Exemplo de sistema de comércio c #

A Biblioteca Back Testing para Desenvolvedores de Estratégia de Negociação Profissional O teste de atraso é o processo de testar estratégias de negociação baseadas em dados de mercado históricos para tentar simular como um sistema comercial pode realizar no futuro. O teste de atraso é o desenvolvimento da estratégia comercial, o que a pesquisa e a melhoria da qualidade são para as indústrias de saúde e transporte. Quem gostaria de experimentar um monitor cardíaco não testado ou um automóvel Ninguém. O mesmo vale para as estratégias de negociação financeira. Todas as estratégias de negociação devem ser testadas, otimizadas e validadas antes de entrar em ação com dinheiro real. Quase qualquer estratégia de negociação de análise técnica pode ser testada. Embora seja verdade que muitos aplicativos de negociação de nível intermediário fornecem linguagens de script que permitem aos comerciantes desenvolver e testar estratégias de negociação de teste, descobrimos que não havia bibliotecas de testes de volta disponíveis para desenvolvedores avançados de sistemas de negociação que preferem programar suas estratégias de negociação em programação de baixo nível Idiomas como C, C e Java. Então, desenvolvemos um mecanismo de teste de back para desenvolvedores de sistemas avançados. Agora, os desenvolvedores podem criar estratégias em qualquer linguagem de programação, depois testar e otimizar essas estratégias para melhorar o desempenho. O BackTestLib permite aos desenvolvedores testar seus sistemas de negociação em C, C, VB. NET, F, R, IronPython ou qualquer outro idioma, usando dados de barra ou barra. Isso simplesmente não importa como seu sistema comercial está escrito. Tudo o que você precisa fazer é fornecer uma lista de trades e a biblioteca de teste de volta faz o resto para você. BackTestLib pode calcular o desempenho do seu sistema comercial usando duas dúzias de medidas de risco, incluindo taxa Sharpe, razão Calmar, razão Sortino, desdobramento máximo, desdobramento de Monte Carlo, PL total, Risco de recompensa, maior lucro, maior perda, número médio de operações Mês, Registros comerciais e muito mais. Perfeito para otimização de estratégia Os comerciantes profissionais sabem que todas as coisas boas acabaram. Mesmo os melhores sistemas de negociação eventualmente caem em períodos perdidos, exigindo a otimização ou a aposentadoria do sistema comercial. Os motivos variam, incluindo mudanças na liquidez, volatilidade e dinâmicas de mercado subjacentes, bem como outros fatores. O BackTestLib produz resultados que representam uma gama de medidas com base na rentabilidade e no risco de seu sistema comercial quando testado com os dados com os quais foi fornecido. Exemplo de código Crie algumas negociações simuladas Lista lt Comércio gt negocia nova lista lt Trade gt () trades. Add (novo Trade (DateTime. Parse (quot112014 9: 30: 45.422 AMquot), SignalType. Buy, 24)) trades. Add (new Trade (DateTime. Parse (quilo112014 9: 32: 33.891 AMquot), SignalType. ExitLong, 24.09)) trades. Add (comércio novo (DateTime. Parse (quot112014 9: 37: 12.839 AMquot), SignalType. Sell, 24.07)).Add (novo Trade (DateTime. Parse (quot112014 9: 48: 27.488 AMquot), SignalType. Exit, 24.19)) trades. Add (novo Trade (DateTime. Parse (quot112014 9: 49: 16.415 AMquot), SignalType. Compre, 24)) trades. Add (novo Trade (DateTime. Parse (quot112014 9: 50: 45.512 AMquot), SignalType. Exit, 24.09)) trades. Add (novo Trade (DateTime. Parse (quot112014 9: 51: 14.212 AMquot), SignalType. Buy, 24.01)) Execute o backtest double lastPrice 24.03 BacktestResults results Backtester. Backtest (trades, lastPrice) Saída dos resultados Console. WriteLine (quotTotal number of trades: quot. Results. TotalNumberOfTrades) Contras Ole. WriteLine (quotAverage number of trades per month: quot. Results. AverageTradesPerMonth) Console. WriteLine (número total de negociações rentáveis: quot. Results. NumberOfProfitableTrades) Consola. WriteLine (quotTotal número de negociações perdidas: quot. Results. NumberOfLosingTrades) Console. WriteLine (quotTotal profit: quot. Results. TotalProfit) Console. WriteLine (quotTotal loss: quot. Results. TotalLoss). Consola. WriteLine (quotPetress rentable: quot. Results. PercentProfit) Consola. WriteLine (quotPetrament rentable: quantos resultados. PercentProfit) Console. WriteLine (maior lucro: quot. Results).LargestProfit) Console. WriteLine (quotLargest loss: quot. Results. LargestLoss) Consola. WriteLine (quotMaximum drawdown: quot. Results. MaximumDrawDown) Console. WriteLine (quotMaximum drawdown