Como construir um sistema de comércio algorítmico

Como construir uma estratégia de negociação algorítmica.

Design & amp; Crie uma Estratégia de Negociação Automatizada.

Se você está lendo isso, então você está interessado em criar uma Estratégia de Negociação Algorítmica que irá abrir e fechar negociações automaticamente e gerenciar seu risco, mesmo que você dorme à noite.

"Se você acha que vai ganhar dinheiro com uma estratégia algorítmica, então pense novamente"

O que é uma Estratégia de Negociação?

Uma Estratégia de Negociação é um conjunto pré-planejado de instruções que obterão um retorno lucrativo ao enviar uma ordem de Compra ou Venda nos mercados. A estratégia pode ser baseada em análises técnicas, eventos fundamentais baseados em notícias e boa gestão de riscos. Uma estratégia comercial típica inclui vários indicadores técnicos que sinalizam a compra ou venda junto com algumas regras para sair do comércio com lucro. Uma estratégia totalmente automatizada também tira todas as emoções humanas que impedem o comerciante de fechar uma posição cedo ou deixar um perdedor correr demais e soprar sua conta, algumas regras pré-definidas para gerenciamento de riscos bem pensadas em avançadas limitarão o risco.

Por que é importante documentar a estratégia.

As palavras "Falhando em Planejar, Planejar Falhar", são tão verdadeiras quando se trata de desenvolvimento de estratégia automatizada algorítmica, a maior parte do seu tempo deve ser dedicada a documentar a estratégia, se você estiver usando um sistema bem conhecido que você tenha baixado da internet, isso já deve ser documentado. Se você começar a codificar sua estratégia com apenas uma idéia aproximada em sua cabeça, então você está fazendo o que é conhecido no mundo da engenharia de software como Programação Heroica, que é um grande não-não, evite isso a todo custo e trabalhe inteligente.

Preciso saber matemática para negociar?

Não há uma resposta simples para isso, pois o que você realmente precisa é um sistema confiável de alta probabilidade que seja capaz de capturar ganhos regularmente e também a psicologia para executar seu sistema e cumpri-lo, o que é uma habilidade emocional e não lógica, um entendimento de matemática sempre será um grande bônus, mas muitos comerciantes bem-sucedidos não têm nem precisam de uma forte compreensão das matemáticas. O aspecto mais importante do dia de negociação é uma atitude mental sólida e inquebrável seguida de uma boa compreensão dos parâmetros técnicos, gerais ambiente econômico e, finalmente, algumas habilidades analíticas.

"As boas habilidades de pensamento crítico e uma compreensão decente das estatísticas contribuirão muito para ajudá-lo a ter sucesso"

Você precisa entender a lógica? Sim .

Você precisa entender a correlação? Sim .

Fundamentos serão conceituais e abstratos.

Pontos Chave da Estratégia.

Teorias do mercado.

Para começar, você precisa entender como os mercados funcionam, você precisa entender as ineficiências do mercado, as relações entre diferentes ativos, produtos e o comportamento dos preços. Pesquisa de economia comportamental.

Projetando sua estratégia.

Os primeiros passos com qualquer estratégia é ter um bom design, a idéia precisa ser documentada, se você pular esta etapa, então você falhará antes de começar, a maior quantidade de seu tempo deve ser o design tendo em conta todo o comércio regras, gerenciamento de riscos e eventos de mercado incontroláveis, como a guerra mundial 3. Criando um robô de trabalho requer uma compreensão de como funcionam os sistemas automatizados que consistem em 3 componentes: (a) sinais de entrada, (b) sinais de saída e (c) dimensionamento de posição, você precisará projetar esses componentes em relação às ineficiências do mercado e esta não é uma tarefa simples.

Desenvolvimento de software.

A linguagem de programação dependerá do que você está tentando alcançar, se você estiver usando matemática complexa, então você quer um idioma que tenha sido construído para esta tarefa em particular, com algumas das novas linguagens de programação modernas, como Microsoft C #, F #, Java, R, MATLAB e Python. Se for a velocidade que você deseja para o High-Frequency Trading (HFT), então você pode estar olhando para C ++ para uma execução de código mais rápida.

Utilizamos o Microsoft C #, que é uma linguagem de programação moderna muito poderosa utilizada tanto pelo cTrader como pelo NinjaTrader, que é rápido, fácil de manter, robusto e uma vasta seleção de bibliotecas orientadas para negócios e matemática.

Saiba mais sobre nossos serviços de desenvolvimento para o cTrader.

API da plataforma de negociação.

Apenas entender a linguagem de programação não é suficiente, você também precisa entender a interface de programação de aplicativos (API) da plataforma de negociação, esta interface fornece acesso para obter a conta e os dados de negociação através da plataforma para o seu corretor. Você também pode ignorar a plataforma e usar um protocolo comum de troca de informações financeiras (FIX), onde você pode se comunicar com o corretor direto, tornando as suas execuções ainda mais rápidas, mas isso só é útil se você deseja salvar alguns milissegundos.

Gestão de dados.

Os dados precisos na forma de dados de back-test ajudarão realmente quando você encaminha o teste com dados ao vivo, se os dados do back-test estiverem imprecisos, então, como eles dizem "Garbage In - Garbage Out", sua estratégia está condenada ao fracasso. O problema com os dados do cTrader é que ele simplesmente não vai o suficiente para trás, você realmente precisa pagar por dados históricos de boa qualidade e carregar isso.

Gerenciamento de riscos.

Este é um dos aspectos mais negligenciados da negociação algorítmica, tanto tempo deve ser gasto no gerenciamento de seu risco como suas regras de entrada e saída de negócios. Existem dois tipos de gerenciamento de riscos para um comerciante:

Risco de mercado: isso envolve riscos relacionados à sua estratégia de negociação.

Risco operacional: é quando um evento de cisne negro acontece como uma guerra européia.

Execução de Negociações.

Todos sabemos que os testes de back-testing e live são muito diferentes, a menos que você use um ECN Broker, o que você deveria ter com o cTrader.

Servidor privado virtual (VPS) - Isto é uma obrigação se você estiver executando o seu robô 24/7 365 dias por ano, a maioria dos servidores virtuais possui 99,96% de tempo de espera.

Você também precisará monitorar o desempenho do robô e tornar o ajuste necessário ao longo de sua vida útil.

Considerações de Estratégia.

Pegue grandes tendências.

Toda a idéia da estratégia é ganhar dinheiro quando o mercado está tendendo e uma boa tendência durará cerca de 15-20% do tempo e isso é quando todos os tipos de comerciantes estão ativos. Se a sua estratégia é baseada na tendência, então deixe seus vencedores correrem, não intervenha, lembre-se de que você já pensou na lógica de regras pré-definidas.

Managing Winners & amp; Perdedores.

Muitas pessoas constroem um sistema que tem um excelente índice de perda / perda e esta não é a abordagem correta, um exemplo seria um robô que ganha 70% do tempo com um lucro médio de & libra; 100,00 por comércio e uma perda média de & libra ; 200,00 por comércio só fará & libra; 100,00 por 10 trades (& pound; 10 / trade net), onde um robô que ganha 30% do tempo com um lucro médio de & libra; 500,00 por troca e perda de libra; 100,00 por negociação fará um lucro líquido de & libra; 800,00 para 10 negócios (& libra; 80,00 / comércio). Então, em poucas palavras, nem sempre é bom fazer um alto índice de perda / perda.

"Mantenha suas perdas pequenas e deixe seus vencedores correrem"

Todos sabemos que a retirada é inevitável e sempre afirmamos que qualquer coisa superior a 5% é arriscada, esta é apenas nossa visão, mas isso nem sempre é o caso, pois pode atuar como um bloqueio roteiro quando seu robô atinge uma grande tendência que pode afetar o desempenho de sua estratégia.

Mais Gerenciamento de Riscos.

Sim, estamos falando de gerenciamento de riscos novamente. Quando você projeta sua estratégia, você sempre deve ter uma saída, uma saída que será executada, não importa o que o mercado jogue, precisa proteger todo o capital que você acumulou. Todo mundo tem uma visão diferente sobre o risco, dos comerciantes mais cautelosos para os jogadores de gama alta, não há uma abordagem certa ou errada, mas se você é um comerciante de baixo risco, então você precisa ter certeza de sair de um comércio como Logo que exceda sua regra de risco. Uma estratégia automatizada assegurará que suas emoções humanas não se envolvam e sairão de uma posição assim que o risco for muito alto, isso sozinho é um grande benefício da negociação automatizada.

Testando sua estratégia.

Ok, então sua estratégia automatizada foi desenvolvida e agora está pronta para testar, como você a prova? É aqui que o seu documento de requisitos ou o plano de sua estratégia é necessário, você pode executar a estratégia e se referir ao documento para garantir que a lógica esteja correta em cada caminho lógico, bem como os pontos de entrada e saída comerciais previstos, faça referência à lógica do documento contra os resultados reais do algoritmo.

Esta é uma área negligenciada, quando você testa sua estratégia com dados históricos, você está sob o pressuposto de que a ordem será executada com o preço exato pela estratégia automatizada, isso não será o caso, pois você deve lidar com o High - Freqüência Algo & rsquo; S e Market Makers, que empurram o preço tão rápido o seu pedido não é preenchido até que seja sua vez. Sempre haverá deslizamento, então você precisará avaliar isso em seus testes.

Otimização.

Muitos comerciantes sugerem que você não faz ajustes de curva e sobre otimização e eles provavelmente estão certos, já que o mercado é como uma cobra aleatória selvagem, onde você nunca sabe onde irá depois, você é melhor fazer o que é conhecido como Optimização Zonal que identifica zonas que possuem características semelhantes em termos de volatilidade e volume, apenas otimize essas áreas separadamente, em vez de todo o período.

Major News Impact Events.

Os principais eventos de notícias, especialmente com o Forex, não podem ser testados novamente com o cTraders cAlgo, você verá grandes explosões quando eles ocorrerem, isso dificulta o teste de algo com cTrader.

Executando sua estratégia.

Quando você testou sua estratégia e você está feliz, está trabalhando de acordo com suas regras pré-definidas a partir de seus requisitos de estratégia, qual o próximo passo? O próximo passo deve ser deixá-lo ser executado em uma conta de demonstração por um período de tempo, eu diria que, no mínimo, 3 meses, existem comerciantes que só querem entrar em contato imediatamente enquanto querem ganhar dinheiro agora, esse tipo de atitude perca seu dinheiro rapidamente. Lembre-se que este é um negócio e você quer estar nele para o longo prazo, por isso é melhor aprender a caminhar antes de poder executar.

Demo Account.

A maioria dos corretores oferecem uma conta de demonstração durante o tempo que quiser para que você possa aperfeiçoar suas habilidades de negociação manual ou automatizada antes de usar dinheiro real, isso é muito útil, mas as contas de demonstração também eliminam o medo humano de realmente perder dinheiro real, não é o mesmo. Desde o início, você deve ter um capital inicial que seja realista e comercialmente montantes realistas, isso refletirá o ambiente real quando você for ao vivo.

Conta ao vivo.

Quando você finalmente entrar em contato com sua estratégia automatizada, você precisará acompanhar de perto a negociação, mas não interfira com o robô, lembre-se de ter estabelecido as regras comerciais depois de muito pensado e já foi testado em uma conta demo. Por muitos meses, deixe-o fazer o seu trabalho e comércio. Interveja apenas quando você conhece algum evento fora dos limites das estratégias está prestes a acontecer ou está acontecendo.

Como podemos te ajudar.

Nossos Serviços de Programação.

Oferecemos um Serviço de Programação Profissional para a plataforma de negociação cTrader.

2018 janeiro (3) 2017 dezembro (4) novembro (2) outubro (2) setembro (4) agosto (4) junho (1) maio (2) abril (2) março (7) fevereiro (5) 2018 agosto (5 )

Novos produtos, serviços e educação.

AVISO LEGAL.

ClickAlgo se esforça para realizar negócios de acordo com as necessidades do cliente de forma rentável e sustentável e entregar um produto que corresponda às especificações desejadas do cliente. O cliente, no entanto, também é responsável por usar o produto que o ClickAlgo desenvolveu em seu nome. O cliente também é responsável pelo teste do produto e é a única decisão sobre como usar o produto sob seu próprio risco. ClickAlgo não é responsável por eventuais perdas causadas pelo uso do produto (incluindo perda de lucro, reivindicações de terceiros, etc.)

NENHUMA CONTA PAYPAL NECESSÁRIA!

Direitos autorais e cópia; 2018 ClickAlgo & Hayes IT Contracting Ltd. Todos os direitos reservados.

Como os Algoritmos de Negociação foram Criados.

A negociação quantitativa não é acessível apenas aos comerciantes institucionais; Os comerciantes de varejo estão se envolvendo também. Embora as habilidades de programação sejam recomendadas se você quiser produzir algoritmos, mesmo que nem sempre sejam necessários. São disponíveis programas e serviços que escrevem o código de programação para uma estratégia com base nas entradas que você fornece. O código produzido pelo programa / serviço é então conectado à plataforma de negociação e as negociações começam. Mas antes que tudo isso possa ocorrer, os comerciantes algorítmicos desejosos progridem através de várias etapas, decidindo exatamente o que eles querem realizar com o algoritmo e como.

Time Frame e Restrições.

Embora um algoritmo bem programado possa funcionar por conta própria, recomenda-se algum descuido humano. Portanto, escolha um cronograma e uma freqüência comercial que você possa monitorar. Se você tem um emprego a tempo inteiro e seu algoritmo está programado para fazer centenas de negócios por dia em um gráfico de um minuto enquanto você está no trabalho, talvez não seja o ideal. Você pode desejar escolher um quadro um pouco mais longo para suas negociações, e menos freqüência comercial para que você possa acompanhar isso.

A rentabilidade na fase de teste do algoritmo não significa que continuará a produzir esses retornos para sempre. Ocasionalmente, você precisará intervir e alterar o algoritmo de negociação se os resultados revelarem que já não está funcionando bem. Este também é um compromisso de tempo que qualquer pessoa que se compromete a negociação algorítmica deve aceitar.

As restrições financeiras também são um problema. As comissões se acumulam muito rapidamente com uma estratégia de negociação de alta freqüência, portanto, certifique-se de que você está com o corretor de menor custo disponível e que o potencial de lucro de cada negociação garante o pagamento dessas comissões, potencialmente muitas vezes por dia. O capital inicial também é uma consideração. Diferentes mercados e produtos financeiros exigem valores diferentes de capital. Se o dia comercializar ações, você precisará de pelo menos US $ 25.000 (mais é recomendado), mas negociação forex ou futuros você pode potencialmente começar com menos.

As restrições de mercado são outra questão. Nem todos os mercados são adequados ao comércio algorítmico. Escolha ações, ETFs, pares de divisas ou futuros com ampla liquidez para lidar com as ordens que o algoritmo estará produzindo.

Desenvolva ou ajuste uma estratégia.

Uma vez que as restrições financeiras e de tempo são compreendidas, desenvolva ou ajuste uma estratégia que pode ser programada. Você pode ter uma estratégia que você troca manualmente, mas é facilmente codificado? Se sua estratégia é altamente subjetiva e não baseada em regras, a programação da estratégia pode ser impossível. As estratégias baseadas em regras são as mais fáceis de codificar; estratégias com entradas, paradas de perdas e metas de preços com base em dados quantificáveis ​​ou movimentos de preços.

Uma vez que as estratégias baseadas em regras são facilmente copiadas e testadas, existem abundantes disponíveis gratuitamente se você não tiver idéias próprias. A Quantpedia é um desses recursos, fornecendo documentos acadêmicos e resultados comerciais para vários métodos de negociação quantitativos. As regras descritas podem ser codificadas e, em seguida, testadas quanto à rentabilidade nos dados passados ​​e atuais. Codificar um algoritmo requer habilidade de programação ou acesso a software ou alguém que possa codificar para você.

Testando um Algoritmo de Negociação.

O passo mais importante é o teste. Uma vez que uma estratégia de negociação foi codificada, não troque capital real com ela até que ela tenha sido testada. O teste inclui permitir que o algoritmo funcione em dados históricos de preços, mostrando como o algoritmo foi realizado em milhares de negócios. Se a fase de teste histórico for rentável, e as estatísticas produzidas são aceitáveis ​​para sua tolerância ao risco - como, por exemplo, redução máxima, relação de ganhos, risco de arruamento, e, em seguida, proceder ao teste do algoritmo em condições de vida em uma conta demo. Mais uma vez, esta fase deve produzir centenas de negócios para que você possa acessar o desempenho.

Se o algoritmo é rentável em dados de preços históricos e negociando uma conta de demonstração ao vivo, use-o comercialmente de capital real, mas com um olhar atento. As condições ao vivo são diferentes dos testes históricos ou de demonstração, porque as ordens do algoritmo realmente afetam o mercado e podem causar derrapagens. Até que seja verificado, o algoritmo funciona no mercado real, como fez nos testes, mantenha um olhar atento.

Enquanto o algoritmo estiver operando dentro dos parâmetros estatísticos estabelecidos durante o teste, deixe o algoritmo sozinho. Algoritmos têm o benefício de negociar sem emoção, mas um comerciante que constantemente brincadeira com o algoritmo está anulando esse benefício. O algoritmo exige atenção. Monitorize o desempenho, e se as condições do mercado mudam tanto que o algoritmo já não está funcionando como deveria, então os ajustes podem ser necessários.

O comércio algorítmico não é um esforço definido e esquecido que o torna rico durante a noite. De fato, a negociação quantitativa pode ser tanto trabalho quanto a negociação manual. Se você optar por criar um algoritmo, esteja ciente de como o tempo, as restrições financeiras e de mercado podem afetar sua estratégia e planejar de acordo. Transforme uma estratégia atual em uma regra baseada em uma que possa ser mais facilmente programada ou selecione um método quantitativo que já foi testado e pesquisado. Em seguida, execute sua própria fase de teste usando dados históricos e atuais. Se isso for verificado, então execute o algoritmo com dinheiro real sob um olhar atento. Ajuste, se necessário, mas, de outra forma, deixe seu trabalho funcionar.

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.

Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.

Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.

Por Michael Halls-Moore em 26 de julho de 2018.

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 existe um "melhor" idioma. 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, serão considerados os principais componentes de um sistema de negociação algorítmico, 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 quanto para o ambiente de execução ao vivo.

Qual é o sistema de comércio 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 será puramente baseado em execução? 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 comercial 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 da CPU e a concorrência 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 a partir de um algoritmo e envio de ordens para o mercado, geralmente através de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. As questões de E / S, 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 freqüência 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 que pertencem à 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! Vários instrumentos têm todos os seus peculiaridades de armazenamento, exemplos dos quais incluem símbolos de ticker múltiplos para ações e datas de vencimento para futuros (sem 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. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar, exigem uma consideração significativa em relação ao desempenho.

Uma estratégia que excede 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 + é comumente usado 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. C / C ++ (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, co-localização de troca e ajuste de interface de rede / kernal.

Sistemas de pesquisa.

Os 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 C ++ / C #, que contém extensos utilitários de depuração, recursos 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 álgebras lineares numéricas e operações vetoriais, mas de uma forma de console interativo; R Studio, que envolve o console de linguagem estatística R em um IDE de pleno direito; Eclipse IDE 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 GUI / IDE, 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 do parâmetro backtest forem grandes. Lembre-se de que é necessário desconfiar de tais sistemas se for esse o caso!

Idiomas interpretados, como Python, muitas vezes fazem uso de bibliotecas de alto desempenho, como NumPy / pandas 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 intervalo de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, o idioma utilizado para o backtester e os ambientes de pesquisa podem ser completamente independentes 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 do portfólio e os componentes de gerenciamento de riscos 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 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 múltiplos 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 carteiras 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. As bibliotecas comuns incluem uBLAS, LAPACK e NAG para C ++. O MatLab também possui operações de matriz amplamente otimizadas. Python utiliza NumPy / SciPy 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 negociação.

O gerenciamento de riscos é outra parte extremamente importante de um sistema de comércio algorítmico. O risco pode vir de várias formas: aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias!), Aumento de correlações entre classes de ativos, contraparte padrão, interrupções do servidor, eventos de "cisnes negros" e erros não detectados no código comercial, para nomear alguns.

Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e a correlação entre as classes de ativos e seus efeitos (s) subsequentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como Monte Carlo "testes de estresse". Isso é muito semelhante às necessidades computacionais de um mecanismo de preços de derivativos 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 do Desktop Ubuntu em um servidor de nuvem da Amazon para acessar os corretores interativos de forma remota, apenas por esse motivo!

A maioria das APIs fornecerá uma interface C ++ e / ou Java. Geralmente, é de responsabilidade da comunidade desenvolver wrappers específicos do idioma para C #, Python, R, Excel e MatLab. Note-se que, com cada plugin adicional utilizado (especialmente os wrappers da API), há possibilidades de insetos no sistema. Sempre teste plugins desse tipo e assegure-se de que 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. Note 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 C ++ / Java, 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, geralmente são geralmente "rápidos o suficiente". Certifique-se sempre de que os componentes foram projetados de forma modular (veja abaixo) para que eles possam ser "trocados" à medida que o sistema se reduz.

Processo de Planejamento e Desenvolvimento Arquitetônico.

Os componentes de um sistema de comércio, 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 "vestindo 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 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 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 negociação de alta freqüência, 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, construção de portfólio, gerenciamento de riscos e sistemas de execução automatizada.

Por exemplo, se o armazenamento de dados em uso estiver atualmente com desempenho inferior, 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 de 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 de linguagem. Este será o caso se 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 que está sendo escrito em C ++ para o desempenho do "crunching", 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 freqüência, é o fator mais importante. O "Desempenho" cobre 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 escolha da arquitetura e da linguagem agora será discutida em termos de seus efeitos sobre o desempenho.

A sabedoria prevalecente, 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 quando se forma 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.

Ferramentas 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 de idioma disponíveis para isso, bem como utilitários de terceiros. A escolha da linguagem agora será 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 NumPy / SciPy. 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 é 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 pode ser melhor gasto no desenvolvimento e otimização de 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 de disco / rede), 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 negócios quantitativo. O armazenamento em cache refere-se ao conceito de armazenar dados freqüentemente acessados ​​de uma maneira 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 "acessar 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 ser reequilibrado, de modo que a lista não precisa ser regenerada em cada ciclo do algoritmo de negociação. Essa regeneração provavelmente será uma alta CPU ou operação de E / S de disco.

No entanto, o armazenamento em cache não está sem os 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 sob 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 executam a 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 toda a alocação / desalocação de memória como parte da implementação de um objeto. Embora potencialmente propenso a erros (potencialmente levando a ponteiros pendurados), é extremamente útil ter um controle fino de como os objetos aparecem no heap para determinadas aplicações. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case.

Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in "parallel". So-called "embarassingly parallel" algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths.

Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahl's Law, which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to $N$ separate processes (e. g. on a CPU core or thread ).

Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of "cores" for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidia's CUDA have lead to widespread adoption in academia and finance.

Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrency/multithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others.

Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking .

While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as "unscalable". This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never "better" than another in every sense.

One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle "spikes" in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a "message queuing architecture". This simply means placing a message queue system between components so that orders are "stacked up" if a certain component is unable to process many requests.

Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ.

Hardware and Operating Systems.

The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a "cloud" provider or an exchange co-located server.

Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times!). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI).

Utilizar hardware em um ambiente doméstico (ou escritório local) pode levar à conectividade com a internet e aos problemas de tempo de atividade. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed.

A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system.

In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable.

A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha.

The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems? Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM? These issues will be highly dependent upon the frequency and type of strategy being implemented.

Resilience and Testing.

One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system.

It is likely that in any reasonably complicated custom quantitative trading application at least 50% of development time will be spent on debugging, testing and maintenance.

Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point .

Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb, which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists.

Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease.

TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options.

In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed.

Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.

While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.

Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric.

System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case.

Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering!

It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment?

Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I won't delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system.

Choosing a Language.

Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised.

Type Systems.

When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C++ and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript.

For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesn't catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. 'Dynamic' languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone.

Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays.

Open Source or Proprietary?

One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. 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 licensing/maintenance costs.

The Microsoft stack (including Visual C++, Visual C#) and MathWorks' MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant "battle testing" in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds.

Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C++, C# and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain.

There are also drawbacks. With either piece of 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.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

Como codificar seu próprio robô Algo Trading.

Já quis tornar-se um comerciante algorítmico com a capacidade de codificar seu próprio robô comercial? E ainda, você está frustrado com a quantidade de informações desorganizadas, enganosas e falsas promessas de prosperidade durante a noite? Bem, Lucas Liew, criador do curso de negociação algorítmica on-line AlgoTrading101, pode ter a solução para você. Tendo excelentes revisões e recebendo mais de 8.000 estudantes desde o primeiro lançamento em outubro de 2018, o curso de Liew - destinado a apresentar os fundamentos da negociação algorítmica de forma organizada - está sendo bastante popular. Ele é inflexível sobre o fato de que a negociação algorítmica é "não um esquema rápido e rápido". Com base em idéias de Liew e seu curso, delineadas abaixo estão os fundamentos do que é preciso para projetar, construir e manter seu próprio robô de negociação algorítmica .

O que é um Robô de Negociação Algorítmico.

No nível mais básico, um robô de negociação algorítmica é um código de computador que tem a capacidade de gerar e executar sinais de compra e venda nos mercados financeiros. Os principais componentes desse robô incluem regras de entrada que indicam quando comprar ou vender, regras de saída indicando quando fechar a posição atual e regras de dimensionamento de posição que definem as quantidades para comprar ou vender. (Para mais, veja: Noções básicas de negociação algorítmica: conceitos e exemplos.)

As principais ferramentas.

Obviamente, você vai precisar de um computador e uma conexão com a Internet. Depois disso, será necessário um sistema operacional Windows ou Mac para executar o MetaTrader 4 (MT4), uma plataforma de negociação eletrônica que usa o MetaQuotes Language 4 (MQL4) para codificar as estratégias de negociação. Embora o MT4 não seja o único software que se possa usar para construir um robô, ele possui uma série de benefícios significativos.

Enquanto a principal classe de ativos da MT4 é câmbio (FX), a plataforma pode ser usada para negociar ações, índices de ações, commodities e Bitcoins usando CFDs. Outros benefícios de usar o MT4 em oposição a outras plataformas incluem ser fácil de aprender, tem inúmeras fontes de dados FX disponíveis e é grátis. Infelizmente, o MT4 não permite a negociação direta em mercados de ações e futuros e a realização de análises estatísticas pode ser onerosa; no entanto, o MS Excel pode ser usado como uma ferramenta estatística suplementar.

Estratégias de negociação algorítmica.

É importante começar por refletir sobre alguns traços essenciais que toda estratégia de negociação algorítmica deve ter. A estratégia deve ser prudente no mercado em que é fundamentalmente sólida do ponto de vista do mercado e econômico. Além disso, o modelo matemático utilizado no desenvolvimento da estratégia deve basear-se em métodos estatísticos sólidos.

Em seguida, é crucial determinar quais informações o seu robô pretende capturar. Para ter uma estratégia automatizada, seu robô precisa ser capaz de capturar ineficiências de mercado identificáveis ​​e persistentes. As estratégias de negociação algorítmica seguem um conjunto rígido de regras que aproveitam o comportamento do mercado e, portanto, a ocorrência de uma ineficiência única do mercado não é suficiente para construir uma estratégia. Além disso, se a causa da ineficiência do mercado não for identificável, não haverá maneira de saber se o sucesso ou o fracasso da estratégia foi devido ao acaso ou não.

Com o acima em mente, existem vários tipos de estratégia para informar o design do seu robô de negociação algorítmica. Estes incluem estratégias que aproveitam (i) notícias macroeconômicas (por exemplo, mudanças na folha de pagamento ou na taxa de juros não agrícolas); (ii) análise fundamental (por exemplo, usando dados de receita ou notas de versão de resultados); (iii) análise estatística (por exemplo, correlação ou co-integração); (iv) análise técnica (por exemplo, médias móveis); (v) a microestrutura do mercado (por exemplo, infração de arbitragem ou comercial); ou (vi) qualquer combinação do acima. (Para leitura relacionada, veja: O que é a eficiência do mercado?)

Projetando e testando seu robô.

Existem essencialmente quatro etapas necessárias para construir e gerenciar um robô comercial:

Pesquisa preliminar: esta etapa se concentra no desenvolvimento de uma estratégia que se adapte às suas próprias características pessoais. Fatores como perfil de risco pessoal, compromisso de tempo e capital comercial são importantes para pensar quando desenvolver uma estratégia. Você pode então começar a identificar as persistentes ineficiências do mercado mencionadas acima. Tendo identificado uma ineficiência do mercado, você pode começar a codificar um robô comercial adequado às suas próprias características pessoais.

Backtesting: Esta etapa se concentra em validar seu robô comercial. Isso inclui verificar o código para se certificar de que está fazendo o que deseja e entender como ele se realiza em diferentes intervalos de tempo, aulas de ativos ou diferentes condições de mercado, especialmente em eventos tipo cisne preto, como a crise financeira global de 2008.

Otimização: Então, agora você codificou um robô que funciona e, nesta fase, você deseja maximizar seu desempenho ao mesmo tempo em que minimiza o viés de superposição. Para maximizar o desempenho, primeiro você precisa selecionar uma boa medida de desempenho que capture elementos de risco e recompensa, bem como consistência (por exemplo, taxa Sharpe). O desvio excessivo ocorre quando o robô está muito próximo com dados anteriores; Esse robô vai dar a ilusão de alto desempenho, mas como o futuro nunca se assemelha completamente ao passado, ele pode realmente falhar.

Execução ao vivo: agora você está pronto para começar a usar dinheiro real. No entanto, além de estar preparado para os altos e baixos emocionais que você pode experimentar, existem alguns problemas técnicos que precisam ser abordados. Essas questões incluem selecionar um intermediário apropriado e implementar mecanismos para gerenciar riscos de mercado e riscos operacionais, como potenciais hackers e tempo de inatividade tecnológico. Também é importante nesta etapa verificar se o desempenho do robô é semelhante ao experimentado na fase de teste. Finalmente, o monitoramento contínuo é necessário para garantir que a eficiência do mercado que o robô foi projetado ainda existe. (Para mais, consulte: Como os Algoritmos de Negociação foram Criados.)

The Bottom Line.

Considerando que Richard Dennis, o lendário comerciante de commodities, ensinou a um grupo de estudantes suas estratégias de negociação pessoal que, em seguida, ganhou mais de US $ 175 milhões em apenas cinco anos, é completamente possível que os comerciantes inexperientes sejam ensinados com um conjunto rigoroso de diretrizes e se tornem comerciantes bem-sucedidos. No entanto, este é um exemplo extraordinário e os iniciantes definitivamente devem se lembrar de ter expectativas modestas.

Para ser bem sucedido, é importante não apenas seguir um conjunto de diretrizes, mas também entender como essas diretrizes estão funcionando. Liew enfatiza que a parte mais importante da negociação algorítmica é "entender em que tipos de condições de mercado o seu robô funcionará e quando vai quebrar" e "entender quando intervir". O comércio algorítmico pode ser gratificante, mas a chave para o sucesso é compreensão. Qualquer curso ou professor que prometa altas recompensas com mínima compreensão deve ser um sinal de alerta importante.

Como construir sua própria estratégia de negociação algorítmica.

Estratégia de negociação algorítmica.

Toda semana, recebemos inúmeros e-mails nos perguntando como criamos nossa lucrativa estratégia de negociação algorítmica.

Em vez de tentar explicar nosso processo e raciocínio repetidamente através de e-mails e chamadas telefônicas, decidimos criar um vídeo detalhado sobre os 4 maiores obstáculos que os comerciantes ficam presos e como você pode construir sua própria estratégia de negociação algorítmica rentável.

Seu objetivo como comerciante é criar ou pelo menos usar uma estratégia de negociação vencedora. Não importa se você trocar manualmente, ou se é uma estratégia de negociação automatizada. Mas se você criar algo que ganha dinheiro, é natural que você se concentre em automatizá-lo para que você tenha sua própria estratégia de negociação algorítmica executando e trabalhando para você, enquanto você constrói sua próxima estratégia de negociação e # 8230;

Ao longo dos anos, eu gastei 10 milhares de dólares tentando descobrir quais são as chaves para uma estratégia comercial bem-sucedida. Eu quero compartilhar com você como eu crio estratégias de negociação algorítmicas lucrativas que funcionam em mercados em ascensão, queda e paralelos.

Como eu construí uma estratégia de negociação rentável e algorítmica; Como você também pode.

Deixe-me compartilhar com você minha jornada como comerciante na ordem em que as coisas me acontecem e como eu me tornei um usuário de estratégia de negociação algorítmica em tempo integral. Assista ao vídeo abaixo para obter detalhes e a oferta especial.

A Estratégia de Negociação Algorítmica atinge a Nova Marca de Água Alta de 30,7% ROI & # 8211; Comunicado de imprensa.

Compartilhe essa entrada.

Chris Vermeulen em Benzinga PreMarket TV Show & # 8211; Negociação automatizada.

Algorithmic Trading Strategies Performance & # 038; Educação para investidores.