Best Trading System Entwicklungs Software

Trading Systems: Aufbau eines Systems 13 Bisher haben wir die Grundkomponenten der Handelssysteme, die Kriterien, die sie erfüllen müssen, und einige der vielen empirischen Entscheidungen, die ein Systemdesigner machen muss, besprochen. In diesem Abschnitt werden wir den Prozess des Bauens eines Handelssystems, die Betrachtungen, die gemacht werden müssen, und einige wichtige Punkte zu erinnern untersuchen. Die Six-Step-System-Konstruktion 1. Setup - Um mit dem Aufbau eines Handelssystems zu beginnen, benötigen Sie mehrere Dinge: Daten - Weil der Systemdesigner umfangreiches Backtesting verwenden muss. Vergangenheit Preis Geschichte ist wichtig für den Bau eines Handelssystems. Solche Daten können in die Handelssystem-Entwicklungssoftware oder als separater Daten-Feed integriert werden. Live-Daten werden oft für eine monatliche Gebühr zur Verfügung gestellt, während ältere Daten kostenlos erhältlich sind. Software - Obwohl es möglich ist, ein Handelssystem ohne Software zu entwickeln, ist es sehr unpraktisch. Seit den späten 90er Jahren ist Software ein integraler Bestandteil des Baustellensystems geworden. Einige gemeinsame Funktionen ermöglichen es dem Händler, das folgende zu tun: Automatische Platzierung von Trades - Dies erfordert oft die Erlaubnis aus dem Broker s Ende, weil eine ständige Verbindung zwischen Ihrer Software und dem Brokerage vorhanden sein muss. Trades müssen sofort und zu exakten Preisen durchgeführt werden, um die Konformität zu gewährleisten. Um Ihre Software Platz Trades für Sie haben, alles, was Sie tun müssen, ist die Eingabe der Kontonummer und Passwort, und alles andere wird automatisch durchgeführt. Bitte beachten Sie, dass die Verwendung dieser Funktion strikt optional ist. Code ein Handelssystem - Diese Software-Funktion implementiert eine proprietäre Programmiersprache, mit der Sie Regeln einfach erstellen können. Zum Beispiel verwendet MetaTrader MQL (MetaQuotes Language). Heres ein Beispiel für seinen Code zu verkaufen, wenn freie Marge ist weniger als 5.000: Wenn FreeMargin lt 5000, dann verlassen Oft, nur das Lesen des Handbuchs und Experimentieren sollten Sie auf die Grundlagen der Sprache, die Ihre Software verwendet abholen. Backtest Ihre Strategie - Systementwicklung ohne Backtesting ist wie Tennis spielen ohne Racket. System-Entwicklungs-Software enthält oft eine einfache Backtesting-Anwendung, die Ihnen erlaubt, eine Datenquelle, Eingabe-Account-Informationen und Backtest für jede Menge Zeit mit dem Mausklick zu definieren. Hier ist ein Beispiel aus MetaTrader: Nach dem Rücktest wird ein Report erstellt, der die Besonderheiten der Ergebnisse umreißt. Dieser Bericht enthält in der Regel Gewinn, Anzahl der erfolglosen Trades, aufeinanderfolgende Tage unten, Anzahl der Trades und viele andere Dinge, die hilfreich sein können, wenn Sie versuchen zu bestimmen, wie man das System beheben oder verbessern kann. Schließlich schafft die Software in der Regel eine Grafik, die das Wachstum der Investition während des gesamten getesteten Zeitraums zeigt. 2. Design - Das Design ist das Konzept hinter Ihrem System, die Art und Weise, in der die Parameter verwendet werden, um einen Gewinn oder Verlust zu generieren. Sie implementieren diese Regeln und Parameter, indem sie sie programmieren. Manchmal kann diese Programmierung automatisch über eine grafische Benutzeroberfläche erfolgen. So können Sie Regeln erstellen, ohne eine Programmiersprache zu lernen. Hier ist ein Beispiel für ein gleitendes durchschnittliches Cross-Over-System: Wenn SMA (20) CrossOver EMA (13) dann eingegeben wird Wenn SMA (20) CrossUnder EMA (13) dann verlassen Regeln wie diese, die in Code gesetzt werden, erlauben die Software automatisch Generieren Ein - und Ausgänge an den Punkten, an denen die Regeln anwendbar sind. Hier ist das, was die Design-Oberfläche auf MetaTrader aussieht: Das System wird durch einfaches Eingeben der Regeln im Fenster erstellt und gespeichert. Referenzen für die verschiedenen verfügbaren Funktionen (z. B. Oszillatoren und solche) können durch Anklicken des Buchsymbols gefunden werden. Die meisten Software wird eine ähnliche Referenz entweder innerhalb des Programms selbst oder auf seiner Website. Nach dem Erstellen der gewünschten Regeln und Codierung des Systems, speichern Sie einfach die Datei. Dann können Sie es in Gebrauch nehmen, indem Sie es auf dem Hauptbildschirm auswählen. 