Monte Carlo: quantos resultados. MaximumDrawDownMonteCarlo) Consola. Escreva-se (quotStandard Deviation : Quant. Results. StandardDeviation) Console. WriteLine (quotStandard Deviation annualized: quot. Results. StandardDeviationAnnualizated) Console. WriteLi Ne (Desvio lateral (MAR 10): quot. Results. DownsideDeviationMar10) Console. WriteLine (quotValue Added Monthly Index (VAMI): quot. Results. ValueAddedMonthlyIndex) Consola. WriteLine (quotSharpe ratio: quot. Results. harpeRatio) Consola. WriteLine (quotSortino ratio: quot. Results. SortinoRatioMAR5) Console. WriteLine (quotAnnualizado Sortino ratio: quot. Results. AnualizedSortinoRatioMAR5) Console. WriteLine (quotSterling ratio: quot. Results. SterlingRatioMAR5) Consola. WriteLine (quotCalmar ratio: quot. Results. CalmarRatio) Console. WriteLine (quotRisk para recompensar a relação: quot. Results. RiskRewardRatio) Exibe o log de comércio foreach (Trade trade in results. Trades) Console. WriteLine (trade. Date quot: quot trade. Signal. ToString () quot to quot trade. Price. ToString ()) Melhor linguagem de programação para negociação algorítmica Sistemas Uma das perguntas mais freqüentes que recebo no QS mailbag 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 descreve os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha do idioma. Em primeiro lugar, os principais componentes de um sistema de negociação algorítmica serão considerados, como ferramentas de pesquisa, otimizador de portfólio, gerenciador de riscos e motor de execução. Posteriormente, serão examinadas diferentes estratégias de negociação e como elas afetam o design do sistema. Em particular, a freqüência de negociação e o provável volume de negociação serão discutidos. Uma vez que a estratégia de negociação foi selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o (s) sistema (s) operacional (is) e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, deve-se ter 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. O sistema vai ser puramente baseado em execução Será que o sistema exigirá um módulo de gerenciamento de risco ou construção de portfólio O sistema exigirá um backtester de alto desempenho. Para a maioria das estratégias, o sistema de negociação pode ser dividido em duas categorias: Pesquisa e geração de sinal. A pesquisa está preocupada com a avaliação de um desempenho de estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação em relação aos dados anteriores do mercado 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 concorrência do CPU são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa. A geração de sinal está preocupada com a geração de um conjunto de sinais de negociação de um algoritmo e o envio de tais pedidos para o mercado, geralmente através de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. As questões de IO, como a largura de banda da rede e a latência, muitas vezes são fatores limitantes na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bastante 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 comercializados, a conectividade com os fornecedores de dados externos, a frequência e o volume da estratégia, o trade-off entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo customizado Servidores, GPUs ou FPGAs que possam ser necessários. As opções de tecnologia para uma estratégia de ações de baixa freqüência dos EUA serão muito diferentes das de uma negociação de estratégias de arbitragem estatística de alta freqüência no mercado de futuros. Antes da escolha do idioma, muitos fornecedores de dados devem ser avaliados de acordo com a estratégia em questão. Será necessário considerar a conectividade com o fornecedor, a estrutura de todas as APIs, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor que está offline. Também é aconselhável possuir acesso rápido a vários fornecedores. Diversos instrumentos possuem todos os seus peculiaridades de armazenamento, exemplos dos quais incluem múltiplos símbolos de ticker para ações e datas de validade para futuros (para não mencionar nenhum dado OTC específico). Isso precisa ser incorporado ao design da plataforma. A frequência da estratégia provavelmente será um dos maiores drivers de como a pilha de tecnologia será definida. As estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar, requerem uma consideração significativa em relação ao desempenho. Uma estratégia que exceda as barras segundo (isto é, dados de marca) leva a um design orientado a desempenho como o principal requisito. Para estratégias de alta freqüência, uma quantidade substancial de dados do mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb são comumente usados ​​para essas funções. Para processar os extensos volumes de dados necessários para aplicações HFT, um sistema de backtester e execução extensivamente otimizado deve ser usado. CC (possivelmente com algum montador) é provável para o candidato a linguagem mais forte. As estratégias de ultra-alta freqüência certamente exigirão hardware personalizado, como FPGAs, troca de co-localização e ajuste de interface de kernalnetwork. Os sistemas de pesquisa de sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e script automatizado. O primeiro geralmente ocorre dentro de um IDE, como Visual Studio, MatLab ou R Studio. O último envolve cálculos numéricos extensos em vários parâmetros e pontos de dados. Isso leva a uma escolha de idioma que fornece um ambiente direto para testar código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetros. Os IDE típicos neste espaço incluem Microsoft Visual CC, que contém extensos utilitários de depuração, capacidades de conclusão de código (via Intellisense) e visões gerais diretas de toda a pilha do projeto (via o banco de dados ORM, LINQ) MatLab. Que é projetado para uma grande variedade de álgebra linear numérica e operações vectorizadas, mas em uma maneira de console interativo R Studio. Que envolve o console de linguagem estatística R em um IDE Eclipse IDE de pleno direito para Linux Java e C e IDE semi-proprietários, como Enthought Canopy para 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 GUIIDE, pois o código será executado em segundo plano. A principal consideração nesta fase é a velocidade de execução. Um idioma compilado (como C) geralmente é útil se as dimensões dos parâmetros do backtesting forem grandes. Lembre-se de que é necessário desconfiar de tais sistemas, se esse for o caso. As linguagens interpretadas, como Python, costumam fazer uso de bibliotecas de alto desempenho, como NumPypandas para a etapa de teste, para manter um grau razoável de competitividade com equivalentes compilados. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades algorítmicas específicas, bem como o alcance das bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, o idioma usado para o backtester e ambientes de pesquisa pode ser completamente independente dos usados ​​na construção de portfólio, gerenciamento de riscos e componentes de execução, como será visto. Construção de carteiras e gerenciamento de riscos A construção de portfólio e os componentes de gerenciamento de risco são muitas vezes ignorados pelos comerciantes algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não só tentam aliviar o número de apostas arriscadas, mas também minimizam o efeito de churn dos próprios negócios, reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É direto criar um estável de estratégias, pois o mecanismo de construção do portfólio e o gerenciador de riscos podem ser facilmente modificados para lidar com vários sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de comércio algorítmico. O trabalho do sistema de construção de carteira é levar um conjunto de trades desejados e produzir o conjunto de negócios 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 do portfólio geralmente se reduz a um problema de álgebra linear (como uma fatoração da matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação de álgebra linear numérica disponível. Bibliotecas comuns incluem uBLAS. LAPACK e NAG para C. MatLab também possuem operações de matriz amplamente otimizadas. Python utiliza NumPySciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca de matriz compilada (e bem otimizada) para levar a cabo esta etapa, de modo a não engarrafar o sistema de comércio. O gerenciamento de riscos é outra parte extremamente importante de um sistema de comércio algorítmico. O risco pode vir de várias formas: maior volatilidade (embora isso possa ser visto como desejável para certas estratégias), o aumento das correlações entre as classes de ativos, o defeito do contraparte, as interrupções do servidor, os eventos de cisnes negros e os erros não detectados no código comercial, para nomear um poucos. Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e a correlação entre classes de ativos e seus efeitos subsequentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como os testes de esforço de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de precificação de derivados e, como tal, será vinculado à CPU. Essas 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 portfólio e gerenciamento de riscos 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 Interactive Brokers. As considerações primárias ao decidir sobre um idioma incluem a qualidade da API, a disponibilidade do idioma para uma API, a freqüência de execução e o deslizamento antecipado. A qualidade da API refere-se ao quão bem documentado é, qual o tipo de desempenho que ele fornece, se ele precisa de um software autônomo para ser acessado ou se um gateway pode ser estabelecido de forma sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa ser executada em um ambiente GUI para acessar sua API. Uma vez, tive que instalar uma edição Desktop Ubuntu em um servidor da nuvem Amazon para acessar intermediários interativos de forma remota, apenas por esse motivo, a maioria das API fornecerá uma interface C andor Java. Geralmente, é para a comunidade o desenvolvimento de wrappers específicos do idioma para C, Python, R, Excel e MatLab. Observe que, com cada plugin adicional utilizado (especialmente wrappers da API), há possibilidades de insetos no sistema. Sempre testar plugins desse tipo e garantir que eles sejam ativamente mantidos. Um indicador valioso é ver quantas novas atualizações de uma base de código foram feitas nos últimos meses. A frequência de execução é de extrema importância no algoritmo de execução. Observe que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. Slippage será incorrido através de um sistema de execução mal executado e isso terá um impacto dramático sobre a rentabilidade. Os idiomas estaticamente digitados (veja abaixo), como o CJava, geralmente são ótimos para execução, mas há um trade-off em tempo de desenvolvimento, testes e facilidade de manutenção. Idiomas dinamicamente digitados, como Python e Perl agora são geralmente suficientemente rápidos. Certifique-se sempre de que os componentes foram projetados de forma modular (veja abaixo) para que possam ser trocados para fora à medida que o sistema se equilibra. Processo de planejamento e desenvolvimento arquitetônico Os componentes de um sistema comercial, seus requisitos de freqüência e volume foram discutidos acima, mas a infraestrutura do sistema ainda não foi coberta. Aqueles que atuam como comerciante de varejo ou que trabalham em um fundo pequeno provavelmente estarão usando muitos chapéus. Será necessário cobrir o modelo alfa, o gerenciamento de riscos e os parâmetros de execução, bem como a implementação final do sistema. Antes de aprofundar linguagens específicas, o projeto 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 comercial. No desenvolvimento de software, isso significa essencialmente como dividir os diferentes aspectos do sistema de negociação em componentes modulares separados. Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que ajudem o desempenho, confiabilidade ou manutenção, sem modificar nenhum código de dependência externo. Esta é a melhor prática para esses sistemas. Para estratégias em frequências mais baixas, tais práticas são aconselhadas. Para a comercialização de ultra alta frequência, o livro de regras pode ser ignorado à custa de ajustar o sistema para ainda mais desempenho. Um sistema mais acoplado pode ser desejável. Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ótima é garantir que haja componentes separados para as entradas de dados de mercado históricos e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros de estratégia, gerenciamento de portfólio, gerenciamento de riscos e sistemas de execução automatizada. Por exemplo, se o armazenamento de dados em uso estiver atualmente em baixa performance, mesmo em níveis significativos de otimização, ele pode ser trocado com reescrituras mínimas para a ingesta de dados ou API de acesso a dados. Até o ponto em que o backtester e os componentes subsequentes estão em causa, não há diferença. Outro benefício dos componentes separados é que permite que uma variedade de linguagens de programação sejam usadas no sistema geral. Não é necessário restringir a um único idioma se o método de comunicação dos componentes for independente do idioma. Este será o caso se estiverem se comunicando via TCPIP, ZeroMQ ou algum outro protocolo independente de linguagem. Como um exemplo concreto, considere o caso de um sistema de backtesting escrito em C para o desempenho de crunching numérico, enquanto o gerenciador de portfólio e os sistemas de execução são escritos em Python usando SciPy e IBPy. Considerações sobre o desempenho O desempenho é uma consideração significativa para a maioria das estratégias comerciais. Para estratégias de maior frequência, é o fator mais importante. O desempenho abrange uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, IO de dados, paralelismo de simultaneidade e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto este artigo apenas arranhará a superfície de cada tópico. A escolha da arquitetura e da linguagem agora será discutida em termos de seus efeitos sobre o desempenho. A sabedoria predominante, como afirmou Donald Knuth. Um dos pais da Ciência da Computação, é que a otimização prematura é a raiz de todo o mal. Este é quase sempre o caso - exceto ao construir um algoritmo de negociação de alta freqüência Para aqueles que estão interessados ​​em estratégias de baixa freqüência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os estrangulamentos começam a aparecer. As ferramentas de criação de perfil são usadas para determinar onde surgem os estrangulamentos. Perfis podem ser feitos para todos os fatores listados acima, em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e linguagem disponíveis para isso, bem como utilitários de terceiros. A escolha da linguagem será agora discutida no contexto da performance. C, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (como parte do padrão ou externo) para estrutura básica de dados e trabalho algorítmico. C é fornecido com a Biblioteca de modelos padrão, enquanto o Python contém NumPySciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação. Uma exceção é se uma arquitetura de hardware altamente personalizada for necessária e um algoritmo está fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a reinvenção da roda desperdiça o tempo que poderia ser melhor gasto desenvolvendo e otimizando outras partes da infra-estrutura de negociação. O tempo de desenvolvimento é extremamente precioso especialmente no contexto dos únicos desenvolvedores. A latência é muitas vezes uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão localizadas 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 da rede de disco), os sinais devem ser gerados (sistema operacional, latência de mensagens do kernal), sinais comerciais enviados (latência NIC) e pedidos processados ​​(latência interna dos sistemas de troca). Para operações de maior freqüência, é necessário familiarizar-se intimamente com a otimização do kernal, além de otimizar a transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado, então, esteja ciente da profundidade do conhecimento necessário. O cache é muito útil no conjunto de ferramentas de um desenvolvedor de negociação quantitativo. O armazenamento em cache refere-se ao conceito de armazenar dados freqüentemente acessados ​​de forma que permita um acesso de alto desempenho, em detrimento do potencial estancamento dos dados. Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional com respaldo de disco e colocá-lo na memória. Quaisquer pedidos subseqüentes para os dados não precisam acertar o banco de dados e, portanto, os ganhos de desempenho podem ser significativos. Para situações de negociação, o cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até que seja reequilibrado, de modo que a lista não precisa ser regenerada em cada ciclo do algoritmo de negociação. Essa regeneração provavelmente será uma alta operação de CPU ou disco IO. No entanto, o armazenamento em cache não está sem seus próprios problemas. A regeneração de dados de cache de uma só vez, devido à natureza volátil do armazenamento de cache, pode colocar uma demanda significativa na infraestrutura. Outra questão é o empilhamento de cães. Onde múltiplas gerações de uma nova cópia de cache são realizadas com uma carga extremamente alta, o que leva a uma falha em cascata. A alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de maior desempenho comercial sejam conscientes de como a memória está sendo alocada e desalocada durante o fluxo do programa. Novos padrões de linguagem, como Java, C e Python, todos realizam coleta automática de lixo. Que se refere à desalocação da memória alocada dinamicamente quando os objetos ficam fora do escopo. A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz erros e ajuda a legibilidade. No entanto, muitas vezes é sub óptimo para certas estratégias de negociação de alta freqüência. A coleta de lixo personalizada é muitas vezes desejada para esses casos. Em Java, por exemplo, ao ajustar a configuração do coletor de lixo e do heap, é possível obter alto desempenho para as estratégias de HFT. C não fornece um coletor de lixo nativo e, portanto, é necessário lidar com todas as alocações de alocação de memória como parte de uma implementação de objetos. Embora potencialmente propenso a erros (potencialmente levando a ponteiros