Algoritmisten kaupankäyntijärjestelmien paras ohjelmointikieli Yksi QS-postilaukun yleisimmistä kysymyksistä on Mikä on paras ohjelmointikieli algoritmiselle kaupankäynnille. Lyhyt vastaus on, ettei ole parasta kieltä. Strategiaparametrit, suorituskyky, modulaarisuus, kehitys, joustavuus ja kustannukset on otettava huomioon. Tässä artikkelissa kuvataan algoritmisen kaupankäyntijärjestelmäarkkitehtuurin välttämättömät osatekijät ja miten täytäntöönpanon päätökset vaikuttavat kielen valintaan. Ensinnäkin harkitaan algoritmisen kaupankäyntijärjestelmän pääkomponentteja, kuten tutkimusvälineitä, portfoliooptimointia, riskienhallintaohjelmaa ja toteutuskehikkoa. Seuraavaksi tutkitaan erilaisia kaupankäyntistrategioita ja miten ne vaikuttavat järjestelmän suunnitteluun. Erityisesti kaupankäynnin tiheyttä ja todennäköistä kaupankäyntimäärää käsitellään. Kun kaupankäynnin strategia on valittu, on välttämätöntä rakentaa koko järjestelmä. Tähän sisältyy laitteiston valinta, käyttöjärjestelmä (t) ja järjestelmän joustavuus harvinaisten, mahdollisesti katastrofaalisten tapahtumien varalta. Arkkitehtuuria harkittaessa on kiinnitettävä huomiota suorituskykyyn - sekä tutkimusvälineisiin että elävään toteutusympäristöön. Mikä on kaupankäyntijärjestelmä, joka pyrkii tekemään Ennen kuin päätetään parhaasta kielestä, jolla kirjoitetaan automaattinen kauppajärjestelmä, on tarpeen määritellä vaatimukset. Aikooko järjestelmä olla puhtaasti toteutettu? Järjestelmä vaatii riskienhallinnan tai portfolionmuodostusmoduulin. Järjestelmä tarvitsee tehokasta backtesteria. Useimmille strategioille kaupankäyntijärjestelmä voidaan jakaa kahteen luokkaan: Tutkimus ja signaaligeneraattori. Tutkimus koskee strategisen suorituskyvyn arviointia historiatietoihin verrattuna. Kaupankäyntistrategian arvioimisprosessi aikaisempien markkinatietojen perusteella tunnetaan takertelynä. Tietokoko ja algoritminen monimutkaisuus vaikuttavat merkittävästi takaisinkytkimen laskennalliseen voimakkuuteen. CPU: n nopeus ja rinnakkaisuus ovat usein rajoittavia tekijöitä tutkimusnopeuden optimoinnissa. Signaalin generointiin liittyy algoritmin joukko kaupankäyntisignaaleja ja lähetetään tällaisia tilauksia markkinoille, yleensä välityksen kautta. Tietyissä strategioissa vaaditaan korkeaa suorituskykyä. IO-ongelmat, kuten verkon kaistanleveys ja latenssi ovat usein rajoittava tekijä optimoimassa suoritusjärjestelmiä. Näin ollen kielen valinta kaikille järjestelmän koko komponenteille voi olla melko erilainen. Strategian tyyppi, taajuus ja volyymi Käytetyn algoritmistrategian tyypillä on huomattava vaikutus järjestelmän suunnitteluun. Markkinoiden kaupankäyntiä, yhteydenpitoa ulkoisten tietojen toimittajien kanssa, strategian taajuutta ja määrää, kehityksen helppoutta ja suorituskyvyn optimointia sekä mahdollisia mukautettuja laitteistoja, mukaan luettuina yhteistoiminnalliset mukautukset, on otettava huomioon. palvelimia, GPU: ita tai FPGA: ita, jotka saattavat olla tarpeen. Teknologiavalinnat matalan taajuuden amerikkalaisille osakkeiden strategialle poikkeavat huomattavasti korkean taajuuden optimaalisesta tilastollisesta arbitraasistrategiasta, joka vaikuttaa futuurimarkkinoihin. Ennen kielen valintaa on arvioitava useita toimittajia, jotka liittyvät kyseiseen strategiaan. On tarpeen harkita liittymää myyjään, minkä tahansa sovellusliittymän rakennetta, tietojen ajantasaisuutta, varastointivaatimuksia ja joustavuutta verkossa olevan myyjän edessä. On myös viisasta pitää nopea pääsy useille toimittajille. Erilaisilla instrumenteilla on kaikki omat varastokäyntinsä, joista esimerkkejä ovat useat tunnistekokonaisuudet osakkeille ja futuuripäivät (puhumattakaan tietyistä OTC-tiedoista). Tämä on otettava huomioon alustan suunnitteluun. Strategian tiheys on todennäköisesti yksi suurimmista tekijöistä teknologiapinoa määriteltäessä. Strategiat, jotka käyttävät tietoja useammin kuin minuuttia tai toisiaan varten, vaativat huomattavaa huomiota suorituskyvyn suhteen. Strategia, joka ylittää toiset palkit (ts. Rullatiedot), johtaa suorituskykyperusteiseen suunnitteluun ensisijaiseksi vaatimukseksi. Korkea taajuusstrategioissa huomattava määrä markkinatietoja on tallennettava ja arvioitava. Näitä rooleja käytetään yleisesti tällaisten ohjelmien, kuten HDF5: n tai kdb: n, kanssa. Jotta HFT-sovelluksiin tarvittavien tietojen suuret määrät voidaan käsitellä, on käytettävä laajasti optimoidun takaisinkytkentä - ja suoritinjärjestelmän. CC (mahdollisesti joidenkin kokoonpanijoiden) kanssa on todennäköisesti vahvin ehdokas. Erittäin suuret taajuusstrategiat vaativat melkein varmasti mukautettuja laitteita, kuten FPGA: t, vaihtoyhteisön ja kernalnetwork-rajapinnan viritys. Tutkimusjärjestelmät Tutkimusjärjestelmät sisältävät yleensä vuorovaikutteisen kehittämisen ja automaattisen komentosarjan yhdistelmän. Entinen tapahtuu usein IDE: n, kuten Visual Studio, MatLab tai R Studio. Jälkimmäinen sisältää lukuisia numeerisia laskelmia lukuisista parametreista ja datapisteistä. Tämä johtaa kielivalintaan, joka tarjoaa selkeän ympäristön koodin testaamiseen, mutta tarjoaa myös riittävän suorituskyvyn strategioiden arvioimiseksi useilla parametrimittauksilla. Tyypillisiä IDE-tiloja tässä tilassa ovat Microsoft Visual CC, joka sisältää laajoja virheenkorjausapuohjelmia, koodin täydennysominaisuuksia (Intellisense-ohjelman kautta) ja yksinkertaiset katsaukset koko projektin pinosta (MATLAB-tietokannasta ORM, LINQ). joka on suunniteltu laajaan numeeriseen lineaariseen algebraan ja vektoritoimiin, mutta interaktiivisessa konsolissa R Studio. joka kääri R tilastollisen kielikonsolin täydelliseen IDE Eclipse IDE - ohjelmaan Linux Java - ja C - sekä semi-proprietary IDE - koodeille, kuten Pythonille, joka sisältää datananalyysikirjastoja kuten NumPy. SciPy. scikit-oppia ja pandaa yhdessä interaktiivisessa (konsoli) ympäristössä. Numeeristen jälkityyppien osalta kaikki edellä mainitut kielet ovat sopivia, vaikkakaan ei ole tarpeen käyttää GUIIDE-koodia, koska koodi suoritetaan taustalla. Tässä vaiheessa tärkein näkökohta on suorituksen nopeus. Käännetty kieli (kuten C) on usein hyödyllinen, jos takaisinkytkentäparametrin mitat ovat suuret. Muista, että tällaiset järjestelmät on varottava, jos näin on. Tulkitut kielet kuten Python käyttävät usein korkean suorituskyvyn omaavia kirjastoja, kuten NumPypandoja, jotta se pystyy säilyttämään kohtuullisen kilpailukyvyn kootuilla vastaavuuksilla. Lopulta selektiiviselle kielelle määritetty kieli määritetään erityisillä algoritmistarpeilla sekä kirjastossa saatavilla olevilla kirjastoilla (ks. Jäljempänä). Taustatestin ja tutkimusympäristön käyttämät kielet voivat kuitenkin olla täysin riippumattomia salkun rakentamisessa, riskienhallinnassa ja toteutuskomponenteissa, kuten nähdään. Portfolion rakentaminen ja riskienhallinta Retail algorithmic kauppiaiden usein unohdetaan salkun rakentaminen ja riskienhallinnan komponentit. Tämä on lähes aina virhe. Nämä työkalut tarjoavat mekanismin, jolla pääoma säilyy. He paitsi yrittävät lieventää riskialttiiden panosten määrää, mutta myös minimoivat kaupankäynnin vähenemisen ja vähentävät transaktiokustannuksia. Näiden komponenttien kehittyneillä versioilla voi olla merkittävä vaikutus kannattavuuden laatuun ja johdonmukaisuuteen. On helppo luoda vakaa strategia, koska salkun rakentamismekanismi ja riskienhallinta voidaan helposti muokata useiden järjestelmien käsittelemiseksi. Siksi niitä olisi pidettävä olennaisina osina algoritmisen kauppajärjestelmän suunnittelun alussa. Salkunhoitojärjestelmän tehtävänä on toteuttaa haluttu kauppa ja tuottaa joukko todellisia kauppoja, jotka minimoivat kouristukset, ylläpitävät altistuksia eri tekijöille (kuten sektoreille, omaisuusluokille, volatiilisuuteen jne.) Ja optimoivat pääoman jakamisen erilaisille strategioita salkussa. Portfolion rakentaminen usein vähenee lineaariseen algebraongelmaan (kuten matriisin tekijäksi), ja näin ollen suorituskyky riippuu suuresti saatavilla olevan numeerisen lineaarisen algebran toteutuksen tehokkuudesta. Yleisiä kirjastoja ovat uBLAS. LAPACK ja NAG C. MatLab: lle on myös laajasti optimoidut matriisitoimet. Python hyödyntää NumPySciPyä tällaisiin laskelmiin. Usein tasapainotettu salkku vaatii koottua (ja hyvin optimoitua) matriisikirjastoa tämän poistamista varten, jotta kaupankäyntijärjestelmä ei pääse pullonkaumaan. Riskienhallinta on toinen erittäin tärkeä osa algoritmista kauppajärjestelmää. Riski voi tulla monessa muodossa: Lisääntynyt volatiliteetti (vaikkakin tämä saattaa olla toivottavaa tietyille strategioille), lisääntynyt korrelaatio omaisuusluokkien, vastapuolen oletusarvon, palvelimen katkosten, mustan joutsentapahtumien ja havaitsemattomien virheiden välillä kauppakoodissa harvat. Riskienhallintakomponentit yrittävät ennakoida liiallista volatiliteettia ja korrelaatiota varallisuusluokkien välillä ja niiden seuraavaa vaikutusta kaupankäyntivarastoon. Usein tämä vähenee joukkoon tilastollisia laskelmia, kuten Monte Carlo stressitestejä. Tämä on hyvin samankaltainen kuin johdannaisen hinnoittelukoneen laskennalliset tarpeet ja sellaisenaan CPU-sidottu. Nämä simulaatiot ovat erittäin rinnakkaisia (ks. Alla) ja tietyssä määrin on mahdollista heittää laitteisto ongelmaan. Suoritusjärjestelmät Suoritusjärjestelmän tehtävänä on vastaanottaa suodatettuja kaupankäyntisignaaleja salkun rakentamisesta ja riskienhallintakomponenteista ja lähettää ne välitykseen tai muuhun markkinoille pääsyyn. Suurin osa vähittäiskaupan algoritmisista kaupankäyntistrategioista sisältää API - tai FIX-yhteyden välittäjälle, kuten Interactive Brokersille. Ensisijaiset näkökohdat kielten ratkaisemisessa ovat sovellusliittymän laatu, API-sovelluksen kielen kääre saatavuus, suoritustaajuus ja odotettu luiska. API: n laatu viittaa siihen, kuinka hyvin dokumentoitu se on, millaista suorituskykyä se tarjoaa, tarvitsetko erillisiä ohjelmistoja, joita voidaan käyttää vai onko yhdyskäytävä mahdollista sijoittaa päätön (eli ei GUI). Interaktiivisten välittäjien tapauksessa Trader WorkStation - työkalun on oltava käynnissä GUI-ympäristössä, jotta se voi käyttää API: ta. Minulla oli kerran asennettava Desktop Ubuntu - versio Amazon-pilvipalvelimeen Interactive Brokersille etäyhteyden kautta, puhtaasti tästä syystä Useimmat API: t tarjoavat C andor Java - rajapinnan. Yleensä yhteisö kehittää kielikohtaisia kääreitä C-, Python-, R-, Excel - ja MatLab-kääreille. Huomaa, että jokaisen lisäkäytettävän lisäosan avulla (erityisesti API-kääreillä) on mahdollista käyttää vikoja järjestelmään. Testata aina tällaisia laajennuksia ja varmista, että niitä ylläpidetään aktiivisesti. Kannattavissa oleva mittari on nähdä, kuinka monta uutta koodausta päivitystä on tehty viime kuukausina. Suoritustaajuus on äärimmäisen tärkeä toteutusalgoritmissa. Huomaa, että satoja tilauksia voidaan lähettää joka minuutti ja tällainen suorituskyky on kriittinen. Liukeneminen syntyy huonosti suoritettavan täytäntöönpanojärjestelmän kautta, ja sillä on dramaattinen vaikutus kannattavuuteen. Kiinnitettävät kielet (ks. Alla), kuten CJava, ovat yleensä optimaalisia toteutusta varten, mutta kehitysvaiheessa, testauksessa ja ylläpidon helppoudessa. Dynaamisesti kirjoitetut kielet, kuten Python ja Perl, ovat nyt yleensä riittävän nopeita. Varmista, että osat on suunniteltu modulaarisesti (ks. Alla) niin, että ne voidaan vaihtaa ulos järjestelmässä. Arkkitehti - ja kehitysprosessi Kaupankäyntijärjestelmän osia, sen taajuus - ja volyymivaatimuksia on käsitelty edellä, mutta järjestelmän infrastruktuuria ei ole vielä käsitelty. Ne, jotka toimivat vähittäiskauppiaana tai työskentelevät pienessä rahastossa, todennäköisesti käyttävät monia hatuja. Alfa-mallin, riskienhallinnan ja suoritusparametrien sekä järjestelmän lopullisen toteutuksen on katettava. Ennen eräiden kielten käsittelyä käsitellään optimaalisen järjestelmäarkkitehtuurin suunnittelua. Asianosaisten erottaminen Yksi tärkeimmistä päätöksistä, jotka on aluksi tehtävä, on se, miten erottaa kauppajärjestelmän huolet. Ohjelmistokehityksessä tämä tarkoittaa olennaisesti sitä, miten kauppa-järjestelmän eri osa-alueet hajotetaan erillisiin modulaarisiin komponentteihin. Altistamalla rajapinnat kussakin komponenttina on helppo vaihtaa järjestelmän osia muihin suorituskykyyn, luotettavuuteen tai ylläpitoon tarkoitettuihin versioihin muuttamatta ulkoisia riippuvuuskoodeja. Tämä on paras käytäntö tällaisille järjestelmille. Alhaisten taajuuksien strategioille suositellaan tällaisia käytäntöjä. Äärimmäisen suurtaajuista kaupankäyntiä varten sääntökäytäntöä ei ehkä tarvitse huomioida kustannuksella, kun järjestelmän toimintaa muutetaan entistä paremmin. Tiiviimmin kytketty järjestelmä voi olla toivottavaa. Algoritmisen kaupankäyntijärjestelmän komponenttikartan luominen on syytä artikkelin itsessään. Optimaalinen lähestymistapa on kuitenkin varmistaa, että historialliset ja reaaliaikaiset markkinatietopankit, tietovarastointi, datan käyttöliittymä API, backtester, strategiaparametrit, portfolio rakentaminen, riskienhallinta ja automaattiset toteutusjärjestelmät ovat erillisiä komponentteja. Esimerkiksi jos käytössä oleva tietovarasto on tällä hetkellä heikosti suorituskykyinen, jopa huomattavien optimointitasojen osalta, se voidaan vaihtaa minimaalisilla uudelleenkirjoituksilla tiedonkeruun tai datan käyttöliittymän API: n kanssa. Niin pitkälle kuin backtesteri ja sen myöhemmät komponentit, ei ole mitään eroa. Erilaisten komponenttien toinen etu on se, että se mahdollistaa monien ohjelmointikielten käytön koko järjestelmässä. Ei ole tarpeen rajoittua yhteen ainoaan kieleen, jos komponenttien kommunikaatiomenetelmä on kielestä riippumaton. Näin tapahtuu, jos ne kommunikoivat TCPIP: n, ZeroMQ: n tai jonkin muun kielestä riippumattoman protokollan kautta. Konkreettisena esimerkkinä on, että tapaus, jossa backtesting-järjestelmä kirjoitetaan C: ssä numeroiden rypistymisen kannalta, salkunhallinta ja toteutusjärjestelmät on kirjoitettu pythonilla SciPy: n ja IBPy: n avulla. Suorituskykyä koskevat näkökohdat Suorituskyky on merkittävä huomio useimmille kaupankäyntistrategioille Korkeammille taajuusstrategioille se on tärkein tekijä. Suorituskyky kattaa laajan joukon asioita, kuten algoritmisen suorituksen nopeuden, verkon latenssin, kaistanleveyden, datan IO: n, rinnakkaisuuden rinnakkaisuuden ja skaalauksen. Jokainen näistä alueista kuuluu erikseen suurille oppikirjoille, joten tämä artikkeli vain naarmuttaa kunkin aihepiirin. Arkkitehtuuria ja kielitaitoa käsitellään nyt vaikutusten vaikutuksesta suorituskykyyn. Donald Knuthin mainitsema vallitseva viisaus. yksi tietojenkäsittelytieteen isistä, on se, että ennenaikainen optimointi on kaiken pahan juuri. Tämä on lähes aina tapausta - paitsi silloin, kun rakennetaan korkeataajuisen kaupankäynnin algoritmi Niille, jotka ovat kiinnostuneita alemman taajuusstrategian, yhteinen lähestymistapa on rakentaa järjestelmä mahdollisimman yksinkertaisella tavalla ja vain optimoida pullonkaulojen alkamassa. Profiilityökaluja käytetään määrittämään, missä pullonkauloja syntyy. Kaikki edellä luetellut tekijät voidaan tehdä profiileilla joko MS Windows - tai Linux-ympäristössä. Saatavilla on monia käyttöjärjestelmän ja kielen työkaluja sekä kolmansien osapuolten apuohjelmia. Kielivalintoja käsitellään nyt suorituksen yhteydessä. C, Java, Python, R ja MatLab sisältävät korkean suorituskyvyn kirjastot (joko osana standardiaan tai ulkoisesti) perustietorakenteeseen ja algoritmiseen työhön. C toimitetaan Standard Template Library - ohjelmalla, kun taas Python sisältää NumPySciPyn. Näissä kirjastoissa löytyy tavallisia matemaattisia tehtäviä, ja harvoin on hyödyllistä kirjoittaa uusi toteutus. Eräs poikkeus on, jos tarvitaan erittäin räätälöityjä laitteistoarkkitehtuureita ja algoritmi käyttää laaja-alaisesti omia laajennuksia (kuten mukautettuja kätköjä). Kuitenkin usein pyörän uudelleensuuntaus vie aikaa, jota voitaisiin käyttää paremmin kaupankäyntiinfrastruktuurin muiden osien kehittämiseen ja optimointiin. Kehitysaika on äärimmäisen arvokas erityisesti yhteistyössä kehittäjien kanssa. Latenssi on usein kysymys toteutusjärjestelmästä, sillä tutkimustyökalut ovat yleensä samassa koneessa. Edellistä, latenssi voi esiintyä useilla pisteillä toteutuspolun varrella. Tietokantoja on kuultava (disknet latenssi), signaalit on tuotettava (käyttöjärjestelmä, viestin viive latenssi), lähetetyt kauppasignaalit (NIC latenssi) ja käsitellyt tilaukset (vaihto-järjestelmien sisäinen latenssi). Suurempaa taajuusoperaatiota varten on välttämätöntä tuntea hyvin kernelien optimointi sekä optimoida verkon siirto. Tämä on syvä alue, ja se on selvästi artikkelin laajuuden ulkopuolella, mutta jos halutaan UHFT-algoritmi, ota huomioon tarvittava syvyys. Caching on erittäin hyödyllinen kvantitatiivisen kaupankäynnin kehittäjän työkalupakkiin. Välimuistiin viitataan käsitteeseen, jonka mukaan usein kerätyt tiedot tallennetaan tavalla, joka mahdollistaa korkeamman suorituskyvyn pääsyn tietojen mahdollisen viivästymisen kustannuksella. Verkkokehityksessä esiintyy yleinen käyttötapa, kun tietoja otetaan levyn tukemasta relaatiotietokannasta ja tallennetaan muistiin. Kaikkien myöhempien tietojen pyyntöjen ei tarvitse osua tietokantaan, joten suorituskyky voi olla merkittävä. Kauppatilanteissa välimuistiinpano voi olla erittäin hyödyllinen. Esimerkiksi strategiakannan nykytila voidaan tallentaa välimuistiin, kunnes se tasapainotetaan, niin että luetteloa ei tarvitse regeneroida jokaisen kaupankäynnin algoritmin jokaisen silmukan päälle. Tällainen regenerointi todennäköisesti on suuri suorittimen tai levyn IO-operaatio. Säilytys ei kuitenkaan ole ilman omaa ongelmaa. Välimuistitietojen uudelleenkohdentaminen kerralla, johtuen välimuistivälin volatiliteetistä, voi merkittävästi vaatia infrastruktuuria. Toinen kysymys on koirapilkku. jossa uuden sukupolven välimuistin kopiointi suoritetaan äärimmäisen suurella kuormituksella, mikä johtaa kaskadivirheeseen. Dynaaminen muistin allokointi on kallis toiminta ohjelmiston toteutuksessa. Näin ollen on välttämätöntä, että tehokkaamman kaupankäynnin sovellukset ovat hyvin tietoisia siitä, miten muistia kohdennetaan ja jakautuu ohjelmavirran aikana. Uudemmat kieliset standardit, kuten Java, C ja Python, suorittavat automaattisesti roskakorin. joka viittaa dynaamisesti allokoidun muistin jakamiseen, kun esineet menevät soveltamisalan ulkopuolelle. Jätteiden keruu on erittäin hyödyllistä kehityksen aikana, koska se vähentää virheitä ja auttaa luettavuutta. Kuitenkin se on usein optimaalinen tietyille korkeataajuisille kaupankäyntistrategioille. Näissä tapauksissa halutaan usein oma roskasäiliö. Java-ohjelmassa esimerkiksi jättokokoojien ja - akkojen virittäminen on mahdollista saavuttaa korkean suorituskyvyn HFT-strategioille. C ei tarjoa natiiviä roskakerääjää, joten on välttämätöntä käsitellä kaikkia muistin allokointi osana objektin toteutusta. Vaikka mahdollisesti virheen altis (mahdollisesti johtava heilahtelevia osoittimia), on äärimmäisen hyödyllistä saada hienosäätöinen valvonta siitä, miten esineet näkyvät kasassa tietyissä sovelluksissa. Kielen valitsemista varten kannattaa tutkia, miten roskakollektor toimii ja onko sitä mahdollista muuttaa optimoimiseksi tietyn käyttötarkoituksen tapauksessa. Monet toiminnot algoritmisessa kaupankäyntijärjestelmässä ovat sovitettavissa rinnakkaisuuteen. Tämä viittaa käsitteeseen suorittaa useita ohjelmoitavia toimintoja samanaikaisesti, ts. Rinnakkain. Ns. Häiritsevän rinnakkaiset algoritmit sisältävät vaiheet, jotka voidaan laskea täysin muista vaiheista riippumatta. Tietyt tilastolliset operaatiot, kuten Monte Carlo-simulaatiot, ovat hyvä esimerkki häiritsevän rinnakkaisista algoritmeista, koska jokainen satunnaisveto ja myöhempi reittioperaatio voidaan laskea ilman muita polkuja. Muut algoritmit ovat vain osittain rinnakkaisia. Nestemodynamiikan simulaatiot ovat tällainen esimerkki, jossa laskenta-ala voidaan jakaa, mutta viime kädessä näiden domeenien on kommunikoitava toistensa kanssa ja siten toiminnot ovat osittain peräkkäisiä. Parallelisable algoritmeja sovelletaan Amdahls Law. joka tarjoaa teoreettisen ylärajan rinnakkaisen algoritmin suorituskyvylle, kun sitä kohdistuu N erillisiin prosesseihin (esim. CPU-ydin tai säie). Parallelisation on tullut yhä tärkeämpi optimointimenetelmäksi, koska prosessorin kellotaajuudet ovat pysähtyneet, koska uudemmat prosessorit sisältävät monia ytimiä, joiden avulla voidaan suorittaa rinnakkaisia laskutoimituksia. Kuluttajien grafiikkalaitteiden (lähinnä videopelien) nousu on johtanut graafisten prosessointiyksiköiden (GPU) kehittämiseen, jotka sisältävät satoja ytimiä erittäin samanaikaisiin operaatioihin. Tällaiset GPU: t ovat nyt erittäin edullisia. Korkean tason puitteet, kuten Nvidias CUDA, ovat johtaneet laajalti hyväksyttävyyteen yliopistoissa ja rahoituksessa. Tällainen GPU-laitteisto soveltuu yleensä vain kvantitatiivisen rahoituksen tutkimukselle, kun taas muille erikoistuneille laitteille (mukaan lukien Field-Programmable Gate Arrays - FPGA) käytetään (U) HFT: lle. Nykyään modernit langat tukevat asteittaista yhteisymmärrystä. Siten on yksinkertaista optimoida backtester, koska kaikki laskelmat ovat yleensä riippumattomia muista. Ohjelmistotekniikan ja - toimintojen skaalaus viittaa järjestelmän kykyyn käsitellä jatkuvasti lisääntyviä kuormia suurempien pyyntöjen, parempien prosessorien käytön ja muistin allokoinnin muodossa. Algoritmisessa kaupankäynnissä strategia voi skaalata, jos se voi hyväksyä suurempia pääomamääriä ja tuottaa edelleen johdonmukaisia tuottoja. Kauppatekniikan pino tasoittaa, jos se voi kestää suurempia kauppamääriä ja lisätä latenssia ilman pullonkauloja. Vaikka järjestelmät on suunniteltava mittakaavaksi, on usein vaikea ennustaa etukäteen, missä pullonkaula esiintyy. Vaurioitunut hakkuus, testaus, profilointi ja seuranta auttavat suuresti järjestelmän skaalaamisessa. Kielet itseään kuvataan usein epäluotettaviksi. Tämä on yleensä seurausta vääristä tiedoista, eikä kovaa tosiasiaa. Se on koko teknologiapino, joka olisi selvitettävä skaalautuvuudeksi, ei kieltä. Selvästi tietyt kielet ovat parempia suorituskykyä kuin toiset erityisesti käyttötapauksissa, mutta jokin kieli ei ole missään mielessä koskaan parempi kuin toinen. Yksi keino hallita asteikkoa on erottaa huolenaiheet, kuten edellä mainittiin. Jotta voitaisiin edelleen tuoda esiin kyky käsitellä piikkejä järjestelmässä (eli äkillinen haihtuvuus, joka laukaisee lippaat), on hyödyllistä luoda viestin jonotusarkkitehtuuri. Tämä tarkoittaa yksinkertaisesti sanomajärjestelmän asettamista komponenttien välillä niin, että tilaukset on pinottu, jos jokin osa ei kykene käsittelemään monia pyyntöjä. Sen sijaan, että pyyntöjä menetettäisiin, ne säilytetään vain pinoon, kunnes viesti käsitellään. Tämä on erityisen hyödyllinen lähetysten lähettämiseksi suoritustekniikkaan. Jos moottori kärsii raskaassa latenssissa, se varmuuskopioi kaupat. Kauppasignaaligeneraattorin ja toteutusliittymän välinen jono lieventää tätä ongelmaa mahdollisen kaupan liukkauden kustannuksella. Hyväksytty avoimen lähdekoodin sanoma-välittäjä on RabbitMQ. Laitteisto - ja käyttöjärjestelmät Laitteistosi, jolla voit käyttää strategiaa, voi vaikuttaa merkittävästi algoritmin kannattavuuteen. Tämä ei ole ongelma, joka koskee vain suurtaajuusliikettä. Huonolaatuinen valinta laitteistossa ja käyttöjärjestelmässä voi johtaa koneen kaatumiseen tai uudelleenkäynnistämiseen kaikkein epätodellisimmalla hetkellä. Siksi on tarpeen pohtia missä hakemuksesi asuu. Valinta on yleensä henkilökohtaisen työpöytäkoneen, etäpalvelimen, pilvipalvelun tarjoajan tai keskitetyn palvelimen välityksellä. Pöytätietokoneita on helppo asentaa ja hallita erityisesti uusilla käyttäjäystävällisillä käyttöjärjestelmillä, kuten Windows 78, Mac OSX ja Ubuntu. Pöytäjärjestelmissä on kuitenkin huomattavia haittapuolia. Tärkeintä on, että työpöytäkoneille suunniteltujen käyttöjärjestelmien versiot vaativat todennäköisesti uudelleenkäynnistystä (ja usein pahimmillaan). He käyttävät myös enemmän laskennallisia resursseja graafisen käyttöliittymän (GUI) edellyttämällä tavalla. Kodin (tai paikallisen toimiston) ympäristössä käytettävien laitteiden käyttö voi johtaa internet-yhteyksiin ja sähkökatkoksiin. Pöytäkonejärjestelmän tärkein etu on se, että merkittävää laskennallista hevosvoimaa voidaan ostaa etäverkkoon omistettuun palvelimeen (tai pilvipohjaiseen järjestelmään) verrattavasta nopeudesta. Erillinen palvelin tai pilvipohjainen kone, joka on usein kalliimpaa kuin työpöydän vaihtoehto, mahdollistaa entistä merkittävämmän irtisanomisinfrastruktuurin, kuten automaattisten tietojen varmuuskopioiden, kyvyn selkeämmin varmistaa käytettävyyden ja etävalvonnan. Heitä on vaikeampi hallita, koska he tarvitsevat kykyä käyttää käyttöjärjestelmän kauko-kirjautumisominaisuuksia. Windowsissa tämä on yleensä GUI Remote Desktop Protocol (RDP). Unix-järjestelmissä käytetään komentoriviltä Secure SHell (SSH). Unix-pohjainen palvelininfrastruktuuri on lähes aina komentorivipohjainen, joka välittömästi tekee GUI-pohjaisista ohjelmointityökaluista (kuten MatLabista tai Excelistä) käyttökelvottomaksi. Yhteensopiva palvelin, kuten lauseke käytetään pääomamarkkinoilla, on yksinkertaisesti oma palvelin, joka asuu vaihdossa kaupankäynnin algoritmin viivästymisen vähentämiseksi. Tämä on ehdottoman välttämätöntä tietyille korkean taajuuden kaupankäynnin strategioille, jotka perustuvat alhaiseen latenssiin alfa-alkion tuottamiseksi. Lopullinen tekijä laitteiston valinnassa ja ohjelmointikielen valinta on alustan riippumattomuus. Tarvitaanko koodia useilla eri käyttöjärjestelmillä Onko koodi, joka on suunniteltu toimimaan tietyntyyppisen prosessoriarkkitehtuurin, kuten Intel x86x64: n kanssa, vai onko se mahdollista suorittaa RISC-prosessoreilla, kuten ARM: n Nämä kysymykset riippuvat suuresti toteutettavan strategian taajuudesta ja tyypistä. Resilience ja testaus Yksi parhaista tavoista menettää paljon rahaa algoritmisessa kaupankäynnissä on luoda järjestelmä, jolla ei ole joustavuutta. Tämä viittaa sytem-järjestelmän kestävyyteen harvinaisten tapahtumien, kuten välityspankkien, äkillisen ylimääräisen volatiliteetin, pilvipalvelintarjoajan alueen laajuisten seisokkien tai koko kaupankäyntitietokannan tahattoman poiston yhteydessä. Vuosien voitot voidaan poistaa muutamassa sekunnissa huonosti suunnitellulla arkkitehtuurilla. On ehdottoman tärkeää tarkastella sellaisia asioita, kuten virheenkorjaus, testaus, kirjautumiset, varmuuskopiot, korkea käytettävyys ja seuranta järjestelmän ytimenä. On todennäköistä, että mihin tahansa kohtuullisen monimutkaiseen mukautettuun kvantitatiiviseen kaupankäyntiin sovelletaan vähintään 50 kehitysaikaa virheenkorjaukseen, testaukseen ja ylläpitoon. Lähes kaikki ohjelmointikielet joko toimittavat vastaavan virheenkorjaajan tai omistavat hyvin arvostettuja kolmannen osapuolen vaihtoehtoja. Pohjimmiltaan virheenkorjaaja mahdollistaa ohjelman suorittamisen siten, että koodipolku sisältää mielivaltaisia katkaisupisteitä, jotka väliaikaisesti pysäyttävät suorituksen selvittääkseen järjestelmän tilaa. Vianmäärityksen tärkein etu on se, että koodin käyttäytymistä voidaan tutkia ennen tunnettua törmäyspistettä. Debuggaus on olennainen osa työkalupaneelissa ohjelmointivirheiden analysoimiseksi. Niitä käytetään kuitenkin laajemmin käännetyillä kielillä, kuten C: ssä tai Java-ohjelmassa, koska usein tulkittuja kieliä, kuten Pythonia, on usein helpompi debugoitua vähemmän LOC: n ja vähemmän verbaalisten lausumien vuoksi. Tästä taipuudesta huolimatta Python ei lähetä pdb: tä. joka on hienostunut virheenkorjaustyökalu. Microsoft Visual C IDE: llä on laaja GUI-virheenkorjausapuohjelma, kun taas Linux C - ohjelmoijan komentoriville on olemassa gdb-debuggeri. Testaus ohjelmistokehityksessä viittaa prosessiin, jossa tunnettujen parametrien ja tulosten soveltaminen tiettyihin toimintoihin, menetelmiin ja esineisiin koodibussiin simuloidaan käyttäytymistä ja arvioidaan useita koodipolkuja, mikä auttaa varmistamaan, että järjestelmä käyttäytyy sen mukaan. Tuoreempi paradigma tunnetaan Test Driven Development (TDD), jossa testikoodia kehitetään määriteltyyn käyttöliittymään ilman toteutusta. Ennen varsinaisen koodilaskennan suorittamista kaikki testit epäonnistuvat. Kun koodi on kirjoitettu täyttämään aihiot, testit lopulta kulkevat, jolloin kehityksen pitäisi lopettaa. TDD edellyttää laajaa etukäteen määriteltyä suunnittelua sekä tervettä kurinalaisuutta menestyksekkäästi. C: ssä Boost tarjoaa yksikkötestauskehyksen. Javaissa JUnit-kirjasto on olemassa samaan tarkoitukseen. Pythonillä on myös yhtenäinen moduuli osana vakiokirjastoa. Monilla muilla kielillä on yksikkötestausjärjestelmiä ja usein on useita vaihtoehtoja. Tuotantoympäristössä hienostunut hakkuus on ehdottoman välttämätön. Kirjaaminen tarkoittaa prosessia, jossa sanomien lähettäminen eriasteisesti on vaikeaa, kun on kyse järjestelmän suorituskäyttäytymisestä tasomaiseen tiedostoon tai tietokantaan. Lokit ovat ensimmäinen hyökkäyslinja, kun metsästetään odottamattomia ohjelman ajon aikana. Valitettavasti puunkorjuun puutteet havaitaan vain sen jälkeen, kun se on totta. Kuten jäljempänä käsitellyissä varmuuskopioissa, puunkorjuusjärjestelmää on syytä ottaa huomioon, ennen kuin järjestelmä on suunniteltu. Sekä Microsoft Windows että Linux sisältävät laajan järjestelmän kirjautumiskyvyn, ja ohjelmointikielet yleensä toimitetaan tavallisilla kirjautumiskirjastoilla, jotka kattavat useimmat käyttötapaukset. On usein järkevää keskittää puunkorjuustiedot analysoitavaksi myöhemmin, koska se voi johtaa usein suorituskyvyn parantamiseen tai virheiden vähentämiseen liittyviin ideoihin, joilla on melkein varmasti myönteisiä vaikutuksia kaupankäynnin tuottoihin. Järjestelmän kirjaaminen antaa tietoja aiemmin tapahtuneesta, sovelluksen valvonta antaa tietoa siitä, mitä tapahtuu juuri nyt. Järjestelmän kaikkia näkökohtia olisi harkittava seurannan kannalta. Järjestelmätason mittareita, kuten levyn käyttö, käytettävissä oleva muisti, verkon kaistanleveys ja CPU: n käyttö, tarjoavat peruskuormatiedot. Myös kaupankäynnin mittareita, kuten epänormaalia hintojen volyymia, äkillisiä nopeita nostotapoja ja tilinpitoalttiutta eri toimialoille, olisi seurattava jatkuvasti. Lisäksi olisi käynnistettävä kynnysjärjestelmä, joka ilmoittaa, kun tietyt tietolomakkeet rikkoutuvat, nostamalla ilmoitusmenetelmää (sähköposti, tekstiviesti, automaattinen puhelu) riippuen metrijärjestelmän vakavuudesta. Järjestelmänvalvonta on usein järjestelmänvalvojan tai operaation hallinnan verkkotunnus. Kuitenkin ainoana kaupankäynnin kehittäjänä nämä tiedot on perustettava osana laajempaa suunnittelua. Monia seurannan ratkaisuja on olemassa: omistusoikeus, isännöimä ja avoin lähdekoodi, jotka mahdollistavat tietyn käyttötarkoituksen mittareiden laajamittaisen muokkaamisen. Varmuuskopioiden ja korkean saatavuuden pitäisi olla kaupankäyntijärjestelmän ensisijaisia huolenaiheita. 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 TradingFinancial Trading Systems Design and Development with C Description A complete blueprint for designing and implementing a state-of-the-art trading and risk management system Providing a highly accessible mix of good software design, practical mathematical models and today039s most widely used business practices, this book arms you with everything you need to create a sophisticated trading and risk management system appropriate for most asset classes. Gurav Mengla, a top financial trading system software designer, draws upon his years of experience at fx, HSBC and other leading financial institutions to cut through the complexities of trading system design, offering you time-tested solutions to virtually all technical challenges to automated trading system design and implementation. Packed with case studies and examples from top financial institutions, worldwide, complete with system design details and source code Emphasizes extensibility, and scalability with strategies for incorporating new models seamlessly into existing systems Features comprehensive coverage of the most widely used financial models and most prevalent practices in the financial community today Explores daily, weekly, monthly and yearly reporting subsystem that aggregate risk at all organizational levels from desk to department to division to the entire firm CD includes valuable data and system design details from the book, including C source code and system modelsshow more Product details Format Mixed media product 512 pages Dimensions 150 x 250mm 505g Publication date 09 Nov 2016 Publisher John Wiley amp Sons Inc Publication CityCountry New York, United States Language English ISBN10 0471667706 ISBN13 9780471667704 Bestsellers rank 1,394,799The Easiest Programming Language for Traders I ntroducing TradeScript, our powerful new programming language which allows traders to design trading systems without prior programming experience. Whos it for TradeScript is a development component designed for software developers who want to expand the set of features on their trading application by providing a scripting language. TradeScript, as a language, is intended for traders who need to write their own trading strategies but dont know how to program in low-level languages such as C and C. TradeScript allows traders develop trading systems quickly and effortlessly. Its as easy as 1-2-3. With TradeScript, you can enable your trading application to run scripts which provide alerts when the price of a security (stock, futures, or forex) reaches a new high, crosses over a moving average, or drops a set percentage, though those are only a few examples. TradeScript can also scan the market, generate trade signals, back-test trading strategies, and much more. Vector Programming Languages Most popular trading applications such as MetaStock, TradeStation, NinjaTrader, MetaTrader and others provide their own programming languages (such as MQL4, MQL5, EasyLanguage, MetaStocks scripting language, etc.). Without a programming language, traders are unable to develop automated trading systems or perform back-testing of strategies. A vector programming language offers extreme flexibility with a minimal learning curve. In fact, in just five minutes, you can start writing with TradeScript. So what is a vector programming language, and why is it so easy to learn Vector programming languages (also known as array or multidimensional languages) generalize operations on scalars to apply transparently to vectors, matrices, and higher dimensional arrays. The idea behind vector programming is that operations apply at once to an entire set of values (a vector or field). This allows you to think and operate on whole aggregates of data, without resorting to explicit loops of individual scalar operations. In other words, its similar to the macro language found in Excel. The easiest programming language for traders. The most powerful, too. An example: to calculate a simple moving average based on the median price of a security over 30 days, in a traditional programming language such as BASIC, you would be required to write a program similar to the code shown in this block of code. Several lines of code would be required to create the MedianAverages vector. But with TradeScript, you can accomplish the same thing using only one line of code as show below. For bar 30 to max Average 0 For n bar - 30 to bar median (CLOSE OPEN) 2 Average Average median Next MedianAverages(bar) Average 30 Next bar SET MedianAverage SimpleMovingAverage((CLOSE OPEN) 2, 30) And now MedianAverage becomes a new vector which contains the 30-period simple moving average of the median price of the security. It is not uncommon to find array programming language one-liners that require more than a couple of pages of BASIC, Java, or C code. The same holds true for creating trading systems for back testing and trade alerts. TradeScript was originally designed as a high-performance programming language for high-frequency traders. It was designed to scan over 100,000 stocks based on complex technical criteria and return instantaneious results - in under five milliseconds. That was over ten years ago. Today it is even faster. Quick Easy Development Solution If youre a software developer, youll be surprised to know that it only takes about 30 minutes to implement TradeScript into your trading application. TradeScript comes with context-sensitive help, and our Programmers Guide can be shipped with your application. Adding a scripting language to your trading application couldnt be any easier. Get Started with TradeScript M4 Trading Platform Implementation TradeScript is the programming language used in our M4 trading platform. where it executes automated trades, processes real time alerts, runs stock scans, and back-tests trading systems. Available in C and in C Versions TradeScript is available in both C (x64 for best performance) and C for developing web applications. It comes with over 30 example projects and extensive developer support to help you implement the library into your project. Common Development Scenarios TradeScript is most commonly used in one of three scenarios. It is often used inside desktop trading applications, where it is embedded on the client side. It is also commonly used on the server side, where it runs strategies for thin clients, such as mobile and web applications. Another common scenario is where TradeScript is run on the server side in order to provide real time scanning results to web and mobile users. Genetic Programming A genetic algorithm can be integrated into TradeScript to create an autonomous trading system creation engine. Check our Evo2 genetic algorithm engine which comes with TradeScript examples. Case Study TradeScript is used in a number of popular trading applications, one of which is the WhenToTrade Cycles and Genetic Algorithm Platform. The case study describes how TradeScript is implemented to perform cyclical analysis of the markets. The WhenToTrade Cycles and GA Platform combines technical analysis using TradeScript and financial charting using StockChartX with novel algorithms for cyclic analysis. The solution is part of a complete knowledge package and enables traders to apply the derived strategies to all kinds of markets and timeframes. With TradeScript, you can: Create automated order entry scripts Run thousands of simultaneous alerts Create back tests and trading system optimizations Build script-driven charts and expert advisors Get formula outputs in real-time Why Choose Modulus Modulus is a financial technology company. While that may not sound like a real differentiator, it is. It means that our solutions come from our years of experience in the financial technology industry. Our products and services are provided by developers and engineers who have first-hand trading experience. Everyone here at Modulus speaks your language. WELCOME TO TRADING SYSTEM LAB: MANY MORE VIDEOS ARE AVAILABLE ON OUR FLASH DEMO LINK TO THE LEFT, HOWEVER HERE IS A SIMPLE 6 MINUTE EXAMPLE USING OUR ADVANCED MACHINE LEARNING ALGORITHM, CREATING A SINGLE MARKET TRADING STRATEGY REQUIRING NO PROGRAMMING. TSL CAN CREATE SINGLE MARKET STRATEGIES, DAYTRADING, PAIRS, PORTFOLIOS AND OPTIONS STRATEGIES USING THE SAME GENERAL WORK FLOW. HERE raquo MARCH 2017 UPDATE: TSL produces completely OPEN CODE machine learning based trading strategies requiring no programming on the part of the user. TSL is not a Black Box. The math, variables, logic, signal generation, preprocessing, etc. are exported in OPEN CODE. Many of the systems come out of the evolutionary process extremely simple with the core GP code being only 7-15 lines of code, using perhaps 3-5 variables. See our Las Vegas Traders Expo PPT for an example of a system that used only one (1) parameter here: Go to the LVTE Power Point raquo The process within TSL results in simple, high performance trading strategies, and simpler is better. TSL is very easy to use which is why we have clients ranging from beginners in Technical Analysis and Trading Strategies to PhDs in Computer Science, Economics, Machine Learning and AI. Our 6 minute demo summarizes how easy TSL is to use. If you can accomplish these three steps, you can use and be productive with TSL. Go to the TSL demo raquo In the 2016 Issue 3 of Futures Truth, TSL remains at the top of the list of Trading Systems evaluated on Sequestered Data. TSL has the 1 and 2 Bond System, 2 of the Top 10 eMini SP Systems (the only 2 ES systems TSL has in tracking), the 4 Natural Gas System (out of 1 submitted), and the 1 and 9 Systems since Release Date, and these systems were Machine Designed, not Human Designed, as early as 2007. Futures Truth is a CTA, has a staff of Trading System designers, tracks over 700 Trading System Market-Models submitted by over 80 worldwide Trading Strategy Quants and has been tracking Trading Systems since 1985. TSLs clients range from beginner to PhD Quant since TSL requires no programming. Go to the Futures Truth website raquo Additional historical reports may be found in Futures Truths reports as well as in TSL presentation material. Go to past Futures Truth Report Summary raquo Read the opinion letters from Futures Truth and other developers and traders here: Go to the Futures Truth Opinion Letter raquo Numerous new features for 2016 have been added to TSL including In-SampleOut-of-Sample Scatter plots with Wilcoxon tests, Design-Time Adjustable Solutions(DAS), DayTrade Discrete Bars(DTDB), SuperBuffer increases, SubSystem Usage Reports and a soon to be announced options testing integration feature. Please take a look at our latest Flash Demos: Go to the TSL Flash Demos raquo TSL IS PLEASED TO ANNOUNCE THE RELEASE OF DTDB: DTDB stands for Day Trade Discrete Bars. This package allows for the trading of individual discrete bars on a individual bar basis. Entering on a limit, market or stop, the trade will usually exit at the close of a time, volume, range, etc. type bar. Once designed, using the TSL System Stats report, a user can determine the best time of day, day of week, day of month, day of week in month, week of year and month of year to trade. Filtering this way captures the money flow early and late in the month or quarter that has been observed in capital markets volume, for example. Further it is well known that intra day volatility has a U shape with high volatility occurring early and late in the day. This effect can be targeted using Custom Design Sessions and the System Stats report filtering approach. The features for algorithm design capturing short-term and daytrading moves in the market using TSL is substantial and offer a rich environment for discovery and design. See the DTDB flash demo for more information. Go to the DAS Flash Demos raquo TSL IS PLEASED TO ANNOUNCE THE RELEASE OF DAS: TSL is easy to use but DAS takes Ease of Use to another level. DAS goes beyond EVORUN by providing a higher level of control over the automatic design choreography taking place between the Linear Automatic of Machine Code with Genetic Programming Engine and the Integrated Trading Simulation routines inherent in TSL. DAS allows the human user to evaluate the effect of various trading criteria far faster than before with direct control over the engine during Design Time. DAS exploits the ALPHA generating capabilities of the TSL code writing engine at a level which was previously unachievable. Using DAS, users can now direct and redirect the run, in Design Time, during the design run, not simply configuring the run and then executing the run. EVORUN provides the user with a automatic multi-batch run mechanism allowing for a longer run covering many trading and simulation variants to be explored during the run, however DAS connects the human designer with the design engine allowing for a vast array of immediate what if scenarios to be explored. The conceptual breakthrough of TSLs DAS is both creative and unique in this business and provides the user with ALPHA design and production capabilities we could have only dreamed about just a few years ago, notes TSLs President, Michael Barna. The plan now is that DAS will be officially released to clients on or before the November International Traders Expo in Las Vegas where TSL will be giving several presentations on TSL, EVORUN and DAS. New DAS videos may be found here-Demo 57 and 58: Go to the DAS Flash Demos raquo Super Buffer Update: Within the patented LAIMGP Trading Systems are stored for implementation during the run. Previously, 30 Best Trading System Programs would be made available for implementation when the run was terminated. TSL has increased this Best Trading Systems Program Buffer to 300. So, a user may select from a much larger list of Trading Systems when the run is terminated. This increased Buffer will be available for Basic Runs, EVORUN and DAS. Please read below for information on DAS. End of day(EOD) trading systems are the simplest and fastest to Machine Design. Even in a portfolio of many markets, the TSL engine self-designs trading systems at a very high rate thanks to patented register GP manipulations and high speed simulation, fitness and translation algorithms. Our GP technology is well documented in the leading university textbook on Genetic Programming written by one of TSLs partners, Frank Francone. Particularly important is the fact that still, after 8 years of Sequestered Data independent testing and rating, TSL Machine Designed Trading Algorithms occupy more top performance ratings than any other development company - 5 of the Top 10 since Release Date, 3 of the Top 10 systems for the past 12 months, and 2 of the Top 10 eMini SP systems. End of Day trading systems are very popular, however intraday trading systems appeal to the more risk adverse traders and interest in shorter term trading systems has increased in recent months. Perhaps due to the concern for higher interest rates, energy and commodity price collapses, geopolitical uncertainty, terrorism, or the recent market volatility, many traders are less willing to hold positions overnight. The logic here is that with overnight risk, the degree of exposure and consequently the chance for higher drawdowns is increased. Of course, intraday volatility might collapse or expand, leading to muted returns or substantial risk as well, particularly for the directional short-term trader. Nevertheless, not holding a trading position overnight does have a great deal of appeal, especially if trading costs can be controlled and trading system alpha production is sufficient. TSL has a large array of day trading features, including short term Fitness Functions, Preprocessors and Daytrading specific Trading Types. TSL Machine users can select the trading frequency, average trade targets, trading times, drawdown targets, and a host of other design objectives. Additionally, input settings for TradeStation and MultiCharts are exported allowing for easy importation to these platforms. TSL is pleased to announce that CSI COMMODITY SYSTEMS, INC. and TSL have formed an agreement to provide to our clients a portfolio of commodity data, specifically engineered for TSL Machine Learning. To obtain this data a CSI data subscription is required. No other vendor provides this specifically engineered data. This daily data will allow for improved Trading Strategy design using TSL and is the result of many years of research and development of data requirements. Without proper data, robust Trading Strategy designs are very difficult to accomplish. These data portfolios are downloaded and installed as part of the CSI data application. Helper files such as. DOPs and Attributes. INI files are preassembled by TSL to allow for easy data import into TradeStation. Other platforms that can read ASCII, MetaStock or CSI price data may load this data as well for use with TSL. Contact TSL to learn more about this new Trading System design data. CSI has been shown to have the most accurate commodity data available. Go to the CSI data report raquo For those of us who live and work in Silicon Valley, TSL is sponsoring a MEETUP group for people interested in Machine Learning applied to Trading Strategies where we will be exploring various applications and customizations of the TSL platform. You can sign up here and meet other trading professionals who are working with TSL and Machine Learning technology. Join Silicon Valley Machine Learning for Trading Strategies MeetUp Group raquo TSL is pleased to release TSL Version 1.3.2 Portfolios, Pairs and Options and the latest 2015 build for Single Market directional Systems. Contact us for information on these latest builds that focus on directional, long or short, daytrading, Fitness APIs and new entry, risk and exit features. The latest Futures Truth reports still show TSL Machine Learning designed Trading Strategies top rated on Sequestered Data 7 years after their designs were frozen and released for independent tracking which points to robustness in the future for these TSL Machine Designed Strategies. QUANT SYSTEMS LAB UPDATE: TSL remains the main platform of choice for the professional and nonprofessional trader. Quant Systems Lab, however, is a high end, institutional level machine learning platform offering features more appropriate to the advanced quant programmer who routinely uses a variety of APIs and programming development languages and environments. QSLs features are not found in any other trading strategy development platform in the world. QSL also encompasses all of the rich development features found in the base TSL platform. QSL is currently under development. RML and TSL are actively seeking partnerships with institutions who may wish to steer this development and application environment in a direction that is appropriate for their goals and desires relative to trading approach, research and development and implementation environments. This is a great time to inject your own requirements on the next wave in Machine Learning applied to Trading Strategy design. Contact TSL or RML directly for more information on this unique and exciting new development. TSL is a Machine Learning algorithm that automatically writes Trading Systems and the Trading Systems created by this machine are top rated by Futures Truth and were evaluated on Sequestered Data. No programming is required. No other Trading System tool in the world has reached this level of achievement. TSL is a remarkable Platform given the fact that the Trading Systems designed by the TSL machine over 7 years ago are still top rated by Futures Truth. TSL employs a Patented Automatic Induction of Machine Code with Genetic Programming engine capable of very high speeds and TSL produces production code, reducing or eliminating the need for trading system programming efforts and technical analysis expertise. The Executive Brief and Demo located below will give you a overview of this powerful trading strategy production tool. It is important to note that TSL designs an unlimited number of Trading Strategies on any market, any time frame, day trading or end of day, as well as portfolios, pairs and options, again, with no programming required. Clients range from beginners to PhD level Quant researchers and developers, domestic and international, as well as CTAsCPOs, Hedge Funds and Prop shops. Now, with 7 years of experience serving trading customers, TSL has acquired a high level of experience in Machine Learning as applied to Trading Systems. TSL provides one-on-one training and consulting at no additional cost to clients, to help ensure clients get the most out of the TSL engine. A end to end 6 minute TSL design of a eMini system is available here: View the TSL Executive Brief: raquo Trading System Lab reduces the complexity of trading strategy design down to a few settings and mouse clicks, saving time, money and programming. This Self Designing Trading Strategy Algorithm uses an advanced, patented, register based Genetic Program (not to be confused with a Genetic Algorithm) that is not available anywhere else in the world. These machine designed trading strategies remained robust through the extreme financial meltdown years and subsequent recovery. This paradigm shift showed that a properly chosen and developed machine learning algorithm can automatically design robust trading strategies. The LAIMGP was developed by RML Technologies, Inc. and the Simulation, Preprocessing, Translation, Fitness routines and Integration was accomplished by Trading System Lab(TSL). TSL licenses the complete package to individuals, proprietary trading firms and hedge funds. Preprocess your data, run the advanced genetic program and then implement to your trading platform. We demo this process in a simple 6 minutes flash demo available in the link below. All TSL trading strategies are exported from the machine fully divulged in open code. TSL strategies have been third party performance rated on sequestered data. Arguments regarding the use of Out of Sample (OOS) data are generally centered around the possible accidential use of this held out data in the development processs. If this happens, then the blind data is no longer blind, it has been corrupted. To eliminate this possibility, TSL submitted machine designed strategies for testing on Sequestered Data. What this means is that the strategy performance measurement occurs in the future. Since the held out data does not exist when the strategies were designed, there is no way that this evaluation data can be accidently used in the development process. Strategies produced by the TSL Machine have been tested on Sequestered Data by the independent third party, Futures Truth and are top rated, beating most other Human or Manually designed Trading Systems. NEW Here is how you use TSL evolved systems in a C or C OMSEMS: View the TSL C Brief: raquo For those of you who missed the LinkedIn Automated Trading Strategies Group Webinar presented by Trading System Lab titled: WHO DESIGNS BETTER TRADING STRATEGIES A HUMAN OR A MACHINE you may download it here here: Download the TSL Webinar: raquo The free period is over for the new Kindle Book containing our article titled: Machine Designed Trading Systems, however you can download this inexpensive Kindle Book here: Download the Kindle Book raquo TSL is now officially on the Silicon Valley Map. Silicon Valley Map and TSL location(6 oclock position)raquo TSL is a machine that designs algorithms, forward walks, backtests, multi runs, EVORUNS and export code in a variety of languages. As far as forward robustness, TSL holds numerous top rankings with machine designed trading algorithms as reported by the independent reporting company, Futures Truth. These (machine designed) systems out-performed, in forward walk, most or all other (manually designed) tracked systems, and included slippage and commission in the testing. (see references below) The paradigm shift is that these systems were designed by a machine, not a human, and the TSL Machine designs millions of systems at very high rates using an advanced, exclusive, patented algorithm (LAIMGP), specifically engineered to automatically design trading systems. Traders with no programming experience can run the TSL platform, produce the trading algorithms and deploy them in a variety of Trading Platforms including TradeStation, MultiCharts and specialized OMSEMSs. Programmers and quants can accomplish even more advanced work since the Terminal Sets are fully customizable. TSL is capable of using multi-data DNA within its preprocessors. See Demo 48 where we use the CBOE Volatility Index (VIX) to Machine Design a eMini SP Trading System. This type of design work is simple to accomplish in TSL since the preprocessor is completely customizable using your unique patterns and indicators in a single or multiple data stream design. Enhanced Preprocessors have been shown to offer an additional boost to Trading System performance. How did the TSL Software that writes Software Machine out-design other human submissions to FT with no programming required How do Machine Designed Trading Systems actually work Our development chronology is well covered in our White Papers and Flash Demos available on the TSL web site. The Linkden Automated Trading Strategies WEBINAR can be found here: Go to the LinkedIn WEBINAR raquo The 2015 OUANTLABS WEBINAR can be found here: Go to the 2015 QUANTLABS WEBINAR raquo The 2014 OUANTLABS WEBINAR can be found here: Go to the 2014 QUANTLABS WEBINAR raquo What is the Optimum Bar Size to trade 100 tick, 15 minute, daily. TSLs new EVORUN module allows strategies to be Machine Designed while iterating over Bar Size, Trade Type, Preprocessor, Trading Frequency and Fitness Function in one multirun. EVORUN and TSL Version 1.3 Demos 51 and 52 are now available here: Go to TSL Demos raquo ALL TSL STRATEGIES ARE FULLY DISCLOSED IN OPEN CODE. WANT TO READ A BOOK ON THE TSL GENETIC PROGRAM Frank Francone co-authored the university textbook Genetic Programming: An Introduction (The Morgan Kaufman Series in Artificial Intelligence). TSL has several HFT projects underway on various colocated servers near exchange matching engines. TSL machine designed strategies may be deployed on order book based data or sub-second bars. See Demo 50. Contact TSL for additional information. Using OneMarketData, TSL can Auto-Design High Frequency Trading Strategies. Demo 50 shows an example using 250 millisecond granularity Order Book Data created using OneMarketDatas OneTick Complex Event Processing Order Book Aggregator. TSL is a stochastic, evolutionary, multirun, Trading Strategy autodesigner that produces and exports portable code in a variety of languages. This is a complete end to end Trading System design platform and will autodesign High Frequency Trading Systems, Day Trading, EOD, Pairs, Portfolios and Options Trading Systems in a few minutes with no programming. See Theses, White Papers, PPT Presentations and other documentation under the Literature Link at the left. Watch the Flash Demos at the left for a complete briefing on this new technology. The TSL Platform produces Machine Designed, Trading Strategies at ultra high rates thanks to register level evaluations. No other trading strategy development platform on the market provides this level of power. The LAIMGP-Genetic Program within TSL is one of the most powerful algorithms available today and operates at rates much faster than competing algorithms. With TSL, trading systems and code are written for you in languages including C, JAVA, Assembler, EasyLanguage, and others through translators. Frank Francone, President of RML Technologies, Inc. has prepared a flash demo titled Genetic Programming for Predictive Modeling. RML produces the Discipulus Genetic Programming engine that is used within TSL. This tutorial is an excellent way to learn about Discipulus and will provide a basis for your continued understanding of TSLs Auto-Design of Trading System Paradigm Shift. TSL simplifies the data import, preprocessing and design of Trading Systems using Trading System performance as fitness. Make sure you watch the TSL demos as the TSL platform is specifically targeted for Trading System design. Download the Discipulus tutorial raquo The technology used in Trading System Lab is 60 to 200 times faster than other algorithms. See White Papers on speed studies at SAIC here: Go to white papers raquo Phone: 1-408-356-1800 e-mail: (protected)
No comments:
Post a Comment