3. Entscheidungsfindung - Es gibt viele Entscheidungen, die zu diesem Zeitpunkt getroffen werden sollen: Welchen Markt möchte ich handeln 13 Welche Zeitspanne soll ich verwenden 13 Welche Preisreihen soll ich verwenden 13 Welche Teilmenge von Aktien soll ich für die Prüfung verwenden Dass die Handelssysteme in vielen Märkten konsequent einen Gewinn erzielen sollten. Durch die Anpassung der Zeit und der Preisreihe zu viel, können Sie die Ergebnisse bemerken und produzieren uncharakteristische Ergebnisse.4. Praxis - Backtesting und Papierhandel sind für die erfolgreiche Entwicklung eines Handelssystems von wesentlicher Bedeutung: Führen Sie mehrere Backtests zu verschiedenen Zeiträumen aus und stellen Sie sicher, dass die Ergebnisse konsistent und zufriedenstellend sind. Papier handeln das System (verwenden Sie imaginäre Geld, aber notieren Sie die Trades und Ergebnisse), und wieder, für eine konsequente Profitabilität zu suchen. Überprüfen Sie sorgfältig auf Fehler im Programm oder unbeabsichtigte Trades. Dies kann auf fehlerhafte Programmierung oder Misserfolg von bestimmten Umständen zurückzuführen sein, die unerwünschte Auswirkungen haben. 5. Wiederholung - Wiederholung ist notwendig. Halten Sie die Arbeit an dem System, bis Sie konsequent einen Gewinn in den meisten Märkten und Bedingungen machen können. Es gibt immer unvorhergesehene Ereignisse, die auftreten, sobald ein System geht. Hier sind einige Faktoren, die oft schiefe Ergebnisse verursachen: Transaktionskosten - Stellen Sie sicher, dass Sie die reale Kommission verwenden. Und einige extra für unzureichende fills (Unterschied zwischen Gebot und fragen Preise) zu berücksichtigen. Mit anderen Worten, vermeiden Sie Schlupf (um zu überprüfen, was das ist und wie es auftritt, siehe den vorherigen Abschnitt dieses Tutorials.) Wachsamkeit - Dont ignorieren verlieren Trades halten ein Auge auf alle Trades. Optimierung - Dont über-Optimierung des Systems. Mit anderen Worten, nicht schneiden das System auf eine sehr spezifische Marktumgebung versuchen, profitabel in so breit wie eine Umgebung wie möglich. Risk - ignorieren oder vergessen Sie nicht das Risiko. Es ist sehr wichtig, Wege zu haben, um Verluste zu begrenzen (sonst als Stop-Verluste bekannt), und Möglichkeiten, um Sperren Gewinne (Gewinne nehmen). 6. Handel - Probieren Sie es aus, aber erwarten Sie unbeabsichtigte Ergebnisse. Achten Sie darauf, nicht automatisierte Handel zu verwenden, bis Sie zuversichtlich sind in der Systemleistung und Konsistenz. Es dauert eine lange Zeit, um ein erfolgreiches Handelssystem zu entwickeln, und bevor Sie es perfekt machen, müssen Sie möglicherweise einige Live-Handelsverluste erleiden, um Störungen zu erkennen: Back-Tests können nicht perfekt lebende Marktbedingungen darstellen, und Papierhandel kann ungenau sein. Wenn Ihr System Geld verliert, gehen Sie zurück zum Reißbrett und sehen, wo es schief gelaufen ist (siehe Schritt 5). Fazit Diese sechs Schritte geben Ihnen einen Überblick über den gesamten Prozess des Bauens eines Handelssystems. Im nächsten Abschnitt werden wir auf dieses Wissen aufbauen und einen eingehenderen Blick auf die Fehlersuche und Modifikation werfen. Trading System Development Services Benötigen Sie kompetente Unterstützung, die Ihr Trading System auf die nächste Ebene bringt NeuroDimensions Beratung hilft Ihnen. Wir haben die Erfahrung, Ihnen zu helfen, Ihre Handelsideen zu entwickeln und zu testen, sie automatisch zu handeln und sie sogar als Drittanbieterprodukte zu entwickeln. Unsere Experten bringen über 20 Jahre Handelssoftware und Systementwicklungserfahrung zu jedem Projekt. Kontaktieren Sie NeuroDimension heute und lassen Sie unsere Berater und Software-Lösungen Ihr Trading-System auf die nächste Ebene. Implementieren Sie Ihre Handelsideen - so einfach oder so komplex wie gewünscht. Tick - oder Bar-basierte Signale Aktien, FOREX, Funds und Futures (Optionen in Kürze) Rule-based, Neural-based, Data Mining und andere Methoden Back-Test Ihre Ideen auf historische Daten Nutzen Sie unsere Kompetenz zusammen mit unserem kommerziellen und in - house-Finanz-Software zur Verbesserung Ihrer grundlegenden Konzepte Advanced verteilte Forschungsumgebung, die mehrere Computer in parallel zu variieren und verbessern Sie Ihre Ideen verwendet. Testen Sie alternative Parameter über ganze Portfolios Testen Sie neue Assets und Portfolio-Optimierungsmethoden Implementieren Sie erweiterte Risikoschutzmechanismen Identifizieren Sie die optimalen Parameter für Ihr gewünschtes Maß an Gewinn und Risiko Wenn Sie auf der Suche nach Ihrem System an andere verkaufen möchten, können wir bestimmen, wie Sie Ihr System optimal verpacken können. Abonnement-basierte Signal-Services Hedge-Fonds ETFs Multi-System-Portfolios Softwarepaket Add-On-Kontakte in der gesamten Handelsbranche. Identifizieren Sie optimale Plattform - und Disaster-Recovery-Pläne für Ihr System. Nutzen Sie unsere Trader68 Software für die schnellste Markteinführung. Robuster, vollautomatischer Handel Ihres Systems durch Interactive Brokers oder PFG Best (Unterstützung für weitere Broker in Kürze) Unterstützung für Rundfunk zu abonnementbasierten Signaldaten Eingebauter Papierhandel für zusätzliche Tests Ihres Systems Ändern von Marktbedingungen durch Kombination Der automatisierten Risikoanalyse und laufenden Verbesserungen. Software-Updates und dedizierte technische Unterstützung Verfügbare Trading-Server-Wartung Auf der Suche nach anderen neuronalen Netzwerk-Anwendungen. NeuroDimension hat erfolgreich neuronale Netze auf ein breites Spektrum an datenintensiven