Escrever sistema de negociação

Codificação de Sistemas de Negociação.

Por Justin Kuepper.

Como os sistemas de negociação automatizados são criados?

Este tutorial se concentrará na segunda e na terceira partes deste processo, onde suas regras são convertidas em um código que seu software de negociação pode entender e usar.

Vantagens e desvantagens.

Um sistema automatizado tira a emoção e o trabalho ocupado da negociação, o que permite que você se concentre em melhorar suas regras de estratégia e gerenciamento de dinheiro. Uma vez que um sistema lucrativo é desenvolvido, ele não requer nenhum trabalho de sua parte até que ele quebre, ou as condições do mercado exigem uma mudança. Desvantagens:

Se o sistema não for devidamente codificado e testado, grandes perdas podem ocorrer muito rapidamente. Às vezes é impossível colocar certas regras no código, o que dificulta o desenvolvimento de um sistema de negociação automatizado. Neste tutorial, você aprenderá como planejar e projetar um sistema de negociação automatizado, como converter esse design em código que seu computador entenderá, como testar seu plano para garantir o desempenho ideal e, finalmente, como colocar seu sistema em uso.

10 etapas para construir um plano ganhando da troca.

Há um velho ditado nos negócios: "Não planeje e você planeja falhar". Pode parecer superficial, mas aqueles que são sérios sobre o sucesso, incluindo os comerciantes, devem seguir estas oito palavras como se fossem escritas em pedra. Pergunte a qualquer negociador que ganhar dinheiro de forma consistente e eles lhe dirão: "Você tem duas opções: você pode seguir metodicamente um plano escrito ou fracassar".

Se você tem um plano de negociação ou investimento escrito, parabéns! Você está em minoria. Embora ainda não haja garantia absoluta de sucesso, você eliminou um grande obstáculo. Se o seu plano usa técnicas falhas ou falta de preparação, seu sucesso não virá imediatamente, mas pelo menos você está em condições de traçar e modificar seu curso. Ao documentar o processo, você aprende o que funciona e como evitar a repetição de erros dispendiosos.

Se você tem ou não um plano agora, aqui estão algumas idéias para ajudar no processo.

[Construir um plano de negociação é um dos aspectos mais importantes da negociação do dia de sucesso. Em mais de cinco horas de vídeos sob demanda, exercícios e conteúdo interativo, o curso Torne-se um dia de tradutores da Investopedia mostrará uma estratégia comprovada que consiste em seis negociações que são aplicáveis ​​em qualquer segurança e em qualquer mercado.]

Prevenção de Desastres 101.

Trading é um negócio, então você tem que tratá-lo como tal, se você quiser ter sucesso. Ler alguns livros, comprar um programa de gráficos, abrir uma conta de corretagem e começar a negociar não é um plano de negócios - é uma receita para o desastre. (Veja também: Investir 101)

Uma vez que um trader saiba onde o mercado tem o potencial de pausar ou reverter, ele deve determinar qual deles será e agir de acordo. Um plano deve ser escrito em pedra enquanto você estiver negociando, mas sujeito a reavaliação quando o mercado fechar. Ele muda com as condições do mercado e se ajusta à medida que o nível de habilidade do profissional melhora. Cada comerciante deve escrever seu próprio plano, levando em conta os estilos e metas de negociação pessoal. Usar o plano de outra pessoa não reflete suas características de negociação.

Construindo o Plano Diretor Perfeito.

Quais são os componentes de um bom plano de negociação? Aqui estão 10 itens essenciais que todo plano deve incluir:

1. Avaliação de habilidades.

Você está pronto para negociar? Você já testou seu sistema negociando o papel e tem confiança de que ele funciona? Você pode seguir seus sinais sem hesitação? Negociar nos mercados é uma batalha de dar e receber. Os profissionais de verdade estão preparados e eles tiram seus lucros do resto da multidão que, sem um plano, distribuem seu dinheiro com erros caros.

2. Preparação Mental.

Como você está se sentindo? Você teve uma boa noite de sono? Você se sente à altura do desafio pela frente? Se você não está emocionalmente e psicologicamente pronto para lutar nos mercados, é melhor tirar o dia de folga - caso contrário, você corre o risco de perder sua camisa. Isso é garantido para acontecer se você estiver zangado, preocupado ou distraído da tarefa em questão. Muitos traders têm um mantra de mercado que repetem antes do dia começar para prepará-los. Crie um que coloque você na zona de negociação. Além disso, sua área de negociação deve estar livre de distrações. Lembre-se, isso é um negócio e as distrações podem ser caras.

3. Definir o nível de risco.

Quanto do seu portfólio você deve arriscar em qualquer negociação? Isso dependerá do seu estilo de negociação e tolerância ao risco. Pode variar entre cerca de 1% e até 5% da sua carteira num determinado dia de negociação. Isso significa que se você perder esse valor a qualquer momento do dia, você sai e fica de fora. É melhor manter o pó seco para lutar outro dia se as coisas não estão indo do seu jeito. (Veja também: Qual é a sua tolerância ao risco?)

