Open Java Trading System Tutorial

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 cría 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-to-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 JavaTraders do Google pode ser a melhor entrada para você saber mais sobre outros sistemas e ferramentas de negociação baseados em Java. L icense Termos de uso O código do projeto é licenciado sob os termos da LGPL e toda a documentação que você encontrar neste projeto são licenciados sob os termos da viagem FDL. My como um quant me levou a ler um vasto número de Livros disponíveis sobre este assunto. Eu vim para descobrir que, embora haja um monte de bons livros por aí que realmente ajudá-lo a obter informações úteis, existem ainda mais livros que são apenas puro material de marketing jogar empurrado para baixo as gargantas do leitor ignorante. Abaixo estão as minhas recomendações de livros, categorizados com base em diferentes aspectos do negócio que você pode estar interessado em compreender. Noções básicas: Para o leigo que é novo neste campo e quer um headstart. 1) dentro da caixa preta por Rishi Narang - grande livro para um headstart em todos os aspectos diferentes de negociar de quant. Informação muito geral, mas amplamente escova através de todos os aspectos do negócio. 2) Quantitative Trading por Ernie Chan - livro perfeito para começar em todos os conceitos básicos com detalhes sobre backtesting e algumas estratégias simples para começar com. Programação: depende da plataforma que você deseja usar. Existem toneladas de livros e tutoriais on-line disponíveis em cada linguagem de programação. I039d recomendar o seguinte em Python e Java. 1) Aprendendo Python por Mark Lutz - Cobre as noções básicas de python. Bom para você começar. 2) Head First Java por Kathy Sierra - Grande livro sobre JAVA, desde o básico até o avançado. Microstrutura de Mercado: Antes de aprender alguma coisa sobre estratégias de algo, é muito importante entender como o comércio funciona e como os diferentes stakeholders interagem uns com os outros para criar um mercado. Trading and Exchanges by Larry Harris - Abrange a microestrutura do mercado em profundidade grave. A deve ler antes de mergulhar em estratégias para obter uma boa compreensão dos mercados. Estratégias: bons livros sobre estratégias de natureza variada (Momentum, Tendência Seguindo, Pairs Trading, Grego etc). Eu também categorizei esses livros com base no tipo de estratégias em que os livros se concentram. 1) Algorithmic Trading por Ernie Chan - Um livro mais avançado por Ernie, com uma série de estratégias interessantes para experimentar e backtest. Lote de boa teoria explicando os conceitos básicos por trás da existência de diferentes tipos de behaivour mercado e como capturá-los. 2) Mecânica Trading Systems por Richard Weissman - Grande livro para estratégias. Abrange uma infinidade de estratégias de momentum e reversão média em quadros de tempo múltiplos, juntamente com resultados backtested. 3) Seguindo a tendência por Andreas Clenow - Eu considero este livro, um dos melhores lê sobre o tema de tendência seguinte, uma estratégia comercial muito popular. 4) Pares de negociação por Ganapathy Vidyamurthy - livro muito bom sobre uma estratégia de negociação popular conhecido como Pairs Trading. 5) Como Ganhar Dinheiro em Stocks por William O Neil - Uma leitura excelente sobre um fundamento muito interessante baseado em modelo quantitativo, chamado CANSLIM. Estratégias de Opções: Eu cubro as estratégias de opções sob um tópico diferente, considerando que elas são muito mais complexas do que as ações / futuros. 1) Opções Volatilidade e Preços por Sheldon Natenberg - Um dos melhores livros sobre as opções para um iniciante, trabalhando seu caminho até o básico todo o caminho até gregos e negociação de volatilidade. 2) A Bíblia de Opções Estratégias por Guy Cohen - Bom livro para chegar até a velocidade em todas as configurações de opções diferentes e seus gregos específicos. 3) Negociação Volatilidade por Euan Sinclair - Livro muito avançado e em profundidade sobre o conceito de Volatilidade Trading. Eu acredito que é o melhor sobre este assunto. Gestão de Risco: O aspecto mais importante da negociação de quant que é muitas vezes esquecido. Posição de dimensionamento por Van Tharp - Uma jóia de um livro que explica a idéia de gestão de risco e gestão de dinheiro usando diferentes técnicas. Meu conselho a um comerciante de brotamento algo seria pesquisar completamente antes de ir ao vivo com uma estratégia. Considere-se um gerente de risco, em vez de um gerente de dinheiro. Gestão de risco vem em primeiro lugar, em seguida, vir retorna. 18.2k Vistas middot Ver Upvotes middot Não é para Reprodução Short Answer: Introdução ao Algorithmic Trading com Heikin-Ashi. Guia curto que leva você de iniciante a quase quant. Ele fornece um ambiente de desenvolvimento livre, mostra como construir um indicador técnico e como criar uma estratégia de negociação automatizada. Neste post Quora eu tenho uma repartição maior de como começar. Longer Answer: Para se tornar verdadeiramente proficiente no desenvolvimento de estratégias de negociação algorítmica, você vai precisar de algum conhecimento de fundo. Isso pode ser pego ao longo do tempo e não é fundamental ter todo o conhecimento do mercado dominado antes de começar. Aprendendo os Mercados Existem toneladas de recursos para isso, e é precisamente por isso que você deve ser um pouco cuidadoso sobre quais livros você escolhe pegar e ler. Ajusals resposta tem uma repartição de alguns grandes livros. Come Into My Trading Room por Alexander Eldar - Fantástico primeiro livro para qualquer um novo para a negociação. Dr. Alexander Elder lança o fosso entre os fundamentos do mercado e tornar-se rentável a partir de exploração de indicadores técnicos. Além disso, heres uma leitura agregada PDF lista com uma repartição completa de livros, vídeos, cursos e fóruns de negociação. Aprender a programar Eu recomendo Python ou MATLAB, embora possivelmente Python é mais versátil. MATLAB é muito poderoso e usado por lojas de quant para pesquisa e desenvolvimento de estratégias de negociação. Além disso, se você está vindo de qualquer tipo de academia, você provavelmente já tem exposição ao MATLAB. Aprenda Python - Um tutorial interativo do Python destinado a qualquer pessoa aprender a linguagem de programação. Exemplos de código ao vivo podem ser executados e testados diretamente no seu navegador. Guia de Início Rápido do MATLAB - Introdução rápida e completa ao MATLAB com muitos exemplos de código para obter sua base. Introdução mais intuitiva e direta do MATLAB disponível. Obter uma plataforma de negociação Im tendenciosa e eu recomendo Quantiacs, é uma plataforma open-source livre para Python e MATLAB com dados históricos. O tutorial associado abaixo pressupõe que você estará usando o Quantiacs e fornece código construído para ele, mas as lições aprendidas também devem ser aplicáveis ​​a qualquer outra plataforma. Primeiras coisas primeiro, você vai precisar instalar a caixa de ferramentas Quantiacs. Este é um processo relativamente simples que deve levar apenas alguns minutos. Você tem a opção de usar Python ou MATLAB, e a menos que você já está fortemente investido em apenas um eu recomendo baixar e instalar ambos. Vá instalar a caixa de ferramentas. Introdução à Caixa de Ferramentas Quantiacs Dê uma olhada na estrutura de um sistema de negociação de amostra aqui em Python e aqui em MATLAB. Os principais componentes de qualquer algoritmo Quantiacs são as configurações, mercados e posições. Para MATLAB e Python, seu algoritmo de negociação vive em apenas um arquivo que segue este modelo geral. Para uma lista detalhada da caixa de ferramentas visite aqui. Saiba mais sobre a caixa de ferramentas aqui. Deve ser bastante simples. Este Quora post 1 tem uma detalhada desagregação de todas as melhores práticas para realmente testar o seu algoritmo após e durante o desenvolvimento. As sugestões incluem o uso de análise em andamento, testes in-sample e out-of-sample e como medir o desempenho em geral. Neste post Quora 2 eu escrevi alguns dos desafios que você enfrenta na construção de sistemas de negociação automatizados que geralmente não são explicitamente conhecidos até que você comece. Esses incluem garantia de borda, como factor de capital e os custos de negociação, e como não ser destruído pelos profissionais negociação contra você. Os perigos da adaptação da curva Apenas uma nota lateral para alertar sobre a armadilha comum do desenvolvimento da estratégia quant é overfitting. Uma estratégia de ajuste de curva é uma que foi otimizada tão bem, que se encaixa perfeitamente o desempenho passado dos mercados. O resultado final é que ele vai falhar completamente com a ação de preços futuros e eventos de mercado. Overfitting produzirá backtesting resultados fantásticos de estratégias de negociação irreal e não rentável. Ele geralmente gira em torno de mudar parâmetros como o período de uma média móvel até que o desempenho dos algoritmos de negociação melhora significativamente. Embora a otimização das estratégias em si mesma seja uma prática válida, ela deve ser realizada com cuidado para evitar a superalimentação. Heres o que overfitting pode fazer - pode tomar esta estratégia de comércio não rentável: E torná-lo surpreendente: Esta estratégia otimizada nunca iria trabalhar no mundo real. No momento em que a data de início do backtest é transferida para fora por alguns anos, toda a borda percebida do mercado evapora. Arbitrariamente caça para bons resultados backtesting é uma prática perigosa e não vai produzir estratégias verdadeiramente rentável. (Limitação de responsabilidade: Eu trabalho na Quantiacs) Uma vez que você está pronto para ganhar dinheiro como um quant, você pode participar do último concurso de negociação Quantiacs automatizado, com um total de 2,250,000 em investimentos disponíveis: Você pode competir com os melhores quants 5.2k Views middot View Upvotes Middot Não é para a reprodução Disclaimer completo: I039m não um comerciante de quant ou algo eu mesmo. I039ve apenas ajudou um monte de pessoas para ficar melhor em algo trading (engenheiro cliente em Quantopian). Aqui estão algumas coisas que eu tenho visto de minha experiência: Leia Aqui estão dois livros que I039ve visto recomendado muito. Vou lhe dar o título e a razão. Algorithmic Trading: Winning Strategies e sua fundamentação por Ernie Chan abrange todo o piso térreo desde o início para as estratégias algorítmicas mais avançadas. Literalmente, ele vai levá-lo de quotI não tenho idéia de que tipo de estratégia que eu poderia usequot para quotOkay, eu tenho a escolha entre o momento, par negociação, estratégias de reversão média. Qual é o melhor para o meu portfólio e objetivos agora não estou brincando, este é um bom livro introdutório ea bibliografia vai levá-lo onde você precisa ir. Python Para Análise De Dados. Este é menos específico para algo comercial, mas I039m adivinhando you039re vai estar usando algum tipo de sistema baseado em código e honestamente, Python é a maneira mais fácil e mais simples de ir. Começar a praticar Os melhores comerciantes vistos são aqueles que criaram muitos e muitos algoritmos. Mexer, tentar, falhar. Estas são todas as coisas que o ajudam a craft suas estratégias da infância aos sistemas gerando alfa possíveis. Eu conheço principalmente duas fontes onde as pessoas obtêm sua prática (mais uma vez, eu trabalho em Quantopian): Zipline, que é um open-source Python Algorithmic Trading Library que qualquer um pode usar. Ele também impulsiona o backtester motor atrás Quantopian que me leva ao meu próximo ponto Quantopian, que fornece a plataforma, dados e IDE para você testar suas estratégias em Python e executá-lo com dinheiro real, se você acha que tem algo. A desvantagem é que você precisa aprender os métodos específicos da Quantopian. Upside é que there039s não muito para aprender e há uma tonelada de tutoriais para ajudá-lo através dele. Coloque o seu dinheiro por trás Tomar pequenas somas e realmente colocar alguma pele no jogo. Backtesting e tal é bom, mas you039ll pensar de forma diferente, uma vez que você tem algo a perder. Feynman tem uma boa citação sobre isso: quot039I poderia fazer isso, mas eu won039t, 039 - que é apenas uma outra maneira de dizer que você can039t. - Basta dizer o seu algoritmo pode ganhar dinheiro é diferente do que realmente ganhar dinheiro. Então, se você falhar, aprender com ele e repetir o processo. Se você ganhar, seja cuidadoso que um dia você poderia falhar. - Apenas algumas observações de ver as pessoas passarem pelo processo uma e outra vez. 15.5k Vistas middot Ver Upvotes middot Não recomendo começar com os conceitos básicos de análise técnica. Alguns livros que eu encontrei útil (na seguinte ordem): Entre em minha sala de negociação: Um guia completo para negociação por Alexander Elder - Adequado como um primeiro livro para alguém completamente novo para a negociação. Análise Técnica dos Mercados Financeiros: Um Guia Completo de Métodos de Negociação e Aplicações por John J. Murphy - Introduz o leitor para uma ampla gama de técnicas utilizadas na análise técnica, um bom ponto de partida antes de escolher a direção. No lado da programação, eu recomendo começar com uma plataforma onde o comerciante pode implementar várias estratégias em um ambiente fornecido. Tais plataformas são TradeStation ou NinjaTrader por exemplo. Estas plataformas têm muitos construído em recursos para gráficos, etc corretor conexões, por isso são relativamente fáceis de aprender e conveniente de usar. Se alguém chegou a este nível, então eu acredito que ele já é capaz de decidir se a negociação é para ele ou não e se sim, então que direção ele pretende tomar. Além disso, será necessário para o comerciante para estudar e usar uma linguagem de programação. Por exemplo. C, C, C ou Java para citar alguns. Em seguida, será necessário estabelecer one039s próprias metodologias de negociação e abordagem, que técnicas para usar, como usá-los e como melhorá-los ainda a ser à frente dos outros. Este é um assunto amplo e complexo e todas as diferentes técnicas não podem ser incluídas em um único guia. Se alguém está procurando definitivamente um guia de um livro, eles podem tentar ir para a Amazônia e digitar quot trading algorítmico quot na pesquisa (www. amazon / s / refnbs.). Isso trará um bom poucos livros dedicados ao assunto. Eu nunca li nenhum destes, mas até onde eu me lembro, com base nos comentários, alguns deles introduzem um determinado método e orientá-lo passo a passo como implementá-lo. Independentemente do caminho que você tomar, estar preparado para que no final você tem que fazer sua própria pesquisa, implementar suas próprias idéias e colocar no trabalho extra que é preciso para se tornar um comerciante bem sucedido. 14.5k Vistas middot Ver Upvotes middot Não é para reprodução Here039s a lista de livros Este livro descreve o ciclo completo de validar uma idéia de negociação, testando, medindo, otimizando estratégias de negociação. Ele inclui muitas idéias e ponteiros em cada passo do processo. Eu gostaria de ler o livro muito mais cedo, há alguns segundos que eu li alguma coisa lá que eu pensei que eu criei. E então há uns poucos mais técnica avançada que I039ve nunca though escritos lá. Este é um dos primeiros livros que li sobre os tópicos, que é simples de entender e cobre os pontos mais importantes. Muito bom introdutório Eu li este livro recentemente após I039ve seguindo Ernie em Quora, para ser honesto eu não li o livro inteiro mas escolhi aqueles tópicos interessados ​​em It039s um bom suplemento para os dois livros acima, o que explica alguns tópicos melhor do que os dois acima . Se você quiser saber mais sobre certos tópicos em negociação algorítmica, minha experiência é que você deve ler vários livros de autor diferentes, mesmo sobre o mesmo tópico. Não há livro único que cobre tudo, mas cada livro lhe dá algo. Tenho uma lista de livros mais longa pendente de escrita, mas acho que os três acima devem ser mais do que suficientes para você começar. Só quero adicionar, existem alguns sites e livros sobre esses temas realmente querem vender-lhe serviços ou software, o conteúdo desses livros são realmente apenas material de marketing. Mas os livros listados acima são verdadeiramente educativos. O autor é tão grande que colocar material de qualidade sobre o livro. 2.2k Vistas middot Ver Upvotes middot Não é Reprodução851 Transferências semanais Turquaz Financial Accounting é uma solução completa de financiamento de entrada dupla visando pequenas e médias empresas com gestão de inventário, contas a receber, contas a pagar, razão geral, revista, multi moeda, relatório avançado e análise 569 transferências semanais QuickFIX é o primeiro motor de Open Source C FIX (Financial Information eXchange), ajudando as instituições financeiras a se integrar facilmente entre si. O repositório SVN agora está bloqueado. O código mais recente está hospedado no github. Github / quickfix / quickfix 343 transferências semanais Sistema de análise de bolsa, com ações de preços relógio, intraday e histórico gráficos com indicadores de análise técnica, nível II / profundidade de mercado vista, observação de notícias, sistemas de negociação automatizados, comércio integrado. Baseado no framework Eclipse RCP. 341 downloads semanais jGnash Personal Finance 213 transferências semanais QuickFIX / J é uma implementação de 100 Java do popular mecanismo QuickFIX open source FIX. Os recursos QuickFIX / J incluem suporte para as versões de protocolo FIX 4.0 a 4.4 e 5.0 / FIXT1.1 (www. fixprotocol. org). Observe que o repositório SVN da SourceForge é somente leitura. O repo atual pode ser encontrado aqui: github / quickfix-j 203 downloads semanais Secure Trading Client para a maioria das Bitcoin troca 232 downloads semanais JStock - Free Stock Market Software tinha se mudado para o GitHub. Github / yccheok / jstock 199 downloads semanais Mercado de ações, commodities e análises técnicas de gráficos de aplicativos baseados no Qt toolkit. Sistema extensível plugin para citações e indicadores. Portfolio, back testing, objetos de gráfico e muitos mais recursos incluídos. 52 downloads semanais Free Java Components for Quantitative Finance e Algorithmic Trading 72 downloads semanais Sistema de negociação escrito em Python, incluindo Quotes Management, histórico e dados ao vivo, dados de importação / exportação, gráficos, candlestick, análise técnica, alertas automatizados, Câmbio, e muito mais. 71 Transferências semanais Transferência de dados para uma folha Excel 38 Transferências semanais Uma plataforma gráfica para monitorar o mercado de ações dos EUA usando o OpenTick. Nosso foco é ter uma interface simples e intuitiva, mas fornecendo as ferramentas mais usadas (análise técnica, gráficos). 33 downloads semanais MT4 JForex Clients Bridge - é um plug-in simples para a plataforma Dukascopy JForex. Ele permite transferir sinais comerciais da plataforma Metatrader para JForex receber notificações do arquivo de log do MetaTrader e executar sinais comerciais transferidos. 30 downloads semanais Análise técnica do mercado de ações aplicação de gráficos. 121 downloads semanais jCandle é um cliente rico para análise de gráfico técnico. Com jCandle você é capaz de gerenciar seu portfólio, atualizar cotações, visualizar gráficos de castiçal e analisar gráficos com padrões de candlestick, indicadores e um simulador de comércio. O simulador de comércio simula vários indicadores com várias combinações de parâmetros. O simulador de comércio altera automaticamente os parâmetros indicadores que dão o melhor lucro para cada tipo de indicador. A combinação dos sinais de reversão dos indicadores e os padrões de castiçal detectados retorna a probabilidade geral de uma compra ou descarte. Os indicadores calculados com os melhores parâmetros de lucro serão mostrados em diferentes gráficos de análise. 55 downloads semanais Sistema para análise de mercados financeiros usando análise técnica. Inclui instalações para gráficos de ações e gráficos de futuros, bem como geração automatizada de sinais de negociação com base em critérios selecionados pelo usuário. Opera em dados diários e intraday. 51 downloads semanais Plataforma de simulação para negociação automatizada de ações. Ele fornece estatísticas para analisar o desempenho em dados históricos e permite a comparação entre as estratégias de negociação, que podem ser codificadas em Java. 25 downloads semanais Chartsy - Open Source banco de dados, rastreio e plataforma de negociação 19 downloads semanais Finance :: Quote é um módulo perl que obtém as cotações de ações em atraso. O Finance :: Quote pode buscar citação de uma variedade de fontes, incluindo o NYSE, o ASX, e um número de intercâmbios europeus. 41 downloads semanais O sistema aberto de negociação Java (OJTS) é destinado a ser uma infra-estrutura comum para desenvolver sistemas de negociação (estoque). Há quatro partes: coleta de dados brutos através da internet, reconhecimento de sinais comerciais, um módulo de visualização e negociação com bancos. 28 downloads semanais biblioteca C e amostras para o processamento de dados de mercado a partir do Spark API 23 downloads semanais JQuantLib fornece um livre, de código aberto e abrangente estrutura para finanças quantitativas. É uma tradução Java 100 de QuantLib, que é escrito em C. JQuantLib fornece avaliação de preços de uma ampla gama de classes de ativos, métodos e modelos 56 downloads semanais OTC Trading Network 12 downloads semanais Linguagem de programação melhor para Algorithmic Trading Systems Por Michael Halls-Moore em July 26th, 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 requerem 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 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, a linguagem escolhida para o backtesting será determinada 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), aumento das correlações 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, qual o tipo de desempenho que ela fornece, se ele precisa de software autônomo para ser acessado ou se um gateway pode ser estabelecido de uma forma sem cabeça (isto é, 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 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 will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages (see below) such as C/Java are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCP/IP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and 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 é o fundador da QuantStart e tem estado envolvido na indústria de finanças quantitativas nos últimos cinco anos, principalmente como desenvolvedor quantitativo e, mais tarde, como consultor de comerciante de quant para hedge funds.