Anwendungen in anderen Branchen angewendet: Medizin, Wissenschaft, Wirtschaft, Fertigung, Sportwetten und vieles mehrBest Programmiersprache für algorithmische Handelssysteme Eine der häufigsten Fragen, die ich im QS bekomme Mailbag is Was ist die beste Programmiersprache für den algorithmischen Handel. Die kurze Antwort ist, dass es keine beste Sprache gibt. Strategieparameter, Leistung, Modularität, Entwicklung, Ausfallsicherheit und Kosten sind zu berücksichtigen. Dieser Artikel skizziert die notwendigen Komponenten einer algorithmischen Handelssystemarchitektur und wie Entscheidungen in Bezug auf die Umsetzung die Wahl der Sprache beeinflussen. Erstens werden die Hauptkomponenten eines algorithmischen Handelssystems betrachtet, wie die Forschungsinstrumente, Portfolio-Optimierer, Risikomanager und Ausführungs-Engine. Anschließend werden verschiedene Handelsstrategien untersucht und wie sie das Design des Systems beeinflussen. Insbesondere wird die Häufigkeit des Handels und des wahrscheinlichen Handelsvolumens diskutiert. Sobald die Handelsstrategie ausgewählt wurde, ist es notwendig, das gesamte System zu architektieren. Dazu gehören die Auswahl der Hardware, das Betriebssystem und die System-Resilienz gegen seltene, potenziell katastrophale Ereignisse. Während die Architektur berücksichtigt wird, muss die Leistung - sowohl an die Forschungsinstrumente als auch an die Live-Ausführungsumgebung - gebührend berücksichtigt werden. Was ist das Trading-System zu tun Vor der Entscheidung über die beste Sprache, mit denen ein automatisiertes Handelssystem zu schreiben ist es notwendig, die Anforderungen zu definieren. Wird das System rein ausgeführt sein, wird das System ein Risikomanagement - oder Portfolio-Konstruktionsmodul erfordern. Das System benötigt einen leistungsstarken Backtester. Für die meisten Strategien kann das Handelssystem in zwei Kategorien aufgeteilt werden: Forschung und Signalgenerierung. Die Forschung beschäftigt sich mit der Bewertung einer Strategieleistung über historische Daten. Der Prozess der Auswertung einer Handelsstrategie gegenüber früheren Marktdaten wird als Backtesting bezeichnet. Die Datengröße und die algorithmische Komplexität haben einen großen Einfluss auf die Rechenintensität des Backtests. CPU-Geschwindigkeit und Parallelität sind oft die begrenzenden Faktoren bei der Optimierung der Forschungsdurchführungsgeschwindigkeit. Die Signalgenerierung beschäftigt sich mit der Erzeugung eines Satzes von Handelssignalen aus einem Algorithmus und dem Versenden solcher Aufträge auf den Markt, in der Regel über eine Vermittlung. Für bestimmte Strategien ist ein hohes Leistungsniveau erforderlich. IO-Themen wie Netzwerkbandbreite und Latenz sind oft der begrenzende Faktor bei der Optimierung von Ausführungssystemen. So kann die Wahl der Sprachen für jede Komponente Ihres Gesamtsystems ganz anders sein. Typ, Häufigkeit und Volumen der Strategie Die Art der eingesetzten algorithmischen Strategie wird sich erheblich auf die Gestaltung des Systems auswirken. Es wird notwendig sein, die gehandelten Märkte, die Konnektivität zu externen Datenanbietern, die Häufigkeit und das Volumen der Strategie, den Kompromiss zwischen der Leichtigkeit der Entwicklung und der Leistungsoptimierung sowie jede kundenspezifische Hardware, einschließlich der zusammengesetzten Sitte, zu berücksichtigen Server, GPUs oder FPGAs, die notwendig sein könnten. Die Technologie-Entscheidungen für eine niederfrequente US-Aktienstrategie unterscheiden sich deutlich von denen eines hochfrequenten statistischen Arbitrage-Strategiehandels auf dem Futures-Markt. Vor der Wahl der Sprache müssen viele Datenverkäufer ausgewertet werden, die sich auf die jeweilige Strategie beziehen. Es wird notwendig sein, die Konnektivität mit dem Anbieter, die Struktur von APIs, die Aktualität der Daten, die Speicheranforderungen und die Widerstandsfähigkeit im Angesicht eines Verkäufers, der offline geht, zu betrachten. Es ist auch klug, schnellen Zugriff auf mehrere Anbieter zu besitzen. Verschiedene Instrumente haben alle ihre eigenen Speicherquirks, Beispiele dafür sind mehrere Tickersymbole für Aktien und Verfallsdaten für Futures (ganz zu schweigen von bestimmten OTC-Daten). Dies muss in das Plattformdesign berücksichtigt werden. Häufigkeit der Strategie ist wahrscheinlich einer der größten Treiber, wie der Technologie-Stack definiert werden wird. Strategien, die Daten häufiger einsetzen als kleinere oder zweitens Bars, bedürfen einer beträchtlichen Berücksichtigung der Leistung. Eine Strategie, die zweitens Stäbe übersteigt (d. h. Tick-Daten), führt zu einem leistungsgesteuerten Design als primäre Anforderung. Für Hochfrequenzstrategien müssen erhebliche Marktdaten gespeichert und ausgewertet werden. Software wie HDF5 oder kdb werden häufig für diese Rollen verwendet. Um die umfangreichen Datenmengen für HFT-Anwendungen zu verarbeiten, muss ein weitgehend optimiertes Backtester - und Ausführungssystem eingesetzt werden. CC (möglicherweise