Como um cientista de computador puramente você está na posição perfeita para começar em negociação algorítmica. Isso é algo que eu testemunhei em primeira mão em Quantiacs1. Onde cientistas e engenheiros são capazes de saltar para a direita em negociação automatizada sem qualquer experiência anterior. Em outras palavras, as costeletas de programação são o ingrediente principal necessário para começar. Para obter uma compreensão geral do que os desafios esperam por você após a criação de um sistema de negociação algorítmica, confira este post Quora. Construir um sistema comercial a partir do zero vai exigir algum conhecimento de fundo, uma plataforma de negociação, dados de mercado e acesso ao mercado. Embora não seja um requisito, a escolha de uma única plataforma de negociação que fornece a maior parte destes recursos irá ajudá-lo a acelerar rapidamente. Dito isto, as habilidades que você desenvolver será transferível para qualquer linguagem de programação e praticamente qualquer plataforma. Acredite ou não, construindo estratégias de negociação automatizado isnt predicado em ser um especialista do mercado. No entanto, aprender mecânica de mercado básica irá ajudá-lo a descobrir estratégias de negociação rentável. Opções, Futuros e Outros Derivados por John C. Hull - Grande primeiro livro para entrar em finanças quantitativas, e abordá-lo do lado da matemática. Negociação quantitativa por Ernie Chan - Ernie Chan fornece o melhor livro introdutório para negociação quantitativa e orienta você através do processo de criação de algoritmos de negociação em MATLAB e Excel. Negociação Algorítmica de Futuros através da Aprendizagem de Máquinas - Uma desagregação de 5 páginas da aplicação de um modelo de aprendizagem simples de máquina aos indicadores de análise técnica comumente usados. Heres uma lista de leitura agregada PDF com uma repartição completa de livros, vídeos, cursos e fóruns de negociação. A melhor maneira de aprender é fazendo, e no caso de negociação automatizada que se resume a gráficos e codificação. Um bom ponto de partida é exemplos existentes de sistemas de negociação e exposições existentes de técnicas técnicas de análise. Além disso, um cientista de computador qualificado tem a vantagem adicional de ser capaz de aplicar o aprendizado da máquina à negociação algorítmica. Aqui estão alguns desses recursos: TradingView - Uma fantástica plataforma de gráficos visuais por conta própria, TradingView é um grande playground para ficar confortável com a análise técnica. Ele tem o benefício adicional de permitir que você script estratégias de negociação e navegar outras pessoas comércio idéias. Fórum de Negociação Automatizado - Grande comunidade on-line para postar perguntas para iniciantes e encontrar respostas para problemas comuns de quant quando apenas começando. Quant fóruns são um ótimo lugar para se tornar imerso em estratégias, ferramentas e técnicas. Seminário do YouTube sobre ideias comerciais com exemplos de código de trabalho no Github. Aprendizado de Máquinas: Mais apresentações sobre negociação automatizada podem ser encontradas no Quantiacs Quant Club. A maioria das pessoas de um fundo científico (se isso é ciência da computação ou engenharia) tiveram exposição a Python ou MATLAB, que passam a ser linguagens populares para finanças quantitativas. A Quantiacs criou uma caixa de ferramentas de código aberto que fornece backtesting e 15 anos de dados históricos de mercado gratuitamente. A melhor parte é tudo é construído em ambos Python e MATLAB dando-lhe a escolha do que para desenvolver o seu sistema com. Heres um exemplo de tendência de seguir a estratégia comercial em MATLAB. Este é todo o código necessário para executar um sistema de negociação automatizado, apresentando tanto o poder de MATLAB e da Caixa de ferramentas Quantiacs. O Quantiacs permite que você negocie 44 futuros e todos os estoques do SampP 500. Além disso, uma variedade de bibliotecas adicionais como TensorFlow são suportadas. Uma vez que você está pronto para ganhar dinheiro como um quant, você pode participar do último concurso de negociação Quantiacs automatizado, com um total de 2.250.000 em investimentos disponíveis: Você pode competir com os melhores quents 28.4k Vistas middot Ver Upvotes (Disclaimer: Eu trabalho na Quantiacs) Middot Não é para reprodução Esta resposta foi completamente reescrita Aqui estão 6 base de conhecimento principal para a construção de sistemas de negociação algorítmica. Você deve estar familiarizado com todos eles, a fim de construir sistemas de negociação eficaz. Alguns dos termos usados podem ser ligeiramente técnicos, mas você deve ser capaz de entendê-los por Googling. Nota: (A maioria de) estes não se aplicam se você quiser fazer negociação de alta freqüência 1. Teorias de mercado Você precisa entender como funciona o mercado. Mais especificamente, você deve compreender as ineficiências do mercado, as relações entre os diferentes produtos ativos e o comportamento dos preços. Idéias de negociação resultam de ineficiências de mercado. Você precisará saber como avaliar ineficiências de mercado que lhe dão uma vantagem de negociação versus aqueles que não. Projetar robôs eficazes implica entender como os sistemas de negociação automatizados funcionam. Essencialmente, uma estratégia de negociação algorítmica consiste em 3 componentes principais: 1) Entradas, 2) Saídas e 3) Posição de dimensionamento. Você precisará projetar esses 3 componentes em relação à ineficiência do mercado que você está captando (e não, este não é um processo direto). Você não precisa saber a matemática avançada (embora ajudará se você aponta construir estratégias mais complexas). Boas habilidades de pensamento crítico e uma compreensão decente sobre estatísticas irão levá-lo muito longe. O design envolve backtesting (teste de borda de negociação e robustez) e otimização (maximizando o desempenho com ajuste de curva mínimo). Você precisará saber como gerenciar um portfólio de estratégias de negociação algorítmica também. As estratégias podem ser complementares ou conflitantes, o que pode levar a aumentos não planejados da exposição ao risco ou cobertura não desejada. Alocação de capital é importante também você dividir capital igualmente durante intervalos regulares ou recompensar os vencedores com mais capital Se você sabe que produtos você deseja negociar, encontrar plataformas de negociação adequadas para esses produtos. Em seguida, aprender a linguagem de programação API deste platformbacktesters. Se você começar, eu recomendaria Quantopian (ações apenas), Quantconnect (ações e FX) ou Metatrader 4 (FX e CFDs sobre índices de ações, ações e commodities). As linguagens de programação utilizadas são Python, C e MQL4, respectivamente. 4. Gestão de Dados Lixo no lixo. Dados imprecisos levam a resultados de teste imprecisos. Precisamos de dados razoavelmente limpos para testes precisos. Dados de limpeza é um trade-off entre custo e precisão. Se você quiser dados mais precisos, você precisa gastar mais tempo (tempo dinheiro) limpá-lo. Alguns problemas que causam dados sujos incluem dados em falta, dados duplicados, dados errados (carrapatos ruins). Outras questões que levam a dados enganosos incluem dividendos, desdobramentos de ações e rolagens de futuros, etc. 5. Gerenciamento de Risco Existem dois tipos principais de risco: Risco de Mercado e Risco Operacional. O risco de mercado envolve risco relacionado à sua estratégia de negociação. Considera cenários de pior cenário E se acontecer um evento de cisne preta como a 3ª Guerra Mundial Você tem protegido o risco indesejado Sua posição é muito alta Além de gerenciar o risco de mercado, você precisa olhar para o risco operacional. Falha no sistema, perda de ligação à Internet, fraco algoritmo de execução (levando a preços mal executados, ou negociações perdidas devido à incapacidade de lidar com requotshigh derrapagem) e roubo por hackers são questões muito reais. 6. Live Execution Backtesting e live trading são muito diferentes. Você precisará selecionar corretores adequados (MM vs STP vs ECN). Forex Market News com Forex Trading Fóruns amp Corretores de Forex opiniões é o seu melhor amigo, leia opiniões corretor lá. Você precisa de infra-estrutura adequada (VPN seguro e tempo de inatividade, etc) e procedimentos de avaliação (monitorar o desempenho de seus robôs e analisá-los em relação à ineficiência do mercado) para gerenciar seu robô durante toda a sua vida útil. Você precisa saber quando intervir (modifyupdateshutdownturn em seus robôs) e quando não. Avaliação e otimização de estratégias de negociação Pardo (Grande insights sobre métodos de construção e estratégias de negociação de teste) Comércio seu caminho para a liberdade financeira Van K Tharp (Ridiculous-Click isca título de lado, este livro é uma ótima visão geral de sistemas de negociação mecânica) A microestrutura do mercado é a ciência de como funcionam as trocas e o que realmente acontece quando um comércio é colocado. É importante conhecer essas informações Mesmo que você esteja apenas começando) Algorithmic Trading amp DMA Barry Johnson (Lançamento de luz sobre os algoritmos de execução de bancos. Este não é diretamente aplicável o seu negócio algo, mas é bom saber) The Quants Scott Patterson (Histórias de guerra de alguns quants top. Como uma hora de deitar lida) Quantopian (Código, pesquisa e discute idéias com a comunidade. Usa Python) Fundamentos de Algo Trading Algo Trading101 (Disclaimer: Eu possuo este sitecourse. Aprenda teorias do projeto do robô, teorias do mercado e codificação. Usos MQL4) - Junte-se ao desafio (aprender conceitos de negociação e backtesting teorias. Eles recentemente desenvolveram o seu próprio backtesting e plataforma de negociação para esta parte ainda é novo para mim. Mas sua base de conhecimento sobre os conceitos de negociação são bons.) Recommended BlogsForums (estes inclui finanças , Negociação e fóruns de troca de algo): Linguagens de programação recomendadas: Se você sabe quais produtos você deseja negociar, encontrar plataformas de negociação adequadas para esses produtos. Em seguida, aprender a linguagem de programação API deste platformbacktesters. Se você começar, eu recomendaria Quantopian (ações somente), Quantconnect (ações e FX) ou Metatrader 4 (FX e CFDs em índices de ações, ações e commodities). As linguagens de programação utilizadas são Python, C e MQL4, respectivamente. 16.8k Vistas middot Ver Upvotes middot Não tenho reproduzido Eu tenho um fundo como um programador e criação de equipes agilescrum antes de eu comecei a olhar para negociação algorítmica. O mundo da negociação algorítmica me fascina, no entanto, pode ser um pouco esmagadora. Eu comecei a ter alguma perspectiva, mergulhando na plataforma Quantopian, assistindo a série de palestras quant e executando o meu e adaptação comunidade baseada em sistemas de negociação algo em seu ambiente. Como o seguinte: eu então percebi para entrar em mais profundo mais rápido, eu tenho que conhecer pessoas que gostam de criar estratégias de negociação, mas não pode programar - para corresponder-me como um gerente de equipe ágil e programador de sistemas de negociação. Então eu escrevi um livro sobre como criar uma equipe para implementar seus algoritmos de negociação. Construção de sistemas de negociação A maneira ágil: Como construir sistemas de negociação algorítmica vencedora como uma equipe. Na comunidade de Quantopian eu vi pessoas experientes financeiros procurando pessoas para implementar suas estratégias de negociação, mas onde medo de pedir aos programadores para implementar suas idéias. Uma vez que potencialmente pode começar a executar suas idéias de negociação sem eles. Eu abordar esta questão no meu livro. Para evitar programadores para fugir com suas idéias: criar uma especificação para a sua idéia de negociação que usa uma estrutura de codificação que é adaptada para o tipo de estratégia que você deseja desenvolver. Isso pode soar difícil, mas quando você conhece todos os passos do bebê e como eles se encaixam, é bastante simples e divertido de gerenciar Se você gostou desta resposta, por favor vote e siga. Embora este é um tópico muito amplo com referências a construir algoritmos, configuração de infra-estrutura, alocação de ativos e gerenciamento de riscos, mas vou apenas se concentrar na primeira parte de como deve ser trabalhar na construção de nosso próprio algoritmo , E fazer as coisas certas. 1. Estratégia de construção. Alguns dos pontos-chave a observar aqui são: Catch Big Trends - Uma boa estratégia deve, em todos os casos, ganhar dinheiro quando o mercado está tendendo. Mercados ir com uma boa tendência que dura apenas 15-20 do tempo, mas este é o momento em que todos os gatos e cães (comerciantes de todos os time-frame, intraday, diário, semanal, longo prazo) estão fora de compras e todos eles Têm um tema comum. Um monte de comerciantes também construir estratégias de reversão média em que eles tentam julgar as condições quando o preço se afastaram da média, e ter um comércio contra a tendência, mas eles devem ser construídos quando você tem sucesso construir e negociado alguns bons sistemas de tendência . As probabilidades de empilhamento acima - as pessoas trabalham frequentemente para tentar construir um sistema que tem uma relação de winloss excelente mas that039s não a abordagem certa. Por exemplo um algo com um vencedor de 70 com um lucro médio de 100 por comércio e uma perda média de 200 por comércio só fará 100 por 10 negócios (rede 10trade). Mas um algo com um vencedor de 30 com lucro médio de 500 por comércio e perda de 100 por comércio fará um lucro líquido de 800 para 10 trades (80trade). Portanto, não é necessário que a proporção de winloss deve ser bom, mas sim as probabilidades de empilhamento que deve ser melhor. Isto vai dizer quotKeep perdas pequenas, mas deixe seus vencedores runquot. Em investimentos, o que é confortável raramente é rentável. Robert Arnott Drawdown - Drawdown é inevitável, se você estiver seguindo qualquer tipo de estratégia. Então, ao projetar um algo don039t tentar reduzir o drawdown ou fazer alguma condição personalizada específica para cuidar desse abaixamento. Esta condição específica pode no futuro pode agir como um obstáculo na captura de uma grande tendência e seu algo pode executar mal. Gestão de Risco - Ao construir uma estratégia, você deve sempre ter um portão de saída, o que o mercado optar por fazer. O mercado é um lugar de probabilidades e você deve projetar um algo para começá-lo fora de um comércio o mais rapidamente possível se ele doesn039t caber seu apetite de risco. Normalmente, argumenta-se que você deve arriscar 1-2 de capital em cada comércio, e é ideal em muitas maneiras como mesmo se você começar arnd 10 negócios falsos em sucessão o seu capital vai cair por apenas 20. Mas este não é o Cenário de mercado real. Alguns comércios perdidos estarão entre 0-1, enquanto alguns podem ir para 3-4, por isso é melhor definir o capital de perda médio por comércio eo capital máximo que você pode perder em um comércio, como os mercados são completamente aleatórios e não podem ser julgados . De vez em quando, o mercado faz algo tão estúpido que tira o fôlego. - Jim Cramer 2. Testando e otimizando um Deslizamento de Estratégia. Quando estamos testando uma estratégia em dados históricos, estamos sob a suposição de que a ordem será executada ao preço predefinido chegado pelo algo. Mas isso nunca será o caso, como temos de lidar com os criadores de mercado e HFT algo039s agora. Sua ordem no mundo today039s nunca será executado no preço desejado, e não haverá derrapagem. Isso deve ser incluído no teste. Impacto no Mercado: O volume negociado pelo algo é outro fator importante a ser considerado ao fazer back-testing e coletar os resultados históricos. À medida que o volume aumenta, as encomendas feitas por algo terão um impacto considerável no mercado e o preço médio da encomenda cheia será muito diferente. Seu algo pode produzir resultados completos diferentes em condições de mercado reais, se você não vai estudar a dinâmica de volume seu algo tem. Otimização: a maioria dos comerciantes sugerem que você não faça ajuste de curva e otimização e eles estão corretos como os mercados são uma função de variáveis aleatórias e nenhuma situação dois será sempre o mesmo. Portanto, otimizar parâmetros para situações particulares é uma má idéia. Eu sugiro que você vá para Zonal Optimization. É uma técnica que eu sigo, comprar zonas de identificação que têm características semelhantes em termos de volatilidade e volume. Otimize essas áreas separadamente, em vez de otimizar para todo o período. O acima são algumas das etapas mais básicas e mais importantes que eu sigo, ao converter um pensamento básico em um algoritmo e verificar a validade de it039s. Quot Todo mundo tem a capacidade de seguir o mercado de ações. Se você conseguiu passar por matemática de quinto grau, pode fazê-lo. QuotPeter Lynch 17.2k Vistas middot Ver Upvotes middot Não é para reprodução Resposta curta: Aprenda matemática aplicada à negociação, a estrutura de mercados e, opcionalmente, ser um programador de sistemas networkdistributed superior. Há três trilhas potencialmente paralelas que podem ser tomadas para aprender algoritmo negociação a partir do zero, dependendo do objetivo final de por que você deseja aprender. Aqui eles estão em ordem crescente de dificuldade, que também se correlaciona com o quanto ela se torna a sua parte de sua subsistência. Os anteriores abrirão as oportunidades para os seguintes. Você pode parar em qualquer etapa ao longo do caminho, uma vez que você aprendeu o suficiente ou conseguiu um emprego fazendo isso. Se você quer ser um quant, a maioria usa software de matemática e não realmente ser um programador de um sistema de algo, então a resposta curta é obter um PhD em Matemática, Física ou algum tópico de engenharia matemática pesada relacionada. Tente obter estágios nos melhores fundos de hedge, lojas de apoio ou bancos de investimento. Se você pode obter empregado por uma empresa de sucesso, então você será ensinado lá de outra forma, ele simplesmente won039t acontecer. Mas em qualquer caso, você ainda deve terminar a seção 039Self Study039 abaixo para ter certeza que você realmente quer passar pelo esforço de obter um PhD. A menos que você seja um gênio, se você não tiver um PhD você won039t ser capaz de competir com aqueles que fazem a menos que você se especializar na programação de sistemas de negociação. Se você deseja ser mais do lado da programação, tente aplicar para o emprego após cada etapa, mas não muitas vezes do que uma vez por ano por empresa. Self Study O primeiro passo é entender o que algoritmos trading é realmente e quais sistemas são necessários para apoiá-lo. I039d recomendo a leitura através de quotAlgorithmic Trading amp DMAquot (Johnson, 2010), algo que eu pessoalmente fiz e posso recomendar. Isso permitirá que você entenda em um nível básico. Em seguida, você deve programar o seu próprio livro de encomendas, um simples simulador de dados de mercado e uma implementação de algoritmo no seu computador com Java ou CC. Para crédito extra que ajudaria com a obtenção de emprego que você deve escrever sua própria camada de comunicação em rede do zero também. Neste ponto, você pode terminar de responder a pergunta por conta própria. Mas para completar e curiosidade, sinta-se livre para continuar: O próximo livro a abordar é quotTrading amp Intercâmbios: Market Microstructure for Practitionersquot (Harris, 2003). Isso vai entrar em detalhes mais finos de como os mercados funcionam. É outro livro que li, mas não completamente estudado porque eu era um programador de sistemas e não um quant nem um gerente do lado do negócio. Finalmente, se você quiser começar a aprender a matemática sobre como os mercados funcionam, trabalhe com o texto e os problemas em quotOptions, Futures e Other Derivativesquot (Hull, 2003). Eu fiz isso através de cerca de metade desse livro, quer em preparação ou como parte do treinamento interno em um dos meus antigos empregadores. Eu acredito que eu originalmente descobri sobre esse livro, porque foi sugerido ou leitura obrigatória para um dos bem considerados MS Financial Mathematics programas. Para potencialmente ter uma melhor chance de emprego através de um programa de alimentador new-grad, completar um programa de Matemática Financeiro MS se você deseja ser um programador de uma plataforma de negociação ou uma equipe de quants. Se você quer ser o único a projetar o algos, então você precisa ter o percurso PhD explicado anteriormente. Se você ainda não terminou a faculdade, então por todos os meios, tentar obter um estágio no mesmo tipo de lugares. Emprego Não importa o quanto você aprende em livros e na escola, nada vai comparar com os pequenos detalhes que você aprende enquanto trabalhava para uma empresa. Se você não sabe todos os casos de borda e sabe quando seu modelo deixa de funcionar, você vai perder dinheiro. Espero que responda a sua pergunta e que ao longo do caminho de aprender você descobrir se você realmente deseja a transição do estudo para o trabalho do dia-a-dia real. 18.5k Vistas middot Ver Upvotes middot Não é para reprodução Interactive Brokers Interactive Brokers tem uma plataforma de investimento realmente top-notch e preços decentes. It039s definitivamente uma ferramenta poderosa, então você provavelmente poderia obter alternativas mais baratas dos corretores de desconto como Etrade e Scottrade, mas se you039re sério sobre negociação algorítmica, IB é onde it039s. InvestFly O sucesso é toda sobre a prática e testando sua hipótese e algoritmos. Back-test, testar os mercados e compará-lo com os outros. Eu prefiro Investfly - Bolsa de Valores Virtual, Stock Market Game Amp Trading Strategies. Mas há uma tonelada de bons programas lá fora. Idea Geração Don039t começar a partir do zero - Eu gostaria de obter idéias de Investimento Motif (corretagem on-line, idéias de investimento, negociação de ações) e procurando Alpha, mas sempre olhar para o quadro geral e pensar sobre como essas coisas se aplicam à sua própria hipótese e Fórmulas. Cheers and good luck 4.5k Vistas middot Ver Upvotes middot Não é para reprodução Se o investimento é um processo, então a conclusão lógica é a automação. Algoritmos não são nada mais do que a formalização extrema de uma filosofia subjacente. Esta é a expressão visual de uma borda de negociação Margem de negociação Ganhe Média Vitória - Perda Perda