem vantagens e desvantagens para ambas as abordagens. 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. NET stack (including Visual C++, Visual C#) and MathWorks' MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant "battle testing" in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds.
Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The. NET software allows cohesive integration with multiple languages such as C++, C# and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain.
There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools "play well" with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned.
MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive.
Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C++ and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats.
The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process.
Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce.
Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C++ in order to improve execution speeds, but it requires some experience in multi-language programming.
While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer.
I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C++ and R. The maturity, community size, ability to "dig deep" if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C++) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend.
Batteries Included?
The header of this section refers to the "out of the box" capabilities of the language - what libraries does it contain and how good are they? This is where mature languages have an advantage over newer variants. C++, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms.
C++ is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms "for free". Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance).
Outside of the standard libraries, C++ makes use of the Boost library, which fills in the "missing parts" of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C++11 spec, including native support for lambda expressions and concurrency.
Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL++ (MySQL/C++), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin!
An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C++ and Java, but some also support C# and Python, either directly or with community-provided wrapper code to the C++ APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol.
Conclusão.
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.
A Quantcademy.
Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.
Negociação Algorítmica Bem Sucedida.
Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.
Comércio Algorítmico Avançado.
Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Java trading strategy

Welcome to the Home of the Open Java Trading System.
O Open Java Trading System (OJTS) pretende ser uma infra-estrutura comum para desenvolver sistemas de negociação de ações. It consists of four parts: the gathering of raw data over the internet the recognition of trading signals a visualisation module and modules to connect to the programmatic interfaces of trading platforms like banks. O objetivo do projeto é fornecer uma infra-estrutura comum Java independente (independente de plataforma) para desenvolvedores de sistemas de negociação. Some of the aspects which should be addressed are to provide a common SQL92 compliant database schema for storing financial data, common Java interfaces for how to interchange data between different modules, visualisation of raw financial data and trading signals and several other common aspects needed to create a final trading system.
Because of my job and family I do not find the time to improve OJTS any longer. I am continuing to update the links section below that will guide you to more active java open source projects in that area, though.
In fact as a consequence of my interest in the dynamics of stock markets I began a journey into the deeper details of national economics in order to understand currency exchange rates. This topic finally lead me to a deeper study of money in itself as the metric unit that we use in economics to measure "value", "success" or "utility". This topic turned out to be extremely interesting but at the same time it was very hard to find any information about how our monetary system works. Go around and ask people where money comes from, who creates it and what determines its value. You will notice that even the people who have a masters degree or Phd. in economics will not know these details. Oh, yes, they will answer in some cryptic technical terms, but they will not be able to draw a simple diagram that outlines the process.
H. G. Wells is reported to have said:
"To write of currency is generally recognised as an objectionable, indeed almost an indecent, practice. Editors will implore the writer almost tearfully not to write about money, not because it is an uninteresting subject, but because it has always been a profoundly disturbing one."
I suggest to any person living in a democratic society to read about this topic. It affects our lives every day to an extent that cannot be exagerated! In my opinion every citizen of a democratic country on that world should know where our money is coming from. Most likely you came to this web-site in order to look for tools that help you in increasing your monetary wealth. To understand the metric unit "money" (no matter if Dollar or Euro) will be an important ingredient in your toolkit for making money.
If you have little time and only can afford to read one single book about that subject then I suggest you read Wealth, Virtual Wealth and Debt by Frederick Soddy. I was able to buy a used copy via Amazon for $23.48, but there exists also an online version. You will need the DjVu plugin to read it. This book was published originally in 1929, but still describes the actual facts very well. Even if I do not agree with all conclusions of Frederick Soddy his work is enjoyably thought provoking and will lead you to ask the right questions.