mit einigen Assembler) ist wahrscheinlich der stärkste Sprachkandidat. Ultra-High-Frequenz-Strategien werden fast sicherlich benutzerdefinierte Hardware wie FPGAs, Austausch Co-Location und Kern-Netzwerk-Interface-Tuning. Forschungssysteme Forschungssysteme beinhalten in der Regel eine Mischung aus interaktiver Entwicklung und automatisiertem Scripting. Die ehemalige findet oft in einer IDE wie Visual Studio, MatLab oder R Studio statt. Letzteres beinhaltet umfangreiche numerische Berechnungen über zahlreiche Parameter und Datenpunkte. Dies führt zu einer Sprachwahl, die eine einfache Umgebung bietet, um Code zu testen, bietet aber auch eine ausreichende Leistung, um Strategien über mehrere Parameterdimensionen zu bewerten. Typische IDEs in diesem Bereich sind Microsoft Visual CC, das umfangreiche Debugging-Dienstprogramme, Code-Completion-Funktionen (via Intellisense) und einfache Übersichten des gesamten Projektstacks (über die Datenbank ORM, LINQ) MatLab enthält. Die für umfangreiche numerische lineare Algebra und vektorisierte Operationen ausgelegt ist, aber in einer interaktiven Konsolenweise R Studio. Die die R statistische Sprachkonsole in einer vollwertigen IDE Eclipse IDE für Linux Java und C und semi-proprietäre IDEs wie Enthought Canopy für Python, die Datenanalyse Bibliotheken wie NumPy enthalten. SciPy Scikit-lernen und pandas in einer einzigen interaktiven (Konsole) Umgebung. Für das numerische Backtesting sind alle oben genannten Sprachen geeignet, obwohl es nicht notwendig ist, eine GUIIDE zu verwenden, da der Code im Hintergrund ausgeführt wird. Die Hauptbetrachtung in diesem Stadium ist die der Ausführungsgeschwindigkeit. Eine kompilierte Sprache (wie z. B. C) ist oft nützlich, wenn die Backtesting-Parameter-Dimensionen groß sind. Denken Sie daran, dass es notwendig ist, vor solchen Systemen vorsichtig zu sein, wenn dies der Fall ist. Interpretierte Sprachen wie Python nutzen oft Hochleistungsbibliotheken wie NumPypandas für den Backtesting-Schritt, um ein angemessenes Maß an Wettbewerbsfähigkeit mit kompilierten Äquivalenten aufrechtzuerhalten. Letztlich wird die für das Backtesting gewählte Sprache durch spezifische algorithmische Bedürfnisse sowie die Bandbreite der in der Sprache verfügbaren Bibliotheken bestimmt (mehr dazu unten). Allerdings kann die Sprache, die für den Backtester und die Forschungsumgebungen verwendet wird, völlig unabhängig von denen sein, die in der Portfolio-Konstruktion, dem Risikomanagement und den Ausführungskomponenten verwendet werden, wie zu sehen ist. Portfolio-Konstruktion und Risikomanagement Die Portfoliokonstruktions - und Risikomanagementkomponenten werden oft von den algorithmischen Händlern des Einzelhandels übersehen. Das ist fast immer ein Fehler. Diese Werkzeuge bieten den Mechanismus, durch den das Kapital erhalten bleibt. Sie versuchen nicht nur, die Anzahl der riskanten Wetten zu lindern, sondern auch die Churn der Trades selbst zu minimieren und die Transaktionskosten zu senken. Ausgefeilte Versionen dieser Komponenten können sich erheblich auf die Qualität und die Konsequenz der Rentabilität auswirken. Es ist einfach, einen Stab von Strategien zu schaffen, da der Portfolio-Konstruktionsmechanismus und der Risikomanager leicht modifiziert werden können, um mehrere Systeme zu behandeln. So sollten sie zu Beginn der Gestaltung eines algorithmischen Handelssystems als wesentliche Komponenten betrachtet werden. Die Aufgabe des Portfolio-Bausystems ist es, eine Reihe von gewünschten Trades zu tätigen und die Menge der tatsächlichen Trades zu produzieren, die den Churn minimieren, die Exposition gegenüber verschiedenen Faktoren (wie Sektoren, Assetklassen, Volatilität usw.) aufrechterhalten und die Zuteilung von Kapital zu verschiedenen optimieren Strategien in einem Portfolio. Der Portfolioaufbau reduziert sich häufig auf ein lineares Algebra-Problem (wie z. B. eine Matrixfaktorisierung) und damit ist die Leistung in hohem Maße von der Effektivität der numerischen linearen Algebra-Implementierung abhängig. Gemeinsame Bibliotheken beinhalten uBLAS. LAPACK und NAG für C. MatLab besitzt auch weitgehend optimierte Matrixoperationen. Python nutzt NumPySciPy für solche Berechnungen. Ein häufig neu ausgewogenes Portfolio erfordert eine kompilierte (und gut optimierte) Matrixbibliothek, um diesen Schritt auszuführen, um das Handelssystem nicht zu überschreiten. Das Risikomanagement ist ein weiterer äußerst wichtiger Bestandteil eines algorithmischen Handelssystems. Risiko kann in vielen Formen kommen: Erhöhte Volatilität (obwohl dies für bestimmte Strategien als wünschenswert angesehen werden kann), erhöhte Korrelationen zwischen Assetklassen, Gegenpartei-Default, Serverausfälle, Black-Swan-Events und unentdeckte Bugs im Handelscode, um einen Namen zu nennen wenige. Risikomanagementkomponenten versuchen und erwarten die Auswirkungen einer übermäßigen Volatilität und Korrelation zwischen den Assetklassen und ihren nachfolgenden Auswirkungen auf das