Bygga A Handel System In C #
Jag har skapat en handelsansökan i WPF. för vilken jag skäms över sitt luddiga utseende eftersom det är långt från att vara imponerande. Jag skulle nu vilja omforma användargränssnittet för min ansökan och göra det som ett exempel på skärmbild av en handelsapplikation. Kan någon ge råd om tips på vilken väg jag ska följa för att skapa ett användargränssnitt av liknande karaktär, t. ex. om det finns en öppen källkod C WPF ansökan som har en liknande utseende, det skulle vara bra. eller om det finns ett bibliotek som har sval listvy, rullningslist och framstegsfält. PS: Jag har inte Microsoft-blandning frågad 15 feb 11 kl 3:15 Du kan kalla det som ett förslag inte ett svar exakt. Men postar för dem som är nya för WPF och lärande skärmdesign eller mönster. Enligt min erfarenhet av WPF kan jag säga först får du händerna smutsiga lär dig hur bindande fungerar eftersom det är basen för WPF. Simpler sätt att lära dig hur bindande verk är att lära sig att binda kontroller med andra kontroller. Använd sedan enkla klasser och lär dig MVVM. Nästa gå till kommandobindande inom MVVM perimeter. Håll prisman till sist, eftersom du behöver god förståelse för bindande mekanismer, kommandon, MVVM och mer för att förstå PRISM. Därefter får du en uppfattning om hur dessa saker fungerar tillsammans och hjälper dig att räkna ut hur man spelar med data och skärm tillsammans och utformar fina skärmar. Återigen, Inte ett svar på ovanstående fråga. Bara förslag till dem som lär sig WPF och landade här letar efter WPF UI-design. svarat dec 19 12 på 17:20 Ditt svar 2017 Stack Exchange, IncTrading Systems: Konstruera ett system 13 Hittills har vi diskuterat de grundläggande komponenterna i handelssystemen, de kriterier de måste mötas och några av de många empiriska beslut som en systemdesignern måste göra. I det här avsnittet kommer vi att undersöka processen för att bygga ett handelssystem, de överväganden som behöver göras och några viktiga punkter att komma ihåg. Six-Step System Construction 1. Inställning - För att börja bygga ett handelssystem behöver du flera saker: Data - Eftersom systemdesignern måste använda omfattande backtesting. Tidigare prishistoria är viktigt för att bygga ett handelssystem. Sådan data kan integreras i handelssystemutvecklingsprogram, eller som en separat dataflöde. Levnadsdata tillhandahålls ofta för månadsavgift, medan åldersdata kan erhållas gratis. Programvara - Även om det är möjligt att utveckla ett handelssystem utan programvara, är det mycket opraktiskt. Sedan slutet av 90-talet har mjukvara blivit en integrerad del av byggandet av handelssystem. Några vanliga funktioner gör det möjligt för näringsidkaren att göra följande: Placera handlar automatiskt - Detta kräver ofta tillstånd från mäklarens slut eftersom en konstant anslutning måste vara på plats mellan din programvara och mäklaren. Handlarna måste utföras omedelbart och till exakta priser för att säkerställa överensstämmelse. För att få din mjukvara att placera affärer för dig behöver du bara ange kontonummer och lösenord och allt annat görs automatiskt. Observera att den här funktionen är strikt frivillig. Kod ett handelssystem - Denna programvarufunktion implementerar ett proprietärt programmeringsspråk som låter dig enkelt bygga regler. MetaTrader använder till exempel MQL (MetaQuotes Language). Heres ett exempel på sin kod att sälja om fri marginal är mindre än 5000: Om FreeMargin lt 5000, avsluta Ofta Bara att läsa manualen och experimentera ska låta dig hämta grunderna för språket som din programvara använder. Backtest din strategi - Systemutveckling utan backtesting är som att spela tennis utan en racket. Systemutvecklingsprogramvara innehåller ofta en enkel backtesting-applikation som gör att du kan definiera en datakälla, inmatnings kontoinformation och backtest i vilken tid som helst med ett musklick. Här är ett exempel från MetaTrader: Efter att backtestet körs genereras en rapport som beskriver resultaten av resultaten. Den här rapporten innehåller vanligtvis vinst, antal misslyckade affärer, antal dagar i följd, antal branscher och många andra saker som kan vara till hjälp när du försöker bestämma hur du felsöker eller förbättrar systemet. Slutligen skapar mjukvaran vanligtvis en graf som visar investeringens tillväxt under hela testperioden. 2. Design - Designen är konceptet bakom ditt system, hur parametrarna används för att generera en vinst eller förlust. Du implementerar dessa regler och parametrar genom att programmera dem. Ibland kan denna programmering göras automatiskt via ett grafiskt användargränssnitt. Detta låter dig skapa regler utan att lära sig ett programmeringsspråk. Här är ett exempel på ett glidande medelvärdeöverföringssystem: Om SMA (20) CrossOver EMA (13) sedan anger Om SMA (20) CrossUnder EMA (13) avslutar Regler som de som läggs i kod tillåter programmet automatiskt generera inmatning och utgångar vid de punkter där reglerna är tillämpliga. Så här ser designgränssnittet ut på MetaTrader: Systemet skapas genom att bara skriva reglerna i fönstret och spara dem. Referenser för olika funktioner tillgängliga (till exempel oscillatorer och liknande) kan hittas genom att klicka på bokikonen. De flesta programvaror kommer att ha en liknande referens tillgänglig antingen inom själva programmet eller på dess hemsida. Efter att du skapat de önskade reglerna och kodar systemet, sparar du bara filen. Då kan du använda den genom att välja den på huvudskärmen. 3. Beslutsfattande - Det finns många beslut att göra vid denna tidpunkt: Vilken marknad vill jag byta i? 13 Vilken tidsperiod ska jag använda? 13 Vilka prisserier ska jag använda? 13 Vilken del av aktierna ska jag använda för testning? tänka på att handelssystemen konsekvent ska göra vinst på många marknader. Genom att anpassa tidsperioden och prisserierna för mycket kan du smita resultaten och ge uncharacteristic results.4. Övning - Backtesting och pappershandel är avgörande för en framgångsrik utveckling av ett handelssystem: Kör flera backtests på olika tidsperioder och se till att resultaten är konsekventa och tillfredsställande. Pappershandel systemet (använd imaginära pengar, men registrera affärer och resultat), och återigen leta efter konsekvent lönsamhet. Kontrollera noggrant om fel i programmet eller oavsiktliga affärer. Dessa kan vara ett resultat av felaktig programmering eller underlåtenhet att förutse vissa omständigheter som har oönskade följder. 5. Repetera - Repetition är nödvändig. Fortsätt arbeta med systemet tills du konsekvent kan göra vinst på de flesta marknader och villkor. Det finns alltid oförutsedda händelser som inträffar så snart ett system går live. Här är några faktorer som ofta orsakar snedställda resultat: Transaktionskostnader - Se till att du använder den verkliga kommissionen. och lite extra för att redogöra för felaktiga fyllningar (skillnad mellan bud och fråga). Med andra ord, undvik att glida (För att se vad det här är och hur det händer, se den föregående delen av denna handledning.) Varning - Undvik att förlora affärer hålla ett öga på alla affärer. Optimering - Inte över optimera systemet. Med andra ord, skräddarsy inte systemet till en mycket specifik marknadsmiljö, försök att vara lönsam i så stor miljö som möjligt. Risk - Aldrig ignorera eller glömma risk. Det är väldigt viktigt att få sätt att begränsa förluster (annars kallas stoppförluster) och sätt att låsa in vinster (ta vinst). 6. Handel - Prova det, men förvänta sig oavsiktliga resultat. Var säker på att använda icke-automatiserad handel tills du är säker på systemets prestanda och konsekvens. Det tar lång tid att utveckla ett framgångsrikt handelssystem, och innan du gör det kan du behöva uthärda några levande handelsförluster för att upptäcka glitches. Backtestning kan inte perfekt representera levande marknadsförhållanden och pappershandel kan vara felaktigt. Om ditt system förlorar pengar, gå tillbaka till ritbordet och se var det gick fel (se steg 5). Slutsats Dessa sex steg ger dig en överblick över hela processen med att bygga ett handelssystem. I nästa avsnitt bygger vi vidare på denna kunskap och tar en djupare titt på felsökning och modifiering. Fri Utbildning Särskilt tack till våra vänner på SharkIndicators för följande gästpost på handelssystem Från början, steg för steg Trading framgångsrikt ofta innebär att motverka dina naturliga psykologiska tendenser för att reagera på rädsla och girighet. Du har nog hört många gånger att framgångsrika näringsidkare använder en systematisk strategi för handel. Det fastställer strikta kriterier för inmatningar och utgångar. Bara genom att skapa en uppsättning regler kan du börja inse någon form av konsekvens med din handelsprestanda. Annars är handeln genom att bara skjuta från höften verkligen inte annorlunda än spelande. När du sammanställer en uppsättning konkreta regler (handelskriterier) är detta känt som ett handelssystem. Varför skapa ditt eget handelssystem Oavsett om du vill bli heltidspersonal, eller behåll ditt dagjobb men vill hantera dina egna pengar, är ett handelssystem avgörande för framgång. Detta gäller även om du handlar flera gånger om dagen (daytrader) eller om du handlar långsiktiga positioner under många månader. Men varför skapa din egen Det finns olika anledningar till att göra detta. Ett handelssystem är mycket personligt. Det måste passa din trading stil personlighet och riskprofil. Ett framgångsrikt handelssystem är bara lika bra som din förmåga att handla med det, och din förmåga att handla det beror på ditt förtroende för det. Det bästa sättet att lyckas handla med det är att vara 100 säker på det eftersom när du tittar på en otäck förlust efter 5 raka förlorade affärer, är det enda sättet du tar den sjätte vinnande handeln om du har oförskräckligt förtroende för din systemprestanda som helhet . Förtroende uppnås i ditt handelssystem när du har undersökt det, testat det, testat det vidare och du har gjort det själv. Är det verkligen så enkelt att jag är vilseledande om jag skulle säga att skapa ett framgångsrikt handelssystem (och sedan handla det) är en bit tårta. Det tar många timmars försök och fel, studerar diagrammen, iterating och sim trading. Men innan du måste lära dig grunderna. I den här artikeln och de framtida som ska följas kommer jag att gå över grunderna för att skapa ett handelssystem. Det kommer att vara inriktat på att börja med mellanhandlare och antar att du har en viss grundläggande förståelse för tekniska indikatorer och tillgång till kartläggningsprogramvara (som NinjaTrader). Låter komma igång med några grunder Trading-system kör spåren i form av oändliga olika sätt att handla. Du har nog hört att det finns trendhandlare och motströmshandlare. Trendhandlare tenderar att gå med flödet, och motströmshandlare tenderar att tänka mot kornet. Vilken stil du äntligen gravitate till verkligen beror på din personlighet. Det finns ett oändligt antal handelssystem i endera kategorin, men en sak de har gemensamt är att de behöver något för att definitivt identifiera den nuvarande trenden, vare sig den är haus eller bearish. Price Swings Priser tenderar att fluktuera i ett oscillerande mönster, skapa hyllor och tråg när de svänger upp och ner. Så här får vi oss till den första lektionen: Använda indikatorer för att bestämma trendriktningen. Låt oss börja enkla och titta på vad vi kallar prisgungsmönster på ett diagram: Med BloodHound för NinjaTrader har vi här ett typiskt pristabell med prissvängningarna identifierade i gröna och rödfärgade linjer ritade ovanpå prismärkena. När priset svänger upp, har vi en grön linje som går upp, och när priset svänger ner, en röd linje. När swing ändrar riktning kan du se att priset har visat sig studsa av ett osynligt golv eller slå ett tak. Om det imaginära golvet fortsätter att röra sig som det gjorde från 11:28 till 11:36 i diagrammet, kallar vi det högre. Det är priserna den senaste lågpunkten är högre än den sista (i det här fallet den låga som gjorts strax efter 10:38). På samma sätt flyttade taket såväl som priset på det som vi kallar en högre högt från strax efter kl. 11:27 till 11:33. Det här prismönstret där priset fortsätter att uppnå högre höjder och högre nedgångar identifieras som en hausseffekter. På samma sätt, om det taket verkar vara gradvis lägre (och golvet också), sägs marknaden vara lägre låga och lägre höjder. Detta är en övergripande bearish trend. Du kan se tydligt att BloodHound också har markerat områdena med gröna (hausse) och röda (baisse) zoner på diagrammet för vilket sätt den övergripande trenden går. Så nu Vad nu när du har trenden identifierad kan vi ta den här informationen för att gå antingen emot den eller med den beroende på om du skapar ett trendhandelssystem eller motströms handelssystem. Den övergripande trenden kan användas som en övergripande permissiv (handelsfilter) för att gå lång eller kort. Medan det kan fungera som en stor del av pusset, är det bara ett byggsten för att starta ditt system. Ett fullständigt handelssystem kommer att kräva åtminstone någon typ av inmatningssignal. Vi kommer att täcka det i en framtida artikel. Håll dig klar Om du är intresserad av att bygga ditt eget handelssystem, kolla in - sharkindicators Ett svar på att bygga ett handelssystem Bästa programningsspråk för algoritmiska handelssystem Ett av de vanligaste frågorna jag får i QS-brevlådan är Vad är det bästa programmeringsspråket för algoritmisk handel. Det korta svaret är att det inte finns något bra språk. Strategiparametrar, prestanda, modularitet, utveckling, elasticitet och kostnad måste alla övervägas. Denna artikel kommer att beskriva de nödvändiga komponenterna i en algoritmisk handelssystemarkitektur och hur besluten om implementering påverkar språkvalet. För det första kommer huvudkomponenterna i ett algoritmiskt handelssystem att övervägas, såsom forskningsverktygen, portföljoptimeraren, riskhanteraren och genomförandemotorn. Därefter granskas olika handelsstrategier och hur de påverkar systemets utformning. Speciellt kommer frekvensen av handel och den sannolika handelsvolymen att diskuteras. När handelsstrategin har valts är det nödvändigt att arkitektera hela systemet. Detta inkluderar val av hårdvara, operativsystem och systemresistens mot sällsynta, potentiellt katastrofala händelser. Medan arkitekturen övervägs måste hänsyn tas till prestanda - både för forskningsverktygen och för levande verkställande miljö. Vad är handelssystemet Försök att göra Innan du bestämmer dig för det bästa språket som du ska skriva ett automatiserat handelssystem är det nödvändigt att definiera kraven. Ska systemet vara rent exekveringsbaserat Kommer systemet att kräva en riskhantering eller portföljbyggnadsmodul Ska systemet kräva en högpresterande backtester För de flesta strategier kan handelssystemet delas upp i två kategorier: Forskning och signalgenerering. Forskning handlar om utvärdering av en strategisk utveckling över historiska data. Processen att utvärdera en handelsstrategi över tidigare marknadsdata kallas backtesting. Datastorleken och den algoritmiska komplexiteten kommer att ha stor inverkan på beräkningsintensiteten hos backtestern. CPU-hastighet och samtidighet är ofta de begränsande faktorerna för att optimera forskningsexekveringshastigheten. Signalgenerering handlar om att generera en uppsättning handelssignaler från en algoritm och skicka sådana order till marknaden, vanligtvis via en mäklare. För vissa strategier krävs en hög prestanda. IO-problem som nätverksbandbredd och latens är ofta den begränsande faktorn vid optimering av exekveringssystem. Således kan valet av språk för varje komponent i hela ditt system vara helt annorlunda. Typ, frekvens och volym av strategi Den typ av algoritmisk strategi som används kommer att ha en betydande inverkan på systemets utformning. Det kommer att vara nödvändigt att överväga att marknaderna handlas, anslutningen till externa datasäljare, frekvensen och volymen av strategin, avvägningen mellan enkel utveckling och prestandaoptimering, samt vilken anpassad hårdvara som helst, inklusive anpassad anpassning servrar, GPU eller FPGA som kan vara nödvändiga. Teknikvalen för en lågfrekvent amerikanska aktiestrategi kommer att vara väldigt annorlunda än en högfrekvent statistisk arbitragestrategihandel på terminsmarknaden. Före språkvalet måste många dataleverantörer utvärderas som avser en strategi för hand. Det kommer att vara nödvändigt att överväga anslutning till säