Java Trading System Architecture

Bem-vindo ao Home do Open Java Trading System O Open Trading System Java (OJTS) é uma infra-estrutura comum para desenvolver sistemas de negociação de ações. Consiste em quatro partes: a coleta de dados brutos através da internet, o reconhecimento de sinais de negociação, um módulo de visualização e módulos para conectar-se às interfaces programáticas de plataformas de negociação como bancos. O objetivo dos projetos é fornecer uma autônoma pura Java (plataforma independente) infra-estrutura comum para os desenvolvedores de sistemas de negociação. Alguns dos aspectos que devem ser abordados são fornecer um esquema de banco de dados comum compatível com SQL92 para armazenar dados financeiros, interfaces Java comuns para como intercambiar dados entre diferentes módulos, visualização de dados financeiros brutos e sinais de negociação e vários outros aspectos comuns necessários para criar Um sistema de negociação final. Por causa do meu trabalho e família eu não encontrar o tempo para melhorar OJTS mais. Estou continuando a atualizar a seção de links abaixo que irá orientá-lo para projetos mais ativos java open source nessa área, no entanto. Na verdade, como consequência do meu interesse na dinâmica dos mercados de ações, comecei uma viagem para os detalhes mais profundos da economia nacional, a fim de compreender as taxas de câmbio. Este tópico finalmente me leva a um estudo mais aprofundado do dinheiro em si como a unidade métrica que usamos na economia para medir o valor, o sucesso ou a utilidade. Este tópico revelou-se extremamente interessante mas ao mesmo tempo era muito duro encontrar toda a informação sobre como nosso sistema monetary trabalha. Vá ao redor e pergunte a povos de onde o dinheiro vem, quem o cria eo que determina seu valor. Você vai notar que mesmo as pessoas que têm um mestrado ou Phd. Na economia não saberão estes detalhes. Oh, sim, eles vão responder em alguns termos crípticos técnicos, mas eles não serão capazes de desenhar um diagrama simples que descreve o processo. H. G. Wells é relatado para ter dito: Escrever da moeda é reconhecido geralmente como uma prática objetable, de fato quase um indecente. Os editores irão implorar ao escritor, quase com lágrimas, que não escreva sobre dinheiro, não porque seja um assunto desinteressante, mas porque sempre foi profundamente perturbador. Sugiro a qualquer pessoa que viva em uma sociedade democrática para ler sobre este tópico. Ela afeta nossas vidas todos os dias em uma extensão que não pode ser exagerada Na minha opinião, todo cidadão de um país democrático nesse mundo deve saber de onde vem o nosso dinheiro. Provavelmente você veio a este site para procurar ferramentas que o ajudam a aumentar sua riqueza monetária. Para entender o dinheiro da unidade métrica (não importa se o dólar ou o euro) será um ingrediente importante em seu toolkit para fazer o dinheiro. Se você tem pouco tempo e só pode dar ao luxo de ler um único livro sobre esse assunto, então eu sugiro que você leia riqueza, riqueza virtual e dívida por Frederick Soddy. Eu era capaz de comprar uma cópia usada via Amazon para 23,48, mas existe também uma versão on-line. Você precisará do plugin DjVu para lê-lo. Este livro foi publicado originalmente em 1929, mas ainda descreve os fatos reais muito bem. Mesmo se eu não concordo com todas as conclusões de Frederick Soddy seu trabalho é agradavelmente pensado provocando e levará você a fazer as perguntas certas. Anunciou a suspensão do desenvolvimento ativo e adicionou referências a informações sobre nossos sistemas monetários (Dólar / Euro). Adicionada uma seção de links para outros projetos interessantes do sistema de negociação java. Estou investigando sobre como fazer OJTS mais compatível com outros esforços do sistema de negociação java. Projeto de Documentação do Sistema de Investimento e Negociação a ser encontrado no ITSdoc. org. Há um novo wiki disponível em ITSdoc. org que focaliza na distribuição do conhecimento no domínio dos sistemas de investimento e de troca. A idéia por trás do ITSdoc. org é ter uma plataforma de colaboração semelhante à wikipedia ajudando a comunidade a compartilhar conhecimento. OpenJavaTradingSystem v0.13 lançado. Ontem eu publiquei a versão 0.13 da biblioteca OpenJavaTradingSystem. Entre os novos recursos estão: Recuperação de dados para ações, fundos e moedas da OnVista. Implantação de manipulação de moeda e conversões. Os portfólios são implementados e você pode trabalhar com portfólios da mesma maneira que com itens de papel de segurança simples. Foi adicionado um quadro geral para a aplicação de algoritmos às séries temporais do mercado de ações. Mudou do shell interativo SISC / Scheme para ABCL / CommonLisp mais seu editor chamado J. Adicionado um mecanismo de cache de dados geral para armazenar em cache dados que já foram recuperados na web no sistema de arquivos. Além de muitas melhorias menores Se você está interessado nesta nova versão, você deve começar na seção quickstart / screenshot. O manual ainda não está atualizado, mas pode fornecer algumas informações de fundo valiosas se você quiser usar a biblioteca em seu projeto. A documentação deve ser atualizada em breve. Atualmente não há muito desenvolvimento feito, porque estou atualizando meu conhecimento sobre as redes bayesianas. Veja, por exemplo, a lista de livros no meu site. Dois projetos muito interessantes a esse respeito são WEKA e BNJ. Logo vou continuar o desenvolvimento e vou começar a integrar a primeira inteligência no sistema. Hoje eu coloquei o primeiro lançamento na seção de arquivos da área de download sourceforge. Além disso, eu atualizei o manual para documentar o uso interativo do projeto através da camada SISC Scheme. Para o impaciente aqui é um quickstart / screenshot seção para você ir. Documentos que descrevem os aspectos internos do projeto. Documentação de Java Data Objects e Interface gtgtHTML gtgtPDF Documentação de Utilização gtgtHTML gtgtPDF Projecto de Documentação do Sistema de Investimento e Negociação gtgtITSdoc. org T echnology Blocos de Construção de Terceiros utilizados neste projecto HSQL Database Engine (licença: hsqldblic. txt) O HSQLDB é o motor de base de dados fornecido com o Para que você possa começar a usar o OJTS imediatamente sem instalar um banco de dados de terceiros. Mas se você planeja usar outro banco de dados compatível com SQL92, então esta é uma opção de configuração. Castor (licença: The Exolab License) O Castor é um framework de vinculação de dados Open Source para Javatm. É o caminho mais curto entre objetos Java, documentos XML e tabelas relacionais. O Castor fornece ligação Java-para-XML, persistência Java-para-SQL e muito mais. Castor Doclet (licença: GNU LGPL v2.1) Doclet Java para gerar arquivos de mapeamento e DDL para Castor JDO e Castor XML. TestMaker (licença: TestMaker Open-Source License) A partir do projeto TestMaker somente a implementação de protocolos como HTTP ou HTTPS são usados ​​para coletar dados da web. JCookie (licença: GNU LGPL v2.1) A biblioteca jCookie é necessária para que as bibliotecas do TestMaker funcionem. Htmlparser (licença: GNU LGPL v2.1) A biblioteca htmlparser é usada para extrair os dados dos recursos da web. ABCL / CommonLisp (licença: GNU GPL v2) A ABCL (Armed Bear Common Lisp) é usada para implementar o coração algorítmico do projeto na linguagem de programação ANSI Common Lisp. JFreeChart (licença: GNU LGPL v2.1) O JFreeChart é usado para a visualização de dados financeiros como gráficos. JSci (licença: GNU LGPL v2.1) JSci - Uma API científica para Java. Joda Time (licença: Home-made OpenSource License) O Joda Time substitui as classes originais de Data e Hora do JDK. Links para outros projetos O grupo do Google para JavaTraders pode ser a melhor entrada para você descobrir outros sistemas e ferramentas de negociação baseados em Java. L i c e n s e Condições de utilização O código do projecto é licenciado nos termos da LGPL e toda a documentação que encontra neste projecto está licenciada nos termos da FDL. Na realidade, existem apenas 3 blocos principais num Sistema de Negociação Algo. 2. Gerenciador de dados de mercado (por exemplo, manipulador FAST) 2. Módulo de Estratégia (por exemplo, estratégia crossOver) 3. Roteador de Pedidos (por exemplo, roteador FIX), você pode adicionar verificações de risco no Módulo de Estratégia ou no Módulo Router de Pedidos ou em ambos. Assim seu fluxo de dados é correto, você deve ser bom ir. Lembre-se que você está projetando um ATS para latência mínima, e adicionando mais camadas ou complexidade virá com o custo de latência. Arquitetura mínima ATS E se você adicionar os sinos e assobios, seria parecido com o seguinte: Se você também está interessado no nitty-gritty de implementação da arquitetura acima, você deve manter as seguintes coisas em mente. Evite bloqueios / mutexes. No caso de você ter que usá-lo, tente substituí-los com estruturas sem lockless usando atomics. Existem algumas bibliotecas disponíveis para estruturas de dados sem lock (por exemplo, libcds, kit de concorrência, etc.). C-11 suporta std :: atômico. E você deve se esforçar para usá-los também. Evite o que é feito em QuickFIX. Sua escrita para segurança / flexibilidade / reutilização como objeto (bloqueio) criação e destruição é feito para cada invocação de qualquer mensagem para o roteador. Certamente não há maneira de escrever um código de latência sensível. Sem alocação de memória de tempo de execução. Runtime pathway deve usar gerenciamento de memória personalizado e sem bloqueio com pool de memória pré-alocada. Toda a inicialização pode ser feita em construtores. Acoplamento apertado. O modelo de Threading, o modelo de E / S e o gerenciamento de memória devem ser projetados para colaborar uns com os outros para obter o melhor desempenho geral. Isto vai contra o conceito OOP de acoplamento frouxo, mas é necessário evitar o custo de tempo de execução do polimorfismo dinâmico. Usar modelos. Na mesma linha, gostaria também de sugerir que você olhar para C templatization para obter flexibilidade de código. OS / Hardware otimização: Finalmente, você deve olhar para trabalhar com Linux RT Kernel e