4. Defina metas.

Antes de entrar em uma negociação, defina metas de lucro realistas e taxas de risco / recompensa. Qual é o risco / recompensa mínimo que você aceitará? Muitos comerciantes não farão transações, a menos que o lucro potencial seja pelo menos três vezes maior que o risco. Por exemplo, se o stop loss for uma perda por ação, sua meta deve ser um lucro de US $ 3. Defina metas de lucro semanais, mensais e anuais em dólares ou como uma porcentagem da sua carteira, e reavalie-as regularmente. (Veja também: Calculando Risco e Recompensa)

5. Faça o seu trabalho de casa.

Antes do mercado abrir, verifique o que está acontecendo ao redor do mundo? Os mercados no exterior estão subindo ou descendo? Os futuros de índices, como o S & amp; P 500 ou o Nasdaq 100, são negociados em bolsa, em alta ou baixa no pré-mercado? Os futuros de índices são uma boa maneira de avaliar o humor do mercado antes que o mercado se abra.

Quais dados econômicos ou de lucros devem ser divulgados e quando? Poste uma lista na parede à sua frente e decida se deseja negociar antes de um relatório importante. Para a maioria dos traders, é melhor esperar até que o relatório seja liberado do que correr riscos desnecessários. Os profissionais negociam com base em probabilidades. Eles não jogam.

6. Preparação do Comércio.

Seja qual for o sistema de negociação e o programa que você usa, rotule níveis de suporte e resistência maiores e menores, defina alertas para sinais de entrada e saída e certifique-se de que todos os sinais possam ser facilmente visualizados ou detectados com um sinal visual ou auditivo claro.

7. Definir regras de saída.

A maioria dos traders cometem o erro de concentrar 90% ou mais de seus esforços na busca por sinais de compra, mas prestam pouca atenção a quando e onde sair. Muitos traders não podem vender se estão em baixa porque não querem perder. Supere isso ou você não fará isso como um trader. Se sua parada for atingida, significa que você estava errado. Não tome isso pessoalmente. Comerciantes profissionais perdem mais negócios do que ganham, mas administrando dinheiro e limitando perdas, eles ainda acabam lucrando.

Antes de entrar em uma negociação, você deve saber onde estão suas saídas. Há pelo menos dois para cada negociação. Primeiro, qual é o seu stop loss se a negociação for contra você? Deve ser escrito. Paradas mentais não contam. Em segundo lugar, cada operação deve ter uma meta de lucro. Uma vez que você chegar lá, venda uma parte de sua posição e você pode mover seu stop loss para o resto de sua posição para breakeven, se desejar. Como discutido acima, nunca arrisque mais do que uma porcentagem definida de sua carteira em qualquer negociação.

8. Definir regras de entrada.

Isso vem depois das dicas para regras de saída por um motivo: as saídas são muito mais importantes que as entradas. Uma regra de entrada típica poderia ser expressa assim: "Se o sinal A disparar e houver um alvo mínimo pelo menos três vezes maior do que o meu stop loss e estivermos em suporte, compre X contratos ou ações aqui". Seu sistema deve ser complicado o suficiente para ser eficaz, mas simples o suficiente para facilitar as decisões instantâneas. Se você tem 20 condições que devem ser cumpridas e muitas são subjetivas, você achará difícil, se não impossível, fazer negócios. Os computadores costumam ser melhores traders do que pessoas, o que pode explicar por que quase 50% de todos os negócios que ocorrem na Bolsa de Valores de Nova York são gerados por programas de computador. Os computadores não precisam pensar ou sentir-se bem para fazer uma troca. Se as condições forem atendidas, elas entram. Quando a negociação vai pelo caminho errado ou atinge uma meta de lucro, eles saem. Eles não ficam zangados com o mercado ou se sentem invencíveis depois de fazer alguns bons negócios. Cada decisão é baseada em probabilidades. (Veja também: The NYSE e Nasdaq: Como eles funcionam)

9. Mantenha registros excelentes.

Todos os bons operadores também são bons detentores de registros. Se eles ganham um comércio, eles querem saber exatamente por que e como. Mais importante, eles querem saber o mesmo quando perdem, para que não repitam erros desnecessários. Anote detalhes como metas, a entrada e saída de cada comércio, o tempo, níveis de suporte e resistência, faixa de abertura diária, abertura e fechamento do mercado para o dia, e registre comentários sobre por que você fez o comércio e as lições aprendidas. Além disso, você deve salvar seus registros de negociação para que possa voltar e analisar o lucro ou perda de um determinado sistema, draw-downs (que são quantias perdidas por negociação usando um sistema de negociação), tempo médio por negociação (necessário para calcular a eficiência do comércio) e outros fatores importantes, e também compará-los a uma estratégia de compra e manutenção. Lembre-se, este é um negócio e você é o contador.