Média Mudou minha vida ea maneira como me aproximo dos mercados. Visualize sua distribuição, sempre. Ele irá ajudá-lo a esclarecer seus conceitos, lançar luz sobre suas falhas lógicas, mas primeiro vamos começar com a elicitação da filosofia e da crença 1. Por que é importante esclarecer suas crenças Nós trocamos nossas crenças. Mais importante ainda, trocamos nossas crenças subconscientes. Se você não sabe quem você é, os mercados são um lugar caro para descobrir, Adam Smith Muitas pessoas não tomam o tempo para eliciar suas crenças e operar em crenças emprestadas. Perguntas não respondidas e lógica defeituosa é a razão pela qual alguns comerciantes sistemáticos ajustar o seu sistema em torno de cada retirada. Eu costumava ser assim por muitos anos. Exercícios de elicitação da opinião: O trabalho por Byron Katie. Depois que eu completei umas 2 crenças um desafio do dia por 100 dias, eu poderia explicar meu estilo a toda a avó 5 por que. Pergunte a si mesmo uma pergunta com o porquê e mergulhar mais profundo. Mindsets: expansivo e subtrativo ou smoothie Vs band-aid Existem dois tipos de mentalidade, e precisamos de ambos em momentos diferentes: Expansivo para explorar conceitos, idéias, truques etc Subtractive: para simplificar e esclarecer conceitos comerciantes sistemáticos que falham em ser subtractivo têm Uma abordagem smoothie. Eles jogam todos os tipos de coisas em sua estratégia e, em seguida, misturá-lo com um otimizador. Movimento ruim: a complexidade é uma forma de preguiça Os comerciantes sistemáticos excessivamente subtrativos têm uma mentalidade de ajuda de banda. Eles hard-codificar tudo e, em seguida, boa sorte patching quotEssentialist tradersquot compreender que é uma dança entre os períodos de exploração e os tempos de simplificação núcleo duro. Simples não é fácil Me levou 3.873 horas, e eu aceito que pode levar uma vida2. Sair: comece com o fim em mente Contra-intuitivo verdade A única vez quando você sabe se um comércio foi rentável é após a saída, à direita Então, o foco na lógica de saída em primeiro lugar. Na minha opinião, a principal razão pela qual as pessoas não conseguem automatizar sua estratégia é que eles se concentram muito na entrada e não o suficiente na saída. A qualidade das suas saídas dá forma à sua distribuição da PampL, veja a tabela acima Passe um tempo enorme em stop loss, pois afeta 4 componentes do seu sistema de comércio: Vitória, perda, perda média, freqüência de negociação A qualidade do seu sistema será determinada pela qualidade de Sua perda de stop, 3. Dinheiro é feito no módulo de gerenciamento de dinheiro Peso igual é uma forma de preguiça. O tamanho das suas apostas determinará a forma dos seus retornos. Entenda quando sua estratégia não funciona e reduzir o tamanho. Por outro lado, aumentar o tamanho quando ele funciona. Vou escrever mais sobre a posição de dimensionamento no meu site, mas existem muitos recursos através da internet 3. Última e muito menos, Entrada Depois de ter assistido a uma temporada completa de housewivesquot quotdesperate ou quotbreaking badquot, tinha algum chocolate, andou o cão, alimentado O peixe, chamou sua mãe, então é hora de pensar sobre a entrada. Leia a fórmula acima, a coleta de ações não é um componente primário. Pode-se argumentar que uma boa seleção de ações pode aumentar a vitória. Talvez, mas é inútil se não houver nenhuma política adequada de saída, nem gestão de dinheiro. Em termos probabilísticos, depois de ter uma saída fixa, a entrada torna-se uma probabilidade de escala móvel 4. O que se deve focar quando se está a testar Não existe uma média mágica móvel, o valor do indicador. Ao testar seu sistema, concentre-se em três coisas: Falsos positivos: eles corroem o desempenho. Encontre formas simples (elegantes) de reduzi-las, trabalhe nos períodos lógicos quando a estratégia não funciona: nenhuma estratégia funciona o tempo todo. Esteja preparado para isso e prepare planos de contingência com antecedência. Tweaking o sistema durante um drawdown é como aprender a nadar em uma tempestade Poder de compra e gestão de dinheiro: este é outro fato contra-intuitivo. Seu sistema pode gerar idéias, mas você não tem o poder de compra para executar. Por favor, dê uma olhada no gráfico acima Eu construir todas as minhas estratégias a partir do lado curto em primeiro lugar. O melhor teste de robustez para uma estratégia é o lado curto: Thin volume brutalmente volátil curto ciclo Plataformas Eu comecei em WealthLab desenvolvedor. Ele tem uma posição espetacular dimensionamento biblioteca. Esta é a única plataforma que permite backtetsing ampla carteira e otimização. Eu testa todos os meus conceitos sobre WLD. Altamente recomendado. Tem um inconveniente, ele não conecta o sizer da posição com negociar vivo real. Amibroker é bom demasiado. Ele tem uma API que se conecta a Interactive corretores e um decente veneno sizer. Nós programamos em Metatrader para Forex. Infelizmente, Metatrader tem ido para baixo a complexidade coelho buraco. Há uma vibrante comunidade lá fora. MatLab, a arma de escolha para engenheiros. Sem comentários. Tradestation Perry Kaufman escreveu alguns bons livros sobre TS. Há uma comunidade vibrante lá fora. É mais fácil do que a maioria das outras plataformas Conselhos finais Se você quer aprender a nadar, você tem que pular na água. Muitos novatos querem enviar suas idéias de bilhões de dólares para alguns programadores baratos em algum lugar. Não funciona assim. Você precisa aprender a linguagem, a lógica. Brace para uma longa viagem 14.7k Vistas middot Ver Upvotes middot Não para Reprodução Olhe para TradeLink (C) ou ActiveQuant (Java). TradeLink039s código é mais elegante. I039m digitando isso em um telefone celular, por favor, desculpe a minha brevidade. Basicamente, olhar para o que vem em vs o que sai como uma forma inicial para enquadrar o problema. Dentro. Dados do mercado, eventos do exhangemarket (execuções aos comércios que seu sistema coloc, acks, rejeições, notificação suspendida negociação, etc.). Fora. Ordens, modificações a ordes. QuotBuy 100 15,5, IOCquot, por exemplo. IOC imediato ou cancelar. Entre. Decisões estratégicas baseadas em informações recolhidas a partir de dados em tempo real, em conjunto com dados históricos e quaisquer outros insumos (trader039s comando de sua interface gráfica para o comércio moreless agressivamente, etc). Coisas como. Fazer um pedido, alterar uma ordem existente, etc. Agora você pode começar a abordar a arquitetura técnica de tal sistema. De importância fundamental seria a capacidade de expressar a estratégia de forma fácil, elegante, apesar da complexidade do processamento de eventos envolvidos (existem várias condições de corrida interessante que pode confundir o seu sistema no que diz respeito ao estado do mercado suas ordens, por exemplo). Eu costumava fazer isso para viver e, provavelmente, pode ir sem parar. Mas digitar em um telefone celular é um impedimento. Espero que você tenha encontrado isso útil. Contacte-me se precisar de mais orientações. 21.2k Vistas middot Ver Upvotes middot Não é para Reprodução Atualizado em 100w atrás middot Upvoted por Patrick J Rooney. 5 anos de negociação profissional Eu me especializo em avançado o Para começar com o básico, obter um porão de Amibroker (AmiBroker - Download). Amibroker tem uma linguagem fácil de aprender e motor de backtest poderoso onde você pode protótipo suas idéias. Também obter Howard Bandy 039s livro Quantitative Trading Systems. Este livro é uma boa introdução aos conceitos de desenvolvimento quantitativo. Você também precisa de pelo menos um conhecimento básico de estatística. Há uma abundância de bons cursos MOOC disponíveis para isso de graça. Como este um Estatísticas One - Princeton University Coursera It039s também vale a pena seguir A rua inteira. Que é um mashup de todos os blogs quant, muitos dos quais publicam código Amibroker com suas idéias. De lá, então vale a pena aprender Python (aprender python - Pesquisa do Google), e também fazer Andrew Ng039s excelente Stanford University Machine Learning curso, que é executado gratuitamente em Coursera. Se você quiser colocar seus próprios algoritmos para o teste, bons sites para isso são Quantconnect ou Quantopian. Finalmente, esse cara tem alguns bons conselhos sobre transformá-lo em sua carreira quantstart Boa sorte com a viagem Parcialmente tomada de resposta de Alan Clement039s Como pode um desenvolvedor de software em finanças se tornar um desenvolvedor quant 16.2k Vistas middot Ver Upvotes middot Não para ReproduçãoBest Programming Language Para Algorithmic Trading Systems Uma das perguntas mais freqüentes que recebo no mailbag 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 negociação algorítmica e como as decisões relativas à implementação afetam a escolha da linguagem. Em primeiro lugar, serão consideradas as principais componentes de um sistema de negociação algorítmica, tais como ferramentas de pesquisa, otimizador de portfólio, gerenciador de risco e mecanismo de execução. Posteriormente, diferentes estratégias de negociação serão examinadas e como elas afetam a concepção do sistema. Em particular, a frequência das negociações e o provável volume de transacções serão discutidos. Uma vez selecionada a estratégia de negociação, é necessário arquitetar todo o sistema. Isso inclui a escolha do hardware, do (s) sistema (s) operacional (is) e da resiliência do sistema contra eventos raros, potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, devemos ter devidamente em conta o desempenho - tanto para as ferramentas de pesquisa como para o ambiente de execução ao vivo. O que é o sistema de negociação tentando fazer Antes de decidir sobre o melhor idioma com o qual escrever um sistema de negociação automatizado é necessário definir os requisitos. Será que o sistema vai ser puramente baseado em execução Será que o sistema exige uma gestão de risco ou módulo de construção de carteira Será que o sistema requer um backtester de alto desempenho Para a maioria das estratégias do sistema de negociação pode ser dividido em duas categorias: Pesquisa e geração de sinal. A pesquisa se preocupa com a avaliação do desempenho de uma 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 ea complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade ea simultaneidade da CPU são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa. Geração de sinal está preocupado com a geração de um conjunto de sinais de negociação a partir de um algoritmo e enviar tais ordens para o mercado, geralmente através de uma corretora. Para certas estratégias é necessário um alto nível de desempenho. As questões de E / S, como a largura de banda ea latência da rede, são freqüentemente o fator limitante na otimização de sistemas de execução. Assim, a escolha das linguagens para cada componente de todo o seu sistema pode ser bastante diferente. Tipo, Frequência e Volume da Estratégia O tipo de estratégia algorítmica empregada terá um impacto substancial na concepção do sistema. It will be necessary to consider the markets being traded, the connectivity to external data vendors, the frequency and volume of the strategy, the trade-off between ease of development and performance optimisation, as well as any custom hardware, including co-located custom servers, GPUs or FPGAs that might be necessary. The technology choices for a low-frequency US equities strategy will be vastly different from those of a high-frequency statistical arbitrage strategy trading on the futures market. Prior to the choice of language many data vendors must be evaluated that pertain to a the strategy at hand. It will be necessary to consider connectivity to the vendor, structure of any APIs, timeliness of the data, storage requirements and resiliency in the face of a vendor going offline. It is also wise to possess rapid access to multiple vendors Various instruments all have their own storage quirks, examples of which include multiple ticker symbols for equities and expiration dates for futures (not to mention any specific OTC data). This needs to be factored in to the platform design. Frequency of strategy is likely to be one of the biggest drivers of how the technology stack will be defined. Strategies employing data more frequently than minutely or secondly bars require significant consideration with regards to performance. A strategy exceeding secondly bars (i. e. tick data) leads to a performance driven design as the primary requirement. For high frequency strategies a substantial amount of market data will need to be stored and evaluated. Software such as HDF5 or kdb are commonly used for these roles. In order to process the extensive volumes of data needed for HFT applications, an extensively optimised backtester and execution system must be used. CC (possibly with some assembler) is likely to the strongest language candidate. Ultra-high frequency strategies will almost certainly require custom hardware such as FPGAs, exchange co-location and kernalnetwork interface tuning. Research Systems Research systems typically involve a mixture of interactive development and automated scripting. The former often takes place within an IDE such as Visual Studio, MatLab or R Studio. The latter involves extensive numerical calculations over numerous parameters and data points. This leads to a language choice providing a straightforward environment to test code, but also provides sufficient performance to evaluate strategies over multiple parameter dimensions. Typical IDEs in this space include Microsoft Visual CC, which contains extensive debugging utilities, code completion capabilities (via Intellisense) and straightforward overviews of the entire project stack (via the database ORM, LINQ ) MatLab. which is designed for extensive numerical linear algebra and vectorised operations, but in an interactive console manner R Studio. which wraps the R statistical language console in a fully-fledged IDE Eclipse IDE for Linux Java and C and semi-proprietary IDEs such as Enthought Canopy for Python, which include data analysis libraries such as NumPy. SciPy. scikit-learn and pandas in a single interactive (console) environment. For numerical backtesting, all of the above languages are suitable, although it is not necessary to utilise a GUIIDE as the code will be executed in the background. The prime consideration at this stage is that of execution speed. A compiled language (such as C) is often useful if the backtesting parameter dimensions are large. Remember that it is necessary to be wary of such systems if that is the case Interpreted languages such as Python often make use of high-performance libraries such as NumPypandas for the backtesting step, in order to maintain a reasonable degree of competitiveness with compiled equivalents. Ultimately the language chosen for the backtesting will be determined by specific algorithmic needs as well as the range of libraries available in the language (more on that below). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen. Portfolio Construction and Risk Management The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of risky bets, but also minimise churn of the trades themselves, reducing transaction costs. Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system. The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio. Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C. MatLab also possesses extensively optimised matrix operations. Python utilises NumPySciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised) matrix library to carry this step out, so as not to bottleneck the trading system. Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies), increased correlations between asset classes, counter-party default, server outages, black swan events and undetected bugs in the trading code, to name a few. Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo stress tests. This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to throw hardware at the problem. Execution Systems The job of the execution system is to receive filtered trading signals from the portfolio construction and risk management components and send them on to a brokerage or other means of market access. For the majority of retail algorithmic trading strategies this involves an API or FIX connection to a brokerage such as Interactive Brokers. The primary considerations when deciding upon a language include quality of the API, language-wrapper availability for an API, execution frequency and the anticipated slippage. The quality of the API refers to how well documented it is, what sort of performance it provides, whether it needs standalone software to be accessed or whether a gateway can be established in a headless fashion (i. e. no GUI). In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API. I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason Most APIs will provide a C andor Java interface. It is usually up to the community to develop language-specific wrappers for C, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages (see below) such as CJava are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCPIP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy . Performance Considerations Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data IO, concurrencyparallelism 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 NumPySciPy. 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 (disknetwork 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 doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk IO operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocationdeallocation as part of an objects 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 Amdahls 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 Nvidias 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 concurrencymultithreading. 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 78, 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 rebootspatching (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 x86x64 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 pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets 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 wont 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 doesnt 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 NumPySciPy 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 licensingmaintenance 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 pluginslibraries (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, MySQLPostgreSQL, 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 dependencyversioning 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 systemprotocol (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 C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas 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 (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). 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 . Conclusion 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. Basta começar com Quantitative TradingIt Não parece possível. Mas é com nossas estratégias de negociação algorítmica Não parece possível. Um sistema de negociação algorítmica com tanta identificação de tendências, análise de ciclos, fluxos de volume de buysell, estratégias de negociação múltiplas, entrada dinâmica, preços de destino e stop e tecnologia de sinal ultra-rápido. Mas isso é. Na verdade, AlgoTrades plataforma de sistema de negociação algorítmica é o único do seu tipo. Não mais procurar por estoques quentes, setores, commodities, índices ou opiniões de mercado de leitura. Algotrades faz toda a pesquisa, sincronização e negociação para você usando nosso sistema de negociação algorítmica. AlgoTrades estratégias comprovadas podem ser seguidas manualmente por receber e-mail e SMS texto alertas, ou pode ser 100 hands-free negociação, cabe a você Você pode ativar onoff negociação automatizada a qualquer momento para que você esteja sempre no controle de seu destino. Sistemas automatizados de negociação para investidores experientes Copyright 2017 - ALGOTRADES - Sistema de Trading Algorítmico Automatizado CFTC REGRA 4.41 - RESULTADOS HIPOTÉTICOS OU SIMULADOS DE DESEMPENHO TÊM CERTAS LIMITAÇÕES. DESCONHECIDO UM REGISTO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, SENDO QUE OS COMÉRCIOS NÃO FORAM EXECUTADOS, OS RESULTADOS PODERÃO TER OU NÃO COMPENSADO PELO IMPACTO, SE HOUVER, DE CERTOS FATORES DE MERCADO, COMO A FALTA DE LIQUIDEZ. OS PROGRAMAS SIMULADOS DE NEGOCIAÇÃO EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE SÃO PROJETADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ SENDO SENDO QUE QUALQUER CONTA PODERÁ OU É POSSÍVEL CONSEGUIR LUCROS OU PERDAS SIMILARES Àqueles MOSTRADOS. Nenhuma representação está sendo feita nem implica que o uso do sistema de negociação algorítmico irá gerar renda ou garantir um lucro. Há um risco substancial de perda associado com futuros de negociação e troca de valores negociados em bolsa. A negociação de futuros ea negociação de valores negociados em bolsa envolvem um risco substancial de perda e não é apropriado para todos. Estes resultados são baseados em resultados de desempenho simulados ou hipotéticos que têm certas limitações inerentes. Ao contrário dos resultados mostrados em um registro de desempenho real, esses resultados não representam a negociação real. Além disso, uma vez que estas transacções não foram efectivamente executadas, estes resultados podem ter sub-ou sobre-compensado o impacto, se for o caso, de determinados factores de mercado, como a falta de liquidez. Programas de negociação simulados ou hipotéticos em geral também estão sujeitos ao fato de que eles são projetados com o benefício de retrospectiva. Nenhuma representação está sendo feita que qualquer conta vai ou é susceptível de alcançar lucros ou perdas semelhantes aos que estão sendo mostrados. As informações contidas neste website foram preparadas sem levar em conta os objetivos de investimento, a situação financeira e as necessidades dos investidores, e ainda aconselha os assinantes a não agirem sobre qualquer informação sem obter aconselhamento específico de seus consultores financeiros para não confiar em informações do site como base primária Para suas decisões de investimento e para considerar seu próprio perfil de risco, tolerância de risco e suas próprias perdas de parada. - powered by Enfold WordPress Tema
No comments:
Post a Comment