Solarflare placa de rede com driver OpenOnLoad para alcançar latência mínima. Você pode ainda olhar para isolar o processador central e executar o seu programa em que núcleo particular. E finalmente a API pública que você precisaria expor aos desenvolvedores de estratégia. Gostaria que este fosse o conjunto mínimo que encapsularia toda a complexidade daquele intercâmbio / destino em particular. VirtualBool sendCxlOrd (OrderInfo) 0 virtualBut Isso significa que a classe OrderInfo precisa ter TODOS os detalhes exigidos pelo destino / troca. Em geral, os intercâmbios requerem o mesmo tipo de informação, mas à medida que avançamos e apoiamos mais intercâmbios / destinos, você se veria adicionando mais variáveis ​​nessa classe. A seguir estão as questões / desafios importantes que você precisaria se perguntar: 1. Arquitetura multi-processo ou arquitetura Multi-Threaded. Seja para construir um processo monolítico com vários segmentos, ou escrever vários processos. O custo do processo múltiplo é a latência de passagem de mensagem, enquanto o custo para o processo único de vários threads é que qualquer falha pode derrubar todo o sistema. 2. Passagem de mensagens: enquanto você pode escolher entre uma infinidade de opções, você está limitado pela consideração de latência. O IPC mais rápido seria memória compartilhada, mas então como você faria a sincronização gastar algum tempo com essas duas perguntas, porque eles seriam o bloco de construção em que sua arquitetura está. Edit: FIX e FAST Em relação ao protocolo popular / padrão, FIX é para o envio de ordens e FAST é para dados de mercado. Dito isto, a maioria das trocas tem seu próprio protocolo nativo, que é mais rápido do que FIX, porque FIX é geralmente implementado em cima de seu protocolo nativo. Mas eles ainda suportam FIX acrescenta à velocidade de implantação. Por outro lado, enquanto o FIX é adotado pela maioria das trocas, o FAST não goza de tal aceitação. Se houvesse algo, haveria apenas um punhado de câmbio adotando-o. A maioria deles ou enviar mais FIX-se (baixa latência), ou usar seu próprio protocolo binário nativo. por exemplo. Na Índia, NSE, BSE e MCX / MCXSX, todas as três trocas dá-lhe protocolo FIX, além de protocolo nativo, mas apenas BSE dá-lhe FAST para dados de mercado. E isso também está mudando de FAST para nativo com a introdução de EOBI. Você pode extrapolar a mesma coisa para outras trocas. 2.8k Vistas middot Ver Upvotes middot Não é para reprodução Como John mencionado, OMS é o ponto crucial de qualquer plataforma de negociação e você deve começar a partir de pesquisa sobre ele. Você teria que gastar tempo para determinar o seu ciclo de vida comercial, eventos e recursos que você deseja incorporar no OMS e aqueles que você quer que seu Algo Engine para lidar. A Metcetera oferece uma OMS de código aberto, mas não a usei pessoalmente, mas é uma das poucas no mercado. A próxima coisa que você deve olhar é fornecer uma interface para os dados de origem e empurrá-lo para fora. Isto é para um sistema de entrada de ordem do cliente para lançar os detalhes da ordem e motor Algo para fonte-lo. Um monte de Sell Side OMS039s usar uma combinação de programas proprietários escritos em Java / C usando FIX. O protocolo FIX permite que você se comunique em tempo real entre sistemas em um formato de mensagem predefinido de amplificador simplificado estabelecido pela comunidade de protocolo FIX. Vá para a página inicial do FIX Protocol Organization gt para ler mais sobre ele. Também olha para Open Source FIX Engine. Uma implementação de código aberto do mecanismo FIX. Em seguida vem uma interface de Dados de Mercado para fornecer informações de mercado de segurança em tempo real, dados que variam de Alta / Baixa / Aberta / Fechar para Melhor Lance / Melhor Pedir, Volume total negociado, Último preço, Último volume, Cotações de lance, Você procura realmente depende do tipo de estratégia que você deseja implementar. Acredito que o Interactive Broker fornece um feed de dados em tempo real via FIX. A conectividade do Exchange é a próxima onde o Algo interpreta os sinais, cria uma ordem e rotas para um Exchange ou ECN. Desenvolvê-lo em casa poderia ser difícil, como você precisaria para trabalhar a adesão Exchange, certificar a sua plataforma e pagar uma taxa de adesão regular. Uma maneira mais barata é usar um corretor API (como IB) e encaminhar a ordem através deles. Os dados históricos também são essenciais, pois você pode querer comparar o comportamento atual do mercado com seus valores históricos. Parâmetros como spread médio, perfis VWAP, volume médio diário etc. podem ser necessários para influenciar a tomada de decisão. Você pode tê-lo no banco de dados (preferencial), mas se a velocidade da essência, em seguida, baixá-lo no cache do servidor quando você inicia o seu programa. Uma vez que seus sistemas periféricos são configurados, você pode começar a desenvolver seu programa algo da maneira que você quer que ele funcione. Esta infra-estrutura básica permite que você insira uma ordem de algo pai, ler dados de mercado, reagir aos sinais, mas gerar ordens filho e colocá-lo no livro de ordens de câmbio e dados históricos para influenciar a tomada de decisão. O OMS mantém a ligação entre a ordem de filho amper pai, seus status em tempo real e atualizações pelo algo ou plataforma de conectividade de troca. O que você quer implementar dentro do Algo é completamente até você. 1.8k Exibições middot Ver Upvotes middot Não é para reprodução Martin Krmer. Cientista de computador, codificador de pilha cheia, tendo uma boa idéia de aprendizagem de máquina Olha muito mais simples do que você pôde imaginar como o objetivo principal é conseguir reações a sinais na ordem de microssegundos e não otimizar para qualquer tipo de modelo complicado. Na prática, isso significa que você não pode pagar nada, exceto algumas operações matemáticas muito básicas. Assim, os principais comerciantes neste campo realmente ganhar dinheiro por ser capaz de reagir um microssegundo mais rápido do que um concorrente e não por interpretar os dados de qualquer forma complicada. 2.1k Vistas middot Ver Upvotes middot Não para ReproductionSoftware para construir um sistema de negociação de mercado Se houvera uma disputa entre C e Java, em seguida, Java ganhou. Infelizmente, muitas pessoas que desenvolvem software para sistemas de negociação de mercado e modelos não obtiveram a notícia e ainda usar C. C será sempre a linguagem de escolha para a classe estreita de aplicações de software que estão perto do metal do sistema de computador . Esses aplicativos incluem drivers de dispositivo, sistemas operacionais e sistemas de banco de dados de alto desempenho. Fora dessa classe restrita, o Java é atualmente a única escolha razoável para a implementação de aplicativos. A razão pela qual Java é a linguagem de escolha tem menos a ver com a própria linguagem do que com a enorme base de software que sai para Java. O Java permite que o desenvolvedor de aplicativos faça uso do maior corpo de software reutilizável que já foi implementado. Por décadas as pessoas têm escrito na literatura de ciência da computação sobre software portátil, reutilizável. Em Java isso finalmente foi realizado. Esta página fornece links para recursos para a construção de um sistema de negociação intra-dia em Java. Esse sistema de negociação consiste nos seguintes componentes: Um servidor de aplicativos Java (por exemplo, Tomcat) com base no sistema de negociação intra-dia. Um feed de dados intra-dia para dados de transações de mercado. Um banco de dados para registrar informações comerciais. Uma GUI baseada na Web para fornecer controle e informações sobre o sistema de negociação. Uma infra-estrutura para suportar testes (back testing) de algoritmos de negociação com dados históricos de mercado intra-dia. Sumário Ian Kaplan Última Atualização, Agosto de 2008 Voltar para A Java Intra-day Traeding System, Finanças Quantitativas e outros TopicsDesigning um aplicativo de negociação automatizado na NetBeans Rich Client Platform (Parte 1) A zona DevOps é trazido a você em parceria com Neutro Sonatype. A suíte Nexus ajuda a dimensionar sua entrega DevOps com inteligência de componentes contínua integrada em ferramentas de desenvolvimento, incluindo Eclipse, IntelliJ, Jenkins, Bamboo, SonarQube e muito mais. Agende uma demonstração hoje. Ao longo dos últimos 10 anos novas oportunidades abriram nos mercados de ações, futuros e moeda para permitir que os comerciantes de varejo a capacidade de produzir suas próprias estratégias de negociação automatizadas que já foi apenas o reino de fundos de hedge e bancos de investimento. A Interactive Brokers foi uma das primeiras corretoras a oferecer uma API Java aos seus clientes de varejo. Originalmente concebida como uma forma de os desenvolvedores aumentarem a aplicação de desktop Interactive Brokers Trader Workstation (TWS) com recursos como gráficos ou manutenção de registros, a API ganhou popularidade como uma forma de automatizar estratégias de negociação. Na minha primeira iteração de desenvolver uma estratégia de negociação e software para automatizar os negócios eu construí uma aplicação de desktop Java usando Swing componentes que iria monitorar ações ao longo do dia e colocar negócios quando determinados parâmetros foram cumpridos e, em seguida, sair do comércio no final do Dia de negociação. O software funcionou bem e foi adequado para a estratégia que foi concebido para o comércio, no entanto, não foi extensível e tentar implementar novas estratégias de negociação para automatizar, bem como se conectar a diferentes contas de corretagem provou difícil e pesado. Além disso, existem restrições quanto ao número de ações que podem ser monitoradas através do feed de dados dos corretores, de modo que o software deve ser capaz de acomodar os feeds de dados em tempo real de outras fontes, além do feed de dados dos corretores. Fui apresentado à NetBeans Rich Client Platform (RCP) um par de anos atrás e decidi recentemente começar a portar meu aplicativo para a plataforma devido a um grande número de vantagens que ele fornece. O Netbeans RCP é baseado em um princípio de projeto modular que permite ao desenvolvedor definir APIs abstratas para recursos e, em seguida, fornecer módulos que podem ter implementações diferentes da API, permitindo que o aplicativo selecione em tempo de execução qual implementação usar. Não somente fornece um projeto mais limpo separando interesses, mas usando a API de pesquisa de Netbeans também desacopla a aplicação e seus vários componentes de se. Existem inúmeros outros recursos que podem ser alavancados, incluindo um built-in sistema de janelas, editor de texto, explorador de arquivos, barra de ferramentas, tabela e componentes de tabela de árvore, bem como a API de ação (apenas para citar alguns). O aplicativo de negociação utilizará o sistema de módulos RCP para definir APIs abstratas com a seguinte funcionalidade: Colocar e cancelar pedidos de ações, opções, futuros ou moedas Fornecer notificação de eventos quando os pedidos estiverem preenchidos Monitorar os saldos de caixa na conta Inscreva - Dados de cotação de tempo para qualquer símbolo do ticker Inscreva-se nos dados do Nível 2 (profundidade de mercado / lista de pedidos) para qualquer símbolo do ticker Historical Data API Solicitar dados de preços históricos para qualquer símbolo de ticker Trading Strategy API Defina um conjunto de regras para entrar e sair de negociação Capacidade de Usar qualquer corretor, dados de mercado e dados históricos API implementações, a fim de tomar decisões comerciais. A implementação principal para os módulos Broker, Market Data e Historical API de dados será a utilização da Interactive Brokers Java API, mas outras implementações também podem ser criadas como módulos Netbeans e, em seguida, importadas para o aplicativo de negociação para que as estratégias de negociação possam fazer uso de dados de mercado de Diferentes fontes, se necessário. Novas estratégias de negociação podem ser construídas como módulos Netbeans implementando a estratégia Trading Strategy, onde cada estratégia pode fazer uso de uma das implementações dos vários APIs de dados e de corretor. Utilizando a API de pesquisa do NetBeans, as estratégias podem consultar a plataforma para obter uma lista de todas as implementações das APIs de dados do corretor e do mercado, fornecendo acoplamento frouxo entre as APIs e permitindo ao usuário selecionar qual implementação usar em tempo de execução. Abaixo está um diagrama que ilustra a organização dos vários componentes API do aplicativo: Em postagens futuras vou entrar em mais detalhes sobre como criar um plug-in API para o Netbeans RCP, bem como mostrar como criar uma implementação concreta do API. Na ilustração acima, os corretores abstratos, os dados de mercado e as APIs de estratégia de negociação são instalados no RCP como plug-ins. A API do corretor tem uma implementação única para Interactive Brokers neste momento. A API de dados de mercado tem plug-ins que fornecem implementações para dados de mercado em tempo real do Yahoo Finance, bem como dados de mercado em tempo real da Interactive Brokers. Finalmente, a estratégia de negociação API tem 2 implementações neste exemplo. A primeira estratégia chamada Limit Buyer vai assistir os preços de cerca de 800 ações e lugar ordem limite para comprar quando certas condições são atendidas. A segunda estratégia no exemplo acima, denominada AUD / NZD Currency Strategy monitorará as taxas de câmbio dos dólares australianos e da Nova Zelândia e fará pedidos para comprar ou vender quando determinadas condições forem atendidas. Neste momento, o aplicativo é funcional e está utilizando Interactive Brokers como a corretora principal, bem como provedor de dados de mercado. A estratégia de negociação AUD / NZD está sendo negociada ativamente através do aplicativo, embora com uma interface de usuário rudimentar que esteja publicando mensagens em uma área de texto dentro da guia principal do strategys. A captura de tela abaixo ilustra o aplicativo Interactive Brokers Trader Workstation, o aplicativo preto grande (que é um aplicativo Java Swing), bem como o aplicativo de negociação automatizada do Netbeans RCP, que é o pequeno aplicativo branco, com a grande área de texto. Na tela abaixo, a aplicação está monitorando os preços e colocando negociações para o dólar australiano, o dólar da Nova Zelândia, o dólar de Hong Kong e as moedas do iene japonês. Este post é apenas uma visão geral de alto nível sobre o design de um aplicativo RCP para o comércio nos mercados financeiros. Partes futuras desta série incluirão mais informações sobre como implementar APIs abstratas e torná-las disponíveis para outras partes do aplicativo para usar através da API de pesquisa do NetBeans, bem como trabalhar com alguns dos componentes de interface do usuário do NetBeans incluídos com a plataforma, como guias , Árvores e tabelas, mostrando como é fácil renderizar os mesmos dados através destas diferentes vistas usando a API Nodes Netbeans. Além disso, eu gostaria de incorporar alguns componentes JavaFX no aplicativo, como os componentes gráficos que podem ser encontrados na biblioteca JavaFX núcleo que irá fornecer uma representação gráfica de alguns dos dados que as estratégias estão monitorando que será um pouco mais User friendly do que a área de texto grande atual. A integração de componentes JavaFX dentro do aplicativo será documentada em um post futuro também. Você pode acompanhar o meu blog de negociação relacionados se você gostaria de ver os resultados comerciais reais do aplicativo como sendo refinado em: LimitUpTrading. wordpress A zona DevOps é trazido a você em parceria com o Nexus Sonatype. Use o Nexus Suite para automatizar sua cadeia de suprimentos de software e garantir que você está usando os componentes de código aberto de mais alta qualidade em cada etapa do ciclo de vida do desenvolvimento. Get Nexus today. Best linguagem de programação para Algorithmic Trading Systems Por Michael Halls-Moore em 26 de julho de 2013 Uma das perguntas mais freqüentes que recebo no mailbag QS é Qual é a melhor linguagem de programação para negociação algorítmica. A resposta curta é que não há melhor linguagem. Parâmetros de estratégia, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreverá os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha da linguagem. Em primeiro lugar, serão consideradas as principais componentes de um sistema de negociação algorítmica, tais como as ferramentas de pesquisa, otimizador de portfólio, gerente de risco e mecanismo de execução. Posteriormente, diferentes estratégias de negociação serão examinadas e como elas afetam a concepção do sistema. Em especial, a frequência das negociações e o provável volume de transacções serão discutidos. Uma vez selecionada a estratégia de negociação, é necessário arquitetar todo o sistema. Isso inclui a escolha do hardware, do (s) sistema (s) operacional (is) e da resiliência do sistema contra eventos raros, potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, devemos ter devidamente em conta o desempenho - tanto para as ferramentas de pesquisa como para o ambiente de execução ao vivo. O que é o sistema de negociação que tenta fazer Antes de decidir-se sobre a mais melhor língua com que para escrever um sistema negociando automatizado é necessário definir os requisitos. Será que o sistema vai ser puramente baseado na execução Será que o sistema requer um módulo de gestão de risco ou construção de carteira Será que o sistema requer um backtester de alto desempenho Para a maioria das estratégias o sistema de negociação pode ser dividido em duas categorias: Pesquisa e geração de sinal. A pesquisa se preocupa com a avaliação do desempenho de uma estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação sobre dados de mercado anteriores é conhecido como backtesting. O tamanho dos dados ea complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade ea simultaneidade da CPU são frequentemente os fatores limitantes na otimização da velocidade de execução da pesquisa. Geração de sinal está preocupado com a geração de um conjunto de sinais de negociação a partir de um algoritmo e enviar tais ordens para o mercado, geralmente através de uma corretora. Para certas estratégias é necessário um alto nível de desempenho. Problemas de E / S, como largura de banda de rede e latência, são freqüentemente o fator limitante na otimização de sistemas de execução. Assim, a escolha das linguagens para cada componente de todo o seu sistema pode ser bastante diferente. Tipo, Frequência e Volume da Estratégia O tipo de estratégia algorítmica empregada terá um impacto substancial na concepção do sistema. Será necessário considerar os mercados sendo negociados, a conectividade com 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, Servidores, GPUs ou FPGAs que possam ser necessários. As escolhas tecnológicas para uma estratégia de ações de baixa freqüência nos EUA serão muito diferentes das de uma estratégia de arbitragem estatística de alta freqüência negociada no mercado de futuros. Antes da escolha do idioma muitos fornecedores de dados devem ser avaliados que pertencem a uma estratégia em mãos. Será necessário considerar a conectividade com o fornecedor, a estrutura de qualquer API, a oportunidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor ficar offline. Também é aconselhável possuir acesso rápido a vários fornecedores. Vários instrumentos têm todos os seus próprios caprichos de armazenamento, exemplos dos quais incluem múltiplos símbolos de ticker para ações e datas de vencimento para futuros (sem mencionar quaisquer dados OTC específicos). Isso precisa ser incorporado ao design da plataforma. Freqüência da estratégia é provável que seja um dos maiores drivers de como a pilha de tecnologia será definida. Estratégias empregando dados mais freqüentemente do que minuciosamente ou em segundo lugar barras exigem consideração significativa com relação ao desempenho. Uma estratégia que ultrapassa as barras secundárias (isto é, dados de carraça) conduz a um design conduzido pelo desempenho como o requisito primário. Para estratégias de alta freqüência, uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb são comumente usados ​​para essas funções. Para processar os volumes extensos de dados necessários para aplicações HFT, um sistema de backtester e de execução extensivamente otimizado deve ser usado. C / C (possivelmente com algum montador) é provável que o candidato linguagem mais forte. As estratégias de freqüência ultra-alta quase certamente exigirão hardware personalizado, como FPGAs, troca de co-location e kernal / interface de rede. Sistemas de pesquisa Os sistemas de pesquisa normalmente envolvem uma mistura de desenvolvimento interativo e scripts automatizados. O primeiro ocorre frequentemente dentro de um IDE, como Visual Studio, MatLab ou R Studio. Este último envolve cálculos numéricos extensos sobre vários parâmetros e pontos de dados. Isso leva a uma escolha de linguagem proporcionando um ambiente direto para testar o código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetro. IDEs típicos neste espaço incluem Microsoft Visual C / C, que contém utilitários de depuração extensa, capacidades de conclusão de código (via Intellisense) e visões gerais diretas de toda a pilha de projeto (via o banco de dados ORM, LINQ) MatLab. Que é projetado para a álgebra linear numerosa extensa e operações vectorized, mas em uma maneira console interativa R Studio. Que envolve o console de linguagem estatística R em um Edi IDE Eclipse totalmente desenvolvido para Linux Java e C e IDEs semi-proprietários, como o 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 da velocidade de execução. Uma linguagem compilada (como C) é frequentemente útil se as dimensões do parâmetro backtesting forem grandes. Lembre-se que é necessário ter cuidado com esses sistemas, se for esse o caso. Interpretadas linguagens como Python muitas vezes fazem uso de bibliotecas de alto desempenho como NumPy / pandas para o backtesting passo, a fim de manter um grau razoável de competitividade com compilado Equivalentes. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades específicas algorítmicas, bem como a gama de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, a linguagem utilizada para o backtester e os ambientes de pesquisa pode ser completamente independente daqueles usados ​​nos componentes de construção de portfólio, gerenciamento de risco e execução, como será visto. Construção de Portfólio e Gerenciamento de Risco Os componentes de construção de carteira e gerenciamento de risco são freqüentemente ignorados por comerciantes de algoritmos 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 minimizar churn das próprias operações, reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É fácil criar um estável de estratégias, pois o mecanismo de construção do portfólio e o gerenciador de riscos podem ser facilmente modificados para lidar com vários sistemas. Assim, devem ser considerados componentes essenciais no início do projeto de um sistema de negociação algorítmica. O trabalho do sistema de construção de carteira é ter um conjunto de negócios desejados e produzir o conjunto de negócios reais que minimizam 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 da carteira reduz-se frequentemente a um problema de álgebra linear (tal como uma factorização de 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. MatLab também possui operações de matriz amplamente otimizadas. Python utiliza NumPy / SciPy para tais computações. Uma carteira freqüentemente reequilibrada exigirá uma biblioteca de matriz compilada (e bem otimizada) para realizar essa etapa, de modo a não encolher o sistema de negociação. A gestão de risco é outra parte extremamente importante de um sistema de negociação algorítmica. O risco pode vir de muitas formas: Aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias), maior correlação entre classes de ativos, padrão de contraparte, interrupções de servidores, eventos de cisne preta e bugs não detectados no código de negociação poucos. Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e correlação entre as classes de ativos e seus efeitos subseqüentes sobre o capital comercial. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como testes de estresse de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de preços de derivativos e, como tal, será ligado à CPU. Essas simulações são altamente paralelas (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 filtrada dos componentes de construção de portfólio e gerenciamento de risco e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação de algoritmos de varejo, isso envolve uma conexão API ou FIX para uma corretora, como Interactive Brokers. As considerações principais ao decidir sobre uma linguagem incluem a qualidade da API, a disponibilidade do wrapper de linguagem para uma API, a freqüência de execução e a antecipação do deslizamento. A qualidade da API refere-se a quão bem documentada é, que tipo de desempenho fornece, se ele precisa de software autônomo para ser acessado ou se um gateway pode ser estabelecido de uma forma sem cabeça (ou seja, sem GUI). No caso de Interactive Brokers, a ferramenta Trader WorkStation precisa estar em execução em um ambiente GUI para acessar sua API. Uma vez eu tive que instalar uma edição