10. Execute uma pós-morte.

Após cada dia de negociação, somar o lucro ou a perda é secundário para saber o porquê e como. Anote suas conclusões em seu diário de negociação para que você possa referenciá-las mais tarde.

The Bottom Line.

Negociação de papel bem sucedida não garante que você terá sucesso quando você começar a negociar dinheiro real e as emoções entram em jogo. Mas a negociação bem-sucedida do papel dá ao comerciante a confiança de que o sistema que vai usar realmente funciona. Decidir sobre um sistema é menos importante do que ganhar habilidade suficiente para fazer negócios sem adivinhar ou duvidar da decisão.

Não há como garantir que uma negociação vai gerar dinheiro. As chances do negociante são baseadas em sua habilidade e sistema de ganhar e perder. Não há tal coisa como ganhar sem perder. Comerciantes profissionais sabem antes de entrar em uma negociação que as probabilidades estão a seu favor ou eles não estariam lá. Ao permitir que seus lucros aumentem e reduzam as perdas, um comerciante pode perder algumas batalhas, mas vencerá a guerra. A maioria dos investidores e investidores faz o oposto, e é por isso que eles nunca ganham dinheiro.

Os comerciantes que ganham consistentemente tratam a negociação como um negócio. Embora não seja uma garantia de que você vai ganhar dinheiro, ter um plano é crucial se você quiser ser consistentemente bem sucedido e sobreviver no jogo comercial.

A Linguagem de Programação Mais Fácil para Traders.

Introduzindo o TradeScript, nossa poderosa nova linguagem de programação que permite aos traders projetar sistemas de negociação sem experiência prévia em programação.

Para quem é isso?

O TradeScript é um componente de desenvolvimento projetado para desenvolvedores de software que desejam expandir o conjunto de recursos em seu aplicativo comercial fornecendo uma linguagem de script.

O TradeScript, como linguagem, é destinado a traders que precisam escrever suas próprias estratégias de negociação, mas não sabem programar em linguagens de baixo nível, como C e C ++.

O TradeScript permite que os comerciantes desenvolvam sistemas de negociação com rapidez e sem esforço. É tão fácil quanto o 1-2-3.

Com o TradeScript, você pode habilitar seu aplicativo de negociação para executar scripts que fornecem alertas quando o preço de um título (ações, futuros ou forex) alcança uma nova máxima, cruza uma média móvel ou baixa uma porcentagem definida, embora esses sejam apenas alguns exemplos. O TradeScript também pode escanear o mercado, gerar sinais de negociação, estratégias de negociação de back-test e muito mais.

Linguagens de programação vetorial.

Aplicativos de negociação mais populares, como MetaStock & trade ;, TradeStation & trade ;, NinjaTrader & trade ;, MetaTrader & trade; e outros fornecem suas próprias linguagens de programação (como MQL4, MQL5, EasyLanguage, linguagem de script do MetaStock, etc.). Sem uma linguagem de programação, os traders são incapazes de desenvolver sistemas de negociação automatizados ou realizar back-testing de estratégias.

Uma linguagem de programação vetorial oferece extrema flexibilidade com uma curva de aprendizado mínima. De fato, em apenas cinco minutos, você pode começar a escrever com o TradeScript.

Então, o que é uma linguagem de programação vetorial e por que é tão fácil aprender?

As linguagens de programação vetorial (também conhecidas como linguagens array ou multidimensionais) generalizam as operações em escalares para aplicar de forma transparente a vetores, matrizes e matrizes dimensionais superiores. A idéia por trás da programação vetorial é que as operações se aplicam de uma só vez a um conjunto inteiro de valores (um vetor ou campo). Isso permite pensar e operar em agregados inteiros de dados, sem recorrer a loops explícitos de operações escalares individuais.

Em outras palavras, é semelhante à linguagem de macros encontrada no Excel.

A linguagem de programação mais fácil para os comerciantes. O mais poderoso também.

Um exemplo: para calcular uma média móvel simples com base no preço médio de um título em 30 dias, em uma linguagem de programação tradicional como o BASIC, seria necessário escrever um programa semelhante ao código mostrado nesse bloco de código.

Várias linhas de código seriam necessárias para criar o vetor "MédianAverages". Mas com o TradeScript, você pode realizar a mesma coisa usando apenas uma linha de código, como mostrado abaixo.

Para n = bar - 30 para bar.

mediana = (FECHAR + ABRIR) / 2.

Média = média + mediana.

MédianAverages (bar) = Average / 30.

E agora a MedianAverage se torna um novo vetor que contém a média móvel simples de 30 períodos do preço médio do título.

Não é incomum encontrar uma linguagem de programação de array "one-liners" que exija mais do que algumas páginas de código BASIC, Java ou C ++. O mesmo vale para a criação de sistemas de negociação para testes posteriores e alertas comerciais.

O TradeScript foi originalmente projetado como uma linguagem de programação de alto desempenho para traders de alta frequência. Ele foi projetado para digitalizar mais de 100.000 ações com base em critérios técnicos complexos e retornar resultados instantâneos em menos de cinco milissegundos. Isso foi há mais de dez anos. Hoje é ainda mais rápido.

Estatísticas de teste de retorno.

Além de um Trade Log real, os resultados do teste backScript incluem mais de 24 resultados estatísticos: Número Total de Negociações, Número Médio de Negociações por Período, Número de Negociações Lucrativas, Número de Negociações em Perdas, Lucro Total, Perda Total, Lucro Percentual, Maior Lucro, Maior Perda, Maximum Drawdown, Maximum Drawdown (Monte Carlo), Índice Mensal de Valor Adicionado (VAMI), ROR Mensal Composto, Desvio Padrão, Desvio Padrão Anualizado, Desvio de Downside, Índice de Sharpe, Índice de Sharpe Anualizado, Proporção de Sortino, Índice de Calmar, e taxa de libra esterlina.

Solução de desenvolvimento rápido e fácil.

Se você é um desenvolvedor de software, ficará surpreso em saber que leva apenas cerca de 30 minutos para implementar o TradeScript em seu aplicativo de negociação. O TradeScript vem com ajuda sensível ao contexto, e o nosso Guia do Programador pode ser enviado com o seu aplicativo. Adicionar uma linguagem de script ao seu aplicativo de negociação não poderia ser mais fácil.

Introdução ao TradeScript>

Implementação da Plataforma de Negociação M4.

O TradeScript é a linguagem de programação usada em nossa plataforma de negociação M4, onde executa negociações automatizadas, processa alertas em tempo real, executa varreduras de estoque e sistemas de negociação de back-testing.

Disponível em C ++ e em versões c #.

O TradeScript está disponível em C ++ (x64 para melhor desempenho) e em C # para desenvolvimento de aplicativos da web. Ele vem com mais de 30 exemplos de projetos e suporte extensivo ao desenvolvedor para ajudá-lo a implementar a biblioteca em seu projeto.

Cenários Comuns de Desenvolvimento.

O TradeScript é mais comumente usado em um dos três cenários. É frequentemente usado em aplicativos comerciais de desktop, onde é incorporado no lado do cliente. Também é comumente usado no lado do servidor, onde executa estratégias para thin clients, como aplicativos móveis e da web. Outro cenário comum é onde o TradeScript é executado no lado do servidor para fornecer resultados de verificação em tempo real para usuários da Web e móveis.

Programação Genética.

Um algoritmo genético pode ser integrado ao TradeScript para criar um mecanismo de criação de sistema de negociação autônomo. Verifique nosso mecanismo de algoritmo genético Evo2 que vem com exemplos de TradeScript.

Estudo de caso.

O TradeScript é usado em vários aplicativos comerciais populares, um dos quais é o WhenToTrade Cycles e o Genetic Algorithm Platform. O estudo de caso descreve como o TradeScript é implementado para realizar análises cíclicas dos mercados.

O WhenToTrade Cycles e a GA Platform combinam análise técnica usando o TradeScript e gráficos financeiros usando StockChartX com novos algoritmos para análise cíclica. A solução é parte de um pacote de conhecimento completo e permite que os comerciantes apliquem as estratégias derivadas a todos os tipos de mercados e prazos.

Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?

Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?

Uma das perguntas mais freqüentes 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 particionado 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 a 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 as 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 negligenciados 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 das 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 gerenciamento 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 compromisso 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 cobrir o modelo alfa, os parâmetros de gerenciamento de risco e execução, 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.

Uma das decisões mais importantes que devem ser tomadas no início é como "separar as preocupações" de um sistema de negociação. No desenvolvimento de software, isso significa essencialmente dividir os diferentes aspectos do sistema de negociação em componentes modulares separados.

Ao expor interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que auxiliem o desempenho, a confiabilidade ou a manutenção, sem modificar nenhum código de dependência externo. Essa é a "melhor prática" para esses sistemas. Para estratégias em freqüências mais baixas, tais práticas são recomendadas. Para negociação de ultra alta frequência, o livro de regras pode ter que ser ignorado em detrimento do ajuste do sistema para um desempenho ainda maior. Um sistema mais fortemente acoplado pode ser desejável.

Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ideal é garantir que haja componentes separados para as entradas de dados de mercado históricas e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros estratégicos, construção de portfólio, gerenciamento de risco e sistemas automatizados de execução.

Por exemplo, se o armazenamento de dados em uso estiver atualmente com desempenho insatisfatório, mesmo em níveis significativos de otimização, ele poderá ser substituído com reescritas mínimas para a API de acesso a dados ou acesso a dados. Tanto quanto o backtester e componentes subseqüentes estão em causa, não há diferença.

Outro benefício dos componentes separados é que ele permite que uma variedade de linguagens de programação seja usada no sistema geral. Não há necessidade de se restringir a um único idioma se o método de comunicação dos componentes for independente de idioma. Este será o caso se eles estiverem se comunicando via TCP / IP, ZeroMQ ou algum outro protocolo independente de linguagem.

Como um exemplo concreto, considere o caso de um sistema de backtesting sendo escrito em C ++ para desempenho "processamento de números", enquanto o gerenciador de portfólio e os sistemas de execução são escritos em Python usando SciPy e IBPy.

Considerações de desempenho.

O desempenho é uma consideração significativa para a maioria das estratégias de negociação. Para estratégias de maior frequência, é o fator mais importante. "Desempenho" abrange uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, E / S de dados, simultaneidade / paralelismo e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto, este artigo apenas arranhará a superfície de cada tópico. A arquitetura e a escolha de idiomas serão agora discutidas em termos de seus efeitos no desempenho.

A sabedoria predominante, como afirma Donald Knuth, um dos pais da Ciência da Computação, é que "a otimização prematura é a raiz de todo o mal". Isso é quase sempre o caso - exceto quando se constrói um algoritmo de negociação de alta frequência! Para aqueles que estão interessados ​​em estratégias de baixa frequência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os gargalos começam a aparecer.

As ferramentas de criação de perfil são usadas para determinar onde os gargalos surgem. Os perfis podem ser feitos para todos os fatores listados acima, seja em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e idioma disponíveis para isso, bem como utilitários de terceiros. A escolha da língua será agora discutida no contexto do desempenho.

C ++, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (como parte de seus padrões ou externamente) para estrutura de dados básica e trabalho algorítmico. O C ++ é fornecido com a Biblioteca de Modelos Padrão, enquanto o Python contém o NumPy / SciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação.

Uma exceção é se a arquitetura de hardware altamente personalizada for necessária e um algoritmo estiver fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a "reinvenção da roda" desperdiça tempo que poderia ser mais bem gasto desenvolvendo e otimizando outras partes da infraestrutura de negociação. O tempo de desenvolvimento é extremamente precioso, especialmente no contexto de desenvolvedores únicos.

A latência é frequentemente uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão situadas na mesma máquina. Para o primeiro, a latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de disco / rede), os sinais devem ser gerados (operacional, latência do sistema de mensagens kernal), sinais de negociação enviados (latência de NIC) e pedidos processados ​​(latência interna de sistemas de intercâmbio).

Para operações de freqüência mais alta, é necessário tornar-se intimamente familiarizado com a otimização do kernal, bem como com a otimização da transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT for desejado, esteja ciente da profundidade do conhecimento necessário!

O cache é muito útil no kit de ferramentas de um desenvolvedor de comércio quantitativo. O armazenamento em cache se refere ao conceito de armazenamento de dados acessados ​​com freqüência de uma maneira que permite acesso de melhor desempenho, em detrimento do possível staleness dos dados. Um caso de uso comum ocorre no desenvolvimento da Web ao obter dados de um banco de dados relacional baseado em disco e colocá-lo na memória. Quaisquer solicitações subsequentes para os dados não precisam "atingir o banco de dados" e, portanto, os ganhos de desempenho podem ser significativos.

Para situações de negociação, o armazenamento em cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégias pode ser armazenado em um cache até que seja reequilibrado, de modo que a lista não precise ser regenerada em cada loop do algoritmo de negociação. Essa regeneração provavelmente será uma operação alta de CPU ou E / S de disco.

No entanto, o armazenamento em cache não é isento de seus próprios problemas. A regeneração dos dados em cache de uma só vez, devido à natureza volátil do armazenamento em cache, pode colocar uma demanda significativa na infraestrutura. Outro problema é o empilhamento de cães, em que múltiplas gerações de uma nova cópia de cache são realizadas sob uma carga extremamente alta, o que leva a uma falha em cascata.

Alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de negociação de desempenho mais alto conheçam bem como a memória está sendo alocada e desalocada durante o fluxo do programa. Novos padrões de linguagem, como Java, C # e Python, executam a coleta automática de lixo, que se refere à desalocação da memória alocada dinamicamente quando os objetos saem do escopo.

A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz os erros e ajuda na legibilidade. No entanto, muitas vezes é sub-ótimo para certas estratégias de negociação de alta frequência. A coleta de lixo personalizada é geralmente desejada para esses casos. Em Java, por exemplo, ajustando o coletor de lixo e a configuração de heap, é possível obter alto desempenho para estratégias de HFT.

O C ++ não fornece um coletor de lixo nativo e, portanto, é necessário manipular toda alocação / desalocação de memória como parte da implementação de um objeto. Embora potencialmente sujeito a erros (potencialmente levando a ponteiros pendentes), é extremamente útil ter um controle refinado de como os objetos aparecem no heap para determinados aplicativos. Ao escolher um idioma, certifique-se de estudar como o coletor de lixo funciona e se ele pode ser modificado para otimizar um determinado caso de uso.

Muitas operações em sistemas de negociação algorítmica são passíveis de paralelização. Isto refere-se ao conceito de realizar múltiplas operações programáticas ao mesmo tempo, isto é, em "paralelo". Os chamados algoritmos "embarassingly parallel" incluem etapas que podem ser calculadas de forma totalmente independente de outras etapas. Certas operações estatísticas, como as simulações de Monte Carlo, são um bom exemplo de algoritmos embarassingly paralelos, já que cada sorteio aleatório e a subsequente operação de caminho podem ser computadas sem o conhecimento de outros caminhos.

Outros algoritmos são apenas parcialmente paralelizáveis. Simulações de dinâmica de fluidos são um exemplo, onde o domínio de computação pode ser subdividido, mas, em última análise, esses domínios devem se comunicar entre si e, assim, as operações são parcialmente sequenciais. Os algoritmos paralelizáveis ​​estão sujeitos à Lei de Amdahl, que fornece um limite superior teórico para o aumento de desempenho de um algoritmo paralelizado quando sujeito a processos separados por $ N $ (por exemplo, em um núcleo ou encadeamento da CPU).

A paralelização tornou-se cada vez mais importante como um meio de otimização, uma vez que as velocidades de clock do processador estagnaram, pois os processadores mais recentes contêm muitos núcleos com os quais executar cálculos paralelos. O aumento do hardware gráfico do consumidor (predominantemente para videogames) levou ao desenvolvimento de Unidades de Processamento Gráfico (Graphical Processing Units - GPUs), que contêm centenas de "núcleos" para operações altamente concorrentes. Essas GPUs agora são muito acessíveis. Estruturas de alto nível, como o CUDA da Nvidia, levaram à adoção generalizada na academia e nas finanças.

Esse hardware GPU geralmente é adequado apenas para o aspecto de pesquisa de finanças quantitativas, enquanto outros hardwares mais especializados (incluindo Field-Programmable Gate Arrays - FPGAs) são usados ​​para (U) HFT. Atualmente, os idiomas mais modernos suportam um grau de simultaneidade / multithreading. Assim, é fácil otimizar um backtester, já que todos os cálculos são geralmente independentes dos demais.

O dimensionamento em engenharia de software e operações refere-se à capacidade do sistema de manipular cargas crescentes de forma consistente na forma de solicitações maiores, maior uso do processador e mais alocação de memória. No comércio algorítmico, uma estratégia é capaz de escalonar se puder aceitar maiores quantidades de capital e ainda produzir retornos consistentes. A pilha de tecnologia de negociação é dimensionada se puder suportar maiores volumes de negócios e maior latência, sem gargalos.

Embora os sistemas devam ser projetados para escalar, muitas vezes é difícil prever antecipadamente onde ocorrerá um gargalo. Registro, testes, criação de perfis e monitoramento rigorosos ajudarão muito a permitir que um sistema seja dimensionado. Os próprios idiomas são geralmente descritos como "não escaláveis". Isso geralmente é resultado de desinformação, e não de fatos concretos. É a pilha total de tecnologia que deve ser verificada para escalabilidade, não para o idioma. É claro que certas linguagens têm um desempenho maior do que outras em casos de uso específicos, mas uma linguagem nunca é "melhor" que outra em todos os sentidos.

Um meio de administrar escala é separar as preocupações, como dito acima. De modo a introduzir ainda a capacidade de lidar com "picos" no sistema (isto é, volatilidade súbita que desencadeia uma série de operações), é útil criar uma "arquitectura de fila de mensagens". Isso significa simplesmente colocar um sistema de fila de mensagens entre os componentes para que os pedidos sejam "empilhados" se um determinado componente não puder processar muitas solicitações.

Em vez de solicitações serem perdidas, elas são simplesmente mantidas em uma pilha até que a mensagem seja manipulada. Isso é particularmente útil para enviar negociações para um mecanismo de execução. Se o motor estiver sofrendo sob latência pesada, ele fará o backup dos negócios. Uma fila entre o gerador de sinais de negociação e a API de execução aliviará essa questão às custas do escorregamento comercial em potencial. Um broker de fila de mensagens de software livre bem respeitado é o RabbitMQ.

Hardware e Sistemas Operacionais.

O hardware que executa sua estratégia pode ter um impacto significativo na lucratividade de seu algoritmo. Este não é um problema restrito a operadores de alta frequência. Uma má escolha em hardware e sistema operacional pode levar a uma falha da máquina ou reinicializar no momento mais inoportuno. Assim, é necessário considerar onde seu aplicativo irá residir. A escolha é geralmente entre uma máquina desktop pessoal, um servidor remoto, um provedor "nuvem" ou um servidor co-localizado em troca.

As máquinas desktop são simples de instalar e administrar, especialmente com sistemas operacionais mais novos e amigáveis ​​ao usuário, como o Windows 7/8, o Mac OSX e o Ubuntu. Sistemas de desktop possuem algumas desvantagens significativas, no entanto. O principal é que as versões dos sistemas operacionais projetados para máquinas de mesa provavelmente exigirão reinicializações / patches (e geralmente no pior dos casos!). Eles também usam mais recursos computacionais pela necessidade de uma interface gráfica de usuário (GUI).

Utilizar hardware em um ambiente doméstico (ou escritório local) pode levar a problemas de conectividade à Internet e de tempo de atividade. O principal benefício de um sistema de desktop é que a potência computacional significativa pode ser adquirida pela fração do custo de um servidor dedicado remoto (ou sistema baseado em nuvem) de velocidade comparável.

Um servidor dedicado ou uma máquina baseada em nuvem, embora frequentemente mais cara do que uma opção de desktop, permite uma infraestrutura de redundância mais significativa, como backups automáticos de dados, a capacidade de garantir mais tempo de atividade e monitoramento remoto. Eles são mais difíceis de administrar, pois exigem a capacidade de usar os recursos de login remoto do sistema operacional.

No Windows, isso geralmente é feito através do protocolo RDP (Remote Desktop Protocol) da GUI. Em sistemas baseados em Unix, a linha de comando Secure SHell (SSH) é usada. A infra-estrutura de servidor baseada em Unix é quase sempre baseada em linha de comando, o que imediatamente torna as ferramentas de programação baseadas em GUI (como MatLab ou Excel) inutilizáveis.

Um servidor co-localizado, como a frase é usada no mercado de capitais, é simplesmente um servidor dedicado que reside dentro de uma troca a fim de reduzir a latência do algoritmo de negociação. Isso é absolutamente necessário para certas estratégias de negociação de alta frequência, que dependem de baixa latência para gerar alfa.

O aspecto final da escolha de hardware e a escolha da linguagem de programação é a independência de plataforma. Existe a necessidade de o código ser executado em vários sistemas operacionais diferentes? O código foi projetado para ser executado em um tipo específico de arquitetura de processador, como o Intel x86 / x64 ou será possível executar em processadores RISC, como os fabricados pela ARM? Essas questões serão altamente dependentes da frequência e do tipo de estratégia que está sendo implementada.

Resiliência e Teste.

Uma das melhores maneiras de perder muito dinheiro em negociações algorítmicas é criar um sistema sem resiliência. Isso se refere à durabilidade do sistema quando sujeito a eventos raros, como falências de corretagem, volatilidade excessiva súbita, tempo de inatividade em toda a região para um provedor de servidor em nuvem ou a exclusão acidental de um banco de dados comercial inteiro. Anos de lucros podem ser eliminados em segundos com uma arquitetura mal projetada. É absolutamente essencial considerar problemas como depuração, teste, registro, backups, alta disponibilidade e monitoramento como componentes principais de seu sistema.

É provável que, em qualquer aplicação de negociação quantitativa personalizada razoavelmente complicada, pelo menos 50% do tempo de desenvolvimento seja gasto em depuração, teste e manutenção.

Quase todas as linguagens de programação vêm com um depurador associado ou possuem alternativas de terceiros bem respeitadas. Em essência, um depurador permite a execução de um programa com a inserção de pontos de interrupção arbitrários no caminho do código, que interrompem temporariamente a execução para investigar o estado do sistema. O principal benefício da depuração é que é possível investigar o comportamento do código antes de um ponto de falha conhecido.

A depuração é um componente essencial na caixa de ferramentas para analisar erros de programação. No entanto, eles são mais amplamente usados ​​em linguagens compiladas, como C ++ ou Java, já que linguagens interpretadas, como Python, são mais fáceis de depurar devido a menos instruções LOC e menos detalhadas. Apesar dessa tendência, o Python vem com o pdb, que é uma ferramenta sofisticada de depuração. O Microsoft Visual C ++ IDE possui extensos utilitários de depuração de GUI, enquanto para o programador Linux C ++ de linha de comando, existe o depurador gdb.

Testes em desenvolvimento de software referem-se ao processo de aplicar parâmetros e resultados conhecidos a funções, métodos e objetos específicos dentro de uma base de código, para simular comportamento e avaliar múltiplos caminhos de código, ajudando a garantir que um sistema se comporta como deveria. Um paradigma mais recente é conhecido como Test Driven Development (TDD), em que o código de teste é desenvolvido em relação a uma interface especificada sem implementação. Antes da conclusão da base de código real, todos os testes falharão. Como o código é escrito para "preencher os espaços em branco", os testes acabarão por passar, ponto em que o desenvolvimento deve cessar.

O TDD requer um design de especificação inicial extenso, bem como um grau saudável de disciplina, a fim de realizar com sucesso. Em C ++, o Boost fornece uma estrutura de teste de unidade. Em Java, a biblioteca JUnit existe para cumprir o mesmo propósito. O Python também possui o módulo unittest como parte da biblioteca padrão. Muitas outras linguagens possuem estruturas de teste de unidade e muitas vezes há várias opções.

Em um ambiente de produção, o registro sofisticado é absolutamente essencial. O registro refere-se ao processo de saída de mensagens, com vários graus de gravidade, em relação ao comportamento de execução de um sistema para um arquivo simples ou banco de dados. Os logs são uma "primeira linha de ataque" ao procurar um comportamento inesperado do tempo de execução do programa. Infelizmente, as deficiências de um sistema de extração de madeira tendem a ser descobertas após o fato! Como com os backups discutidos abaixo, um sistema de registro deve ser considerado antes de um sistema ser projetado.

Tanto o Microsoft Windows quanto o Linux vêm com um amplo recurso de registro do sistema, e as linguagens de programação tendem a ser fornecidas com bibliotecas de registro padrão que cobrem a maioria dos casos de uso. Geralmente, é aconselhável centralizar as informações de registro para analisá-las em uma data posterior, pois elas podem levar a idéias sobre como melhorar o desempenho ou a redução de erros, o que quase certamente terá um impacto positivo em seus retornos comerciais.

Embora o registro de um sistema forneça informações sobre o que aconteceu no passado, o monitoramento de um aplicativo fornecerá informações sobre o que está acontecendo no momento. Todos os aspectos do sistema devem ser considerados para monitoramento. Métricas no nível do sistema, como uso do disco, memória disponível, largura de banda da rede e uso da CPU, fornecem informações básicas sobre carga.

Métricas de negociação, como preços / volume anormais, levantamentos repentinos rápidos e exposição de contas para diferentes setores / mercados também devem ser continuamente monitorados. Além disso, deve ser instigado um sistema de limite que forneça notificação quando certas métricas forem violadas, elevando o método de notificação (email, SMS, chamada telefônica automatizada), dependendo da gravidade da métrica.

O monitoramento do sistema é geralmente o domínio do administrador do sistema ou do gerenciador de operações. No entanto, como um desenvolvedor comercial exclusivo, essas métricas devem ser estabelecidas como parte do design maior. Existem muitas soluções para monitoramento: proprietárias, hospedadas e de código aberto, que permitem a personalização extensiva de métricas para um caso de uso específico.

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.

Construa seu sistema de negociação em seis etapas.

No Capítulo 2 você aprendeu todos os elementos importantes da análise técnica. Neste capítulo, você aprenderá a combinar todas essas informações em um sistema de negociação.

Nosso sistema segue a tendência, o que significa que você deve sempre negociar na direção da tendência. Você aprenderá a usar vários indicadores técnicos para identificar tendências e encontrar os níveis corretos de entrada e saída.

O sistema descrito aqui é construído em 6 etapas:

Etapa 1: defina seu período de tempo.

Step 2 : Identify the position of the market.

Etapa 3: Encontre os níveis de suporte e resistência.

Etapa 4: encontre seus níveis de entrada.

Etapa 5: encontre seus níveis de saída.

Etapa 6: use várias análises de período de tempo.

À medida que você se torna mais experiente, talvez queira desenvolver seu próprio sistema que se ajustaria ao seu conhecimento, personalidade e tolerância ao risco. É vital para você, como trader, ter um sistema de negociação, pois isso limitará os erros de negociação e minimizará suas perdas. Isso impedirá que você tome decisões irracionais no calor do momento. Em vez disso, permitirá que você negocie com menos emoção e estresse.

Um sistema de negociação só é eficaz se for seguido. Você tem que cumpri-lo e, para fazer isso, você precisa de disciplina de ferro. It sounds simple but most traders still can’t do it. Você deve escrever suas regras de sistema de negociação e segui-las sempre.

Lembre-se sempre de testar seu sistema. A maneira mais fácil de fazer isso é através da plataforma MT4. Volte no tempo e mova o gráfico para frente para ver como seu sistema se comportaria. Grave seu desempenho e, se estiver satisfeito com os resultados, comece a negociar em uma conta de demonstração. Se depois de um tempo você ainda estiver obtendo bons resultados, poderá negociar seu sistema em uma conta real. Neste ponto, você deve ter confiança em seu sistema e se sentir confortável fazendo negócios sem hesitação.