Handelskapital. Oft reduziert sich dies auf eine Reihe von statistischen Berechnungen wie Monte Carlo Stresstests. Dies ist sehr ähnlich wie die rechnerischen Bedürfnisse einer Derivate-Pricing-Engine und als solche wird CPU-gebunden. Diese Simulationen sind sehr parallelisierbar (siehe unten) und bis zu einem gewissen Grad ist es möglich, Hardware auf das Problem zu werfen. Ausführungssysteme Die Aufgabe des Ausführungssystems ist es, gefilterte Handelssignale aus den Portfoliokonstruktionen und Risikomanagementkomponenten zu erhalten und sie an eine Vermittlung oder andere Marktmittel zu senden. Für die Mehrheit der Einzelhandels-algorithmischen Handelsstrategien handelt es sich dabei um eine API - oder FIX-Verbindung zu einem Brokerage wie Interactive Brokers. Die primären Überlegungen bei der Entscheidung über eine Sprache sind die Qualität der API, die Sprache-Wrapper-Verfügbarkeit für eine API, die Ausführungshäufigkeit und die erwartete Schlupf. Die Qualität der API verweist darauf, wie gut dokumentiert es ist, welche Art von Leistung es bietet, ob es sich um eine eigenständige Software handelt, auf die zugegriffen werden kann oder ob ein Gateway kopflos aufgebaut werden kann (d. h. keine GUI). Im Falle von Interactive Brokers muss das Trader WorkStation-Tool in einer GUI-Umgebung ausgeführt werden, um auf ihre API zuzugreifen. Ich musste einmal eine Desktop Ubuntu Edition auf einen Amazon Cloud Server installieren, um interaktive Broker remote zugreifen zu können, rein aus diesem Grund Die meisten APIs stellen eine C andor Java Schnittstelle zur Verfügung. In der Regel ist es Aufgabe der Community, sprachspezifische Wrapper für C, Python, R, Excel und MatLab zu entwickeln. Beachten Sie, dass mit jedem zusätzlichen Plugin verwendet (vor allem API Wrapper) gibt es Spielraum für Bugs, um in das System zu kriechen. Testen Sie immer Plugins dieser Art und stellen Sie sicher, dass sie aktiv gepflegt werden. Ein lohnender Messgerät ist zu sehen, wie viele neue Updates zu einer Codebasis in den letzten Monaten gemacht wurden. Die Ausführungshäufigkeit ist im Ausführungsalgorithmus von größter Bedeutung. Beachten Sie, dass Hunderte von Aufträgen jede Minute gesendet werden können und als solche Leistung kritisch ist. Der Schlupf wird durch ein leistungsstarkes Abwicklungssystem entstehen und dies wird einen dramatischen Einfluss auf die Rentabilität haben. Statisch typisierte Sprachen (siehe unten) wie CJava sind in der Regel optimal für die Ausführung, aber es gibt einen Kompromiss in Entwicklungszeit, Test und Wartungsfreundlichkeit. Dynamisch typisierte Sprachen wie Python und Perl sind jetzt in der Regel schnell genug. Achten Sie stets darauf, dass die Bauteile modular aufgebaut sind (siehe unten), so dass sie als Systemwaage ausgetauscht werden können. Architektonischer Planungs - und Entwicklungsprozess Die Komponenten eines Handelssystems, dessen Frequenz - und Volumenanforderungen wurden oben diskutiert, aber die Systeminfrastruktur ist noch nicht abgedeckt. Diejenigen, die als Einzelhändler handeln oder in einem kleinen Fonds arbeiten, werden wahrscheinlich viele Hüte tragen. Es wird notwendig sein, das Alpha-Modell, das Risikomanagement und die Ausführungsparameter sowie die endgültige Implementierung des Systems abdecken zu können. Bevor wir in spezifische Sprachen eintauchen, wird die Gestaltung einer optimalen Systemarchitektur diskutiert. Trennung von Bedenken Eine der wichtigsten Entscheidungen, die zu Beginn getroffen werden müssen, ist, wie man die Anliegen eines Handelssystems trennen kann. In der Softwareentwicklung bedeutet dies im Wesentlichen, wie man die verschiedenen Aspekte des Handelssystems in separate modulare Komponenten zerlegt. Durch das Belichten von Schnittstellen an jedem der Komponenten ist es einfach, Teile des Systems für andere Versionen auszutauschen, die Leistung, Zuverlässigkeit oder Wartung unterstützen, ohne irgendeinen externen Abhängigkeitscode zu modifizieren. Dies ist die beste Praxis für solche Systeme. Für Strategien bei niedrigeren Frequenzen werden solche Praktiken empfohlen. Für den Hochfrequenzhandel muss das Regelwerk auf Kosten der Optimierung des Systems für noch mehr Leistung ignoriert werden. Ein stärker gekoppeltes System kann wünschenswert sein. Das Erstellen einer Komponentenkarte eines algorithmischen Handelssystems ist einen Artikel an sich wert. Allerdings ist ein optimaler Ansatz, um sicherzustellen, dass es getrennte Komponenten für die historischen und Echtzeit-Marktdateneingaben, Datenspeicherung, Datenzugriffs-API, Backtester, Strategieparameter, Portfolio-Konstruktion, Risikomanagement und automatisierte Ausführungssysteme gibt. Zum Beispiel, wenn der verwendete Datenspeicher derzeit auch unter erheblichen Optimierungsniveaus unterdurchschnittlich ist, kann er mit minimaler Umschreibung auf die Datenaufnahme oder Datenzugriffs-API ausgetauscht werden. So weit wie der Backtester und nachfolgende Komponenten betroffen sind, gibt es keinen Unterschied. Ein weiterer Vorteil von getrennten Komponenten ist, dass es eine Vielzahl von Programmiersprachen im Gesamtsystem verwendet werden kann. Es besteht keine Notwendigkeit, auf eine einzige Sprache beschränkt zu sein, wenn die Kommunikationsmethode der Komponenten sprachunabhängig ist. Dies ist der Fall, wenn sie über TCPIP, ZeroMQ oder ein anderes sprachunabhängiges Protokoll kommunizieren. Als konkretes Beispiel ist der Fall eines Backtesting-Systems zu betrachten, das in C für die Zahl Crunching-Performance geschrieben wird, während die Portfolio-Manager und Ausführungs-Systeme in Python mit SciPy und IBPy geschrieben werden. Leistungsüberlegungen Die Performance ist für die meisten Handelsstrategien von großer Bedeutung. Für höhere Frequenzstrategien ist es der wichtigste Faktor. Die Leistung deckt eine breite Palette von Problemen ab, wie etwa die algorithmische Ausführungsgeschwindigkeit, die Netzwerklatenz, die Bandbreite, die Daten IO, die Konkurrenz und die Skalierung. Jeder dieser Bereiche wird individuell von großen Lehrbüchern abgedeckt, so dass dieser Artikel nur die Oberfläche jedes Themas kratzen wird. Architektur und Sprachwahl werden nun in Bezug auf ihre Auswirkungen auf die Leistung diskutiert. Die vorherrschende Weisheit, wie von Donald Knuth angegeben. Einer der Väter der Informatik, ist die vorzeitige Optimierung die Wurzel allen Übels. Dies ist fast immer der Fall - außer beim Aufbau eines hochfrequenten Trading-Algorithmus Für diejenigen, die sich für niederfrequente Strategien interessieren, ist ein gemeinsamer Ansatz, ein System auf die einfachste Weise zu bauen und nur zu optimieren, wenn Engpässe beginnen zu erscheinen. Profiling-Tools werden verwendet, um festzustellen, wo Engpässe entstehen. Profile können für alle oben aufgeführten Faktoren erstellt werden, entweder in einer MS Windows - oder Linux-Umgebung. Es gibt viele Betriebssystem-und Sprach-Tools zur Verfügung, um dies zu tun, sowie Drittanbieter-Dienstprogramme. Die Sprachwahl wird nun im Rahmen der Performance diskutiert. C, Java, Python, R und MatLab enthalten alle Hochleistungsbibliotheken (entweder als Teil ihres Standards oder extern) für die Grunddatenstruktur und die algorithmische Arbeit. C-Schiffe mit der Standard-Vorlagenbibliothek, während Python NumPySciPy enthält. Gemeinsame mathematische Aufgaben sind in diesen Bibliotheken zu finden und es ist selten vorteilhaft, eine neue Implementierung zu schreiben. Eine Ausnahme ist, wenn eine hochgradig angepasste Hardwarearchitektur erforderlich ist und ein Algorithmus umfangreiche Verwendung von proprietären Erweiterungen (wie z. B. benutzerdefinierte Caches) macht. Allerdings verschwendet oft die Neuerung des Rades Zeit, die besser ausgegeben werden könnte, um andere Teile der Handelsinfrastruktur zu entwickeln und zu optimieren. Entwicklungszeit ist vor allem im Kontext von Sohlenentwicklern äußerst wertvoll. Latenz ist oft ein Thema des Ausführungssystems, da die Forschungsinstrumente meist auf derselben Maschine liegen. Für die ersteren kann die Latenzzeit an mehreren Punkten entlang des Ausführungspfades auftreten. Datenbanken müssen konsultiert werden (Disknetwork Latency), Signale müssen generiert werden (Betriebssyste, kernal Messaging Latenz), Handelssignale gesendet (NIC Latenz) und Aufträge verarbeitet (Austausch der internen Latenz des Systems). Für höhere Frequenzoperationen ist es notwendig, sich mit der kernalen Optimierung sowie der Optimierung der Netzwerkübertragung vertraut zu machen. Dies ist ein tiefer Bereich und ist deutlich über den Umfang des Artikels, aber wenn ein UHFT-Algorithmus gewünscht wird dann bewusst sein, die Tiefe des Wissens erforderlich Caching ist sehr nützlich in der Toolkit eines quantitativen Handel Entwickler. Caching bezieht sich auf das Konzept der Speicherung von häufig zugegriffenen Daten in einer Weise, die einen leistungsfähigeren Zugriff ermöglicht, auf Kosten der potentiellen Staleness der Daten. Ein häufiger Anwendungsfall tritt bei der Web-Entwicklung bei der Datenübertragung von einer disk-backed relationalen Datenbank auf und setzt sie in den Speicher. Alle nachfolgenden Anfragen für die Daten müssen nicht auf die Datenbank treffen und so können Leistungssteigerungen erheblich sein. Für Handelssituationen kann das Caching äußerst vorteilhaft sein. Zum Beispiel kann der aktuelle Status eines Strategieportfolios in einem Cache gespeichert werden, bis er neu ausgeglichen wird, so dass die Liste nicht auf jeder Schleife des Handelsalgorithmus regeneriert werden muss. Eine solche Regeneration ist wahrscheinlich eine hohe CPU - oder Festplatten-IO-Operation. Das Caching ist jedoch nicht ohne eigene Probleme. Die Regeneration von Cache-Daten auf einmal, aufgrund der volatilen Natur des Cache-Speichers, kann erhebliche Nachfrage nach Infrastruktur stellen. Ein weiteres Problem ist das Hunde-Stapeln. Wo mehrere Generationen einer neuen Cache-Kopie unter extrem hoher Belastung durchgeführt werden, was zu Kaskadenfehler führt. Die dynamische Speicherzuordnung ist eine teure Bedienung bei der Softwareausführung. So ist es zwingend erforderlich, dass hochleistungsfähige Handelsanwendungen sich bewusst sind, wie Speicher während des Programmablaufs zugewiesen und freigegeben wird. Neuere Sprachstandards wie Java, C und Python führen automatisch eine automatische Garbage Collection durch. Die sich auf die Freigabe des dynamisch zugewiesenen Speichers bezieht, wenn Objekte aus dem Geltungsbereich gehen. Garbage Collection ist äußerst nützlich während der Entwicklung, da es Fehler reduziert und hilft Lesbarkeit. Allerdings ist es für bestimmte Hochfrequenz-Handelsstrategien oftmals suboptimal. Für diese Fälle ist oft eine benutzerdefinierte Garbage Collection erwünscht. In Java, zum Beispiel durch Abstimmung der Garbage Collector und Heap-Konfiguration, ist es möglich, hohe Leistung für HFT-Strategien zu erhalten. C stellt keinen nativen Garbage Collector zur Verfügung und so ist es notwendig, alle Speicherzuweisungen als Teil einer Objektimplementierung zu behandeln. Während potenziell fehleranfällig (potenziell zu baumelnden Zeigern führen) ist es äußerst nützlich, eine feinkörnige Kontrolle darüber zu haben, wie Objekte auf dem Haufen für bestimmte Anwendungen erscheinen. Bei der Auswahl einer Sprache ist zu beachten, wie der Müllsammler arbeitet und ob er modifiziert werden kann, um für einen bestimmten Anwendungsfall zu optimieren. Viele Operationen in algorithmischen Handelssystemen sind der Parallelisierung zugänglich. Dies bezieht sich auf das Konzept der Durchführung mehrerer programmatischer Operationen zur gleichen Zeit, d. h. parallel. So genannte peinlich parallele Algorithmen beinhalten Schritte, die vollständig unabhängig von anderen Schritten berechnet werden können. Bestimmte statistische Operationen wie Monte-Carlo-Simulationen sind ein gutes Beispiel für peinlich parallele Algorithmen, da jede zufällige Zeichnung und nachfolgende Pfadoperation ohne Kenntnis anderer Pfade berechnet werden können. Andere Algorithmen sind nur teilweise parallelisierbar. Fluid-Dynamik-Simulationen sind ein solches Beispiel, wo die Domäne der Berechnung unterteilt werden kann, aber letztlich müssen diese Domänen miteinander kommunizieren und somit sind die Operationen teilweise sequentiell. Parallelisierbare Algorithmen unterliegen dem Amdahls-Gesetz. Die eine theoretische Obergrenze für die Leistungserhöhung eines parallelisierten Algorithmus liefert, wenn sie N getrennten Prozessen (z. B. auf einem CPU-Kern oder einem Thread) unterworfen ist. Die Parallelisierung ist zunehmend wichtiger als Optimierungsmechanismus, da die Prozessor-Taktraten stagniert haben, da neuere Prozessoren viele Kerne enthalten, mit denen parallele Berechnungen durchgeführt werden können. Der Anstieg der Consumer-Grafikhardware (überwiegend für Videospiele) hat zur Entwicklung von Graphic Processing Units (GPUs) geführt, die Hunderte von Cores für sehr gleichzeitige Operationen enthalten. Solche GPUs sind jetzt sehr erschwinglich. High-Level-Frameworks, wie Nvidias CUDA haben zu einer breiten Akzeptanz in Akademie und Finanzen geführt. Diese GPU-Hardware eignet sich in der Regel nur für den Forschungsaspekt der quantitativen Finanzierung, während für (U) HFT weitere spezialisierte Hardware (einschließlich Field-Programmable Gate Arrays - FPGAs) verwendet werden. Heutzutage unterstützen die meisten modernen Langzeiten einen Grad der Gleichzeitigkeit. So ist es einfach, einen Backtester zu optimieren, da alle Berechnungen in der Regel unabhängig von den anderen sind. Skalierung in Software-Engineering und Operationen bezieht sich auf die Fähigkeit des Systems, konsequent zunehmende Lasten in Form von größeren Anfragen, höhere Prozessor-Nutzung und mehr Speicherzuweisung zu behandeln. Im algorithmischen Handel ist eine Strategie in der Lage, zu skalieren, wenn sie größere Mengen an Kapital akzeptieren und immer noch konsistente Renditen erzielen kann. Der Trading-Technologie-Stack skaliert, wenn es größere Handelsvolumina und erhöhte Latenz, ohne Engpässe aushalten kann. Während Systeme maßstabsgetreu gestaltet werden müssen, ist es oft schwer vorherzusagen, wo ein Engpass stattfindet. Rigourous Logging, Test, Profiling und Monitoring wird dazu beitragen, dass ein System skaliert werden kann. Sprachen selbst werden oft als unskalierbar beschrieben. Dies ist in der Regel das Ergebnis von Fehlinformationen, anstatt harte Tatsache. Es ist der gesamte Technologie-Stack, der für die Skalierbarkeit ermittelt werden sollte, nicht die Sprache. Eindeutig haben bestimmte Sprachen eine größere Leistung als andere in bestimmten Anwendungsfällen, aber eine Sprache ist niemals besser als eine andere in jeder Hinsicht. Ein Mittel zur Verwaltung von Skalen ist, um Bedenken zu trennen, wie oben erwähnt. Um die Fähigkeit, Spikes im System zu bewältigen (d. h. plötzliche Volatilität, die ein Floß von Trades auslöst) weiterzuführen, ist es sinnvoll, eine Message-Warteschlangenarchitektur zu