Desktop Ubuntu em um servidor de nuvem Amazon para acessar Interactive Brokers remotamente, puramente por esta razão A maioria das APIs irá fornecer uma interface C e / ou Java. Normalmente, é a comunidade que desenvolve invólucros específicos de linguagem para C, Python, R, Excel e MatLab. Note que com cada plugin adicional utilizado (especialmente API wrappers) há espaço para bugs a fluência no sistema. Sempre testar plugins deste tipo e garantir que eles são mantidos ativamente. Um indicador valioso é ver quantas novas atualizações de um codebase foram feitas nos últimos meses. A freqüência de execução é de extrema importância no algoritmo de execução. Observe que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. Slippage será incorrido através de um sistema de execução mal executando e isso terá um impacto dramático sobre a rentabilidade. Linguagens estaticamente tipadas (veja abaixo), como C / Java, geralmente são ótimas para execução, mas há um trade-off no tempo de desenvolvimento, testes e facilidade de manutenção. As linguagens de tipo dinâmico, como Python e Perl, são agora geralmente suficientemente rápidas. Certifique-se sempre de que os componentes são projetados de forma modular (veja abaixo) para que possam ser trocados para fora à medida que o sistema é escalado. Processo de Planejamento e Desenvolvimento Arquitetônico Os componentes de um sistema de negociação, suas necessidades de freqüência e volume foram discutidos acima, mas a infra-estrutura do sistema ainda não foi coberta. Aqueles que atuam como um comerciante de varejo ou trabalhando em um pequeno fundo provavelmente será usando muitos chapéus. Será necessário estar cobrindo o modelo alfa, os parâmetros de gerenciamento e execução de riscos, e também a implementação final do sistema. Antes de aprofundar em linguagens específicas o projeto de uma arquitetura de sistema ideal será discutido. Separação de preocupações Uma das decisões mais importantes que devem ser tomadas desde o início é como separar as preocupações de um sistema de comércio. No desenvolvimento de software, isso significa essencialmente como quebrar os diferentes aspectos do sistema de comércio em componentes modulares separados. Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que auxiliem o desempenho, a confiabilidade ou a manutenção, sem modificar nenhum código de dependência externo. Esta é a melhor prática para esses sistemas. Para estratégias em freqüências mais baixas tais práticas são aconselhadas. Para negociação de freqüência ultra alta o livro de regras pode ter que ser ignorado às custas de ajustar o sistema para ainda mais desempenho. Um sistema mais fortemente acoplado pode ser desejável. Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ótima é certificar-se de que há componentes separados para as entradas de dados históricos e em tempo real do mercado, armazenamento de dados, API de dados de acesso, backtester, parâmetros de estratégia, construção de portfólio, gerenciamento de riscos e sistemas de execução automatizada. Por exemplo, se o armazenamento de dados que está sendo usado está underperforming, até mesmo em níveis significativos de otimização, ele pode ser trocado com rewrites mínimo para a ingestão de dados ou API de acesso a dados. Tanto quanto o backtestter e componentes subsequentes estão em causa, não há diferença. Outro benefício de componentes separados é que ele permite que uma variedade de linguagens de programação para ser usado no sistema global. Não é necessário restringir-se a uma única língua se o método de comunicação dos componentes for independente da língua. Este será o caso se eles estão se comunicando via TCP / IP, ZeroMQ ou algum outro protocolo independente de linguagem. Como exemplo concreto, considere o caso de um sistema de backtesting sendo escrito em C para desempenho de crunching de números, enquanto o gerenciador de portfólio e sistemas de execução são escritos em Python usando SciPy e IBPy. Performance Considerations Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data I/O, concurrency/parallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPy/SciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disk/network latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk I/O operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocation/deallocation as part of an objects implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in parallel. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of 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). 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 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 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 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 C11 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 . 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. Michael Halls-Moore Mike is the founder of QuantStart and has been involved in the quantitative finance industry for the last five years, primarily as a quant developer and later as a quant trader consulting for hedge funds.