pendurados), é extremamente útil ter controle fino de como os objetos aparecem no heap para determinadas aplicações. Ao escolher um idioma, certifique-se de estudar como o coletor de lixo funciona e se ele pode ser modificado para otimizar um caso de uso particular. Muitas operações em sistemas de negociação algorítmica são favoráveis ​​à paralelização. Isso se refere ao conceito de realização de múltiplas operações programáticas ao mesmo tempo, ou seja, em paralelo. Os algoritmos denominados algoritmos paralisantes incluem etapas que podem ser computadas totalmente independentemente de outras etapas. Certas operações estatísticas, como as simulações de Monte Carlo, são um bom exemplo de algoritmos embarassingly paralelos, pois cada sorteio aleatório e subseqüente operação do caminho podem ser computados sem o conhecimento de outros caminhos. Outros algoritmos são apenas parcialmente paralelizados. As simulações de dinâmica de fluidos são um exemplo, onde o domínio da computação pode ser subdividido, mas, em última instância, esses domínios devem se comunicar entre si e, portanto, as operações são parcialmente seqüenciais. Os algoritmos paralisáveis ​​estão sujeitos à Lei Amdahls. Que fornece um limite superior teórico para o aumento de desempenho de um algoritmo paralelizado quando sujeito a N processos separados (por exemplo, em um núcleo ou fio de CPU). A paralelização tornou-se cada vez mais importante como um meio de otimização, uma vez que as velocidades do clock do processador estagnaram, já que os processadores mais novos contêm muitos núcleos com os quais realizar cálculos paralelos. O aumento do hardware de gráficos do consumidor (predominantemente para videogames) levou ao desenvolvimento de Unidades de Processamento Gráfico (GPUs), que contêm centenas de núcleos para operações altamente concorrentes. Tais GPUs são agora muito acessíveis. Os quadros de alto nível, como o Nvidias CUDA, levaram à adoção generalizada na academia e nas finanças. Esse hardware de GPU geralmente é apenas adequado para o aspecto de pesquisa de financiamento quantitativo, enquanto outros equipamentos mais especializados (incluindo matrizes de portas programáveis ​​em campo - FPGAs) são usados ​​para (U) HFT. Atualmente, a maioria dos langauges modernos suporta um grau de reprodução simultânea. Assim, é direto otimizar um backtester, uma vez que todos os cálculos são geralmente independentes dos outros. O dimensionamento em engenharia de software e operações refere-se à capacidade do sistema de lidar consistentemente com o aumento de cargas sob a forma de solicitações maiores, maior uso do processador e maior alocação de memória. Na negociação algorítmica, uma estratégia pode escalar se pode aceitar quantidades maiores de capital e ainda produzir retornos consistentes. A pilha de tecnologia de negociação escala se pode suportar maiores volumes de comércio e latência aumentada, sem gargalo. Enquanto os sistemas devem ser projetados para dimensionar, muitas vezes é difícil prever de antemão, onde um gargalo irá ocorrer. O registro, o teste, o perfil e o monitoramento rigorosos ajudarão grandemente em permitir um sistema a escala. Os próprios idiomas são muitas vezes descritos como inesquecíveis. Isso geralmente é o resultado de uma desinformação, e não de um fato difícil. É a pilha de tecnologia total que deve ser verificada quanto à escalabilidade, e não ao idioma. Claramente, certas linguagens têm maior desempenho do que outras em casos de uso específicos, mas um idioma nunca é melhor do que outro em todos os sentidos. Um meio de gerenciar escala é separar as preocupações, como afirmado acima. A fim de introduzir ainda a capacidade de lidar com picos no sistema (isto é, volatilidade súbita que desencadeia uma série de trades), é útil criar uma arquitetura de filas de mensagens. Isso simplesmente significa colocar um sistema de fila de mensagens entre os componentes para que as encomendas sejam empilhadas se um determinado componente não conseguir processar muitos pedidos. Em vez de pedidos de perda, eles simplesmente são mantidos em uma pilha até que a mensagem seja tratada. Isso é particularmente útil para enviar trocas para um mecanismo de execução. Se o motor está sofrendo sob latência intensa, ele irá fazer backup de trades. Uma fila entre o gerador de sinal comercial e a API de execução aliviará essa questão à custa do possível deslizamento comercial. Um bem respeitado corretor de fila de mensagens de código aberto é RabbitMQ. Hardware e sistemas operacionais O hardware que gerencia sua estratégia pode ter um impacto significativo na rentabilidade do seu algoritmo. Esta não é uma questão restrita aos comerciantes de alta freqüência. Uma má escolha no hardware e no sistema operacional pode levar a uma falha da máquina ou reiniciar no momento mais inoportuno. Assim, é necessário considerar onde sua candidatura irá residir. A escolha é geralmente entre uma máquina de mesa pessoal, um servidor remoto, um provedor de nuvem ou um servidor co-localizado em troca. As máquinas de mesa são simples de instalar e administrar, especialmente com sistemas operacionais mais novos e amigáveis ​​como Windows 78, Mac OSX e Ubuntu. Os sistemas de desktop possuem algumas desvantagens significativas, no entanto. O principal é que as versões dos sistemas operacionais projetados para máquinas de mesa provavelmente irão requerer o reinício (e muitas vezes no pior dos tempos). Eles também usam mais recursos computacionais pela virtude de exigir uma interface gráfica de usuário (GUI). Utilizar hardware em um ambiente doméstico (ou escritório local) pode levar à conectividade com a internet e aos problemas de tempo de atividade. O principal benefício de um sistema de desktop é que a potência computacional significativa pode ser comprada 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, muitas vezes mais caro do que uma opção de área de trabalho, permite uma infra-estrutura de redundância mais significativa, como backups de dados automatizados, a capacidade de garantir de forma mais direta o tempo de atividade e monitoramento remoto. Eles são mais difíceis de administrar, pois exigem a capacidade de usar recursos de logon remoto do sistema operacional. No Windows, isto é geralmente através do GUI Remote Desktop Protocol (RDP). Em sistemas baseados em Unix, a linha de comando Secure SHell (SSH) é usada. A infraestrutura de servidor baseada em Unix é quase sempre baseada em linha de comando, o que imediatamente faz com que as ferramentas de programação baseadas em GUI (como MatLab ou Excel) sejam inutilizáveis. Um servidor co-localizado, como a frase é usada nos mercados de capitais, é simplesmente um servidor dedicado que reside dentro de uma troca para reduzir a latência do algoritmo de negociação. Isso é absolutamente necessário para certas estratégias de negociação de alta freqüência, que dependem de baixa latência para gerar alfa. O aspecto final para a escolha do hardware e a escolha da linguagem de programação é a independência da plataforma. 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. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance 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 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. Threading Tutorial Visual Studio. NET 2003 The advantage of threading is the ability to create applications that use more than one thread of execution. For example, a process can have a user interface thread that manages interactions with the user and worker threads that perform other tasks while the user interface thread waits for user input. This tutorial demonstrates various thread activities: Creating and executing a thread Synchronization of threads Interaction between threads Using a thread pool Using a mutex object to protect a shared resource Sample Files See Threading Sample to download and build the sample files discussed in this tutorial. Further Reading This tutorial contains the following examples: Example 1: Creating, starting, and interacting between threads This example demonstrates how to create and start a thread, and shows the interaction between two threads running simultaneously within the same process. Note that you dont have to stop or free the thread. This is done automatically by the. NET Framework common language runtime. The program begins by creating an object of type Alpha ( oAlpha ) and a thread ( oThread ) that references the Beta method of the Alpha class. The thread is then started. The IsAlive property of the thread allows the program to wait until the thread is initialized (created, allocated, and so on). The main thread is accessed through Thread. and the Sleep method tells the thread to give up its time slice and stop executing for a certain amount of milliseconds. The oThread is then stopped and joined. Joining a thread makes the main thread wait for it to die or for a specified time to expire (for more details, see Thread. Join Method ). Finally, the program attempts to restart oThread. but fails because a thread cannot be restarted after it is stopped (aborted). For information on temporary cessation of execution, see Suspending Thread Execution .