erstellen. Dies bedeutet einfach, dass ein Message-Queue-System zwischen Komponenten platziert wird, so dass Aufträge gestapelt werden, wenn eine bestimmte Komponente nicht in der Lage ist, viele Anfragen zu verarbeiten. Anstatt zu verlangen, werden sie einfach in einem Stapel gehalten, bis die Nachricht behandelt wird. Dies ist besonders nützlich für das Senden von Trades an eine Ausführungsmaschine. Wenn der Motor unter schwerer Latenz leidet, dann wird er Trades zurücksetzen. Eine Warteschlange zwischen dem Handelssignalgenerator und der Ausführungs-API löst dieses Problem auf Kosten des potenziellen Handelsschlupfes ab. Ein gut respektierter Open Source Message Queue Broker ist RabbitMQ. Hardware und Betriebssysteme Die Hardware, die Ihre Strategie ausführt, kann einen erheblichen Einfluss auf die Rentabilität Ihres Algorithmus haben. Dies ist kein Thema, das auch auf Hochfrequenz-Händler beschränkt ist. Eine schlechte Wahl in Hardware und Betriebssystem kann zu einem Maschinen-Crash oder Neustart am meisten unpassenden Moment führen. So ist es notwendig zu prüfen, wo Ihre Bewerbung wohnen wird. Die Wahl liegt in der Regel zwischen einem persönlichen Desktop-Rechner, einem Remote-Server, einem Cloud-Provider oder einem Exchange-Server. Desktop-Rechner sind einfach zu installieren und zu verwalten, vor allem mit neueren benutzerfreundlichen Betriebssystemen wie Windows 78, Mac OSX und Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. 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 stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative TradingGuide to trading system development The continuing evolution of technical analysis software has simplified the creation of computer-automated trading systems. Some systems just generate the signals for the trader to follow, while others place the trades into the market on behalf of the trader. However, being able to program your favorite trading platform is just the beginning. You must have a framework for testing your trading theories to be sure that profitable backtests are not merely because of luck, but are the results of robust modeling of a marketrsquos behavior. This series of articles will present a simplified approach to developing a trading system for the retail forex market. The system development tool wersquoll use will be MetaTrader 4 (MT4), although the ideas and process presented apply to a wide range of software platforms. The methodology will cover general concepts targeted to the beginning system trader. When we take shortcuts for expediency, wersquoll refer the reader to additional resources for more in-depth information. There are five distinct phases in trading system development: Phase 1: Developing the market model and the basic automated system mdash the basic automated system implements this model but does not incorporate stop losses or profit targets. The basic system is for the sole purpose of collecting data for statistical analysis used in the later development phases. Phase 2: Risk management mdash the initial stop loss (ISL). Using the data gathered in Phase 1 and based on the statistical analysis of that data, we add an ISL to the trading strategy. We use optimization to find a stop loss parameter that suits our needs. We will use walk-forward analysis to test this version of the system. Phase 3: Profit management mdash the profit target (PT). As in Phase 2, we will use the statistical analysis of our data to incorporate a profit target into the system. Again, we will use optimization to find an appropriate profit target and then use walk-forward analysis to test this version of the system. Phase 4: Money management mdash the trade size algorithm (TSA). This phase does not depend on the data collected in Phase 1. Instead, we will incorporate the popular fixed-fraction trade size method to determine how many lots are allocated to each trade. Popular trade literature is replete with advice to restrict per-trade risk within a range from 1 to 3 of account equity. We will run our optimization using those percentages, and then once again use walk-forward analysis to test this version of the system. Taken together, Phases 2 through 4 comprise trade management, but there is one more critical step: Phase 5: Monte Carlo analysis mdash many traders stop after Phase 4. However, our testing is not complete at that juncture and the system is not ready for deployment (assuming it is profitable). Despite our walk-forward analysis, we cannot be sure that our results are not because of luck. In other words, our model may not describe market behavior accurately favorable results may have benefited from a market environment whose price action just happened to coincide with our logic. Monte Carlo analysis will help determine whether our model was successful because of luck (randomness) or its ability to identify and exploit a real market pattern. This article will cover Phase 1 subsequent articles will cover Phases 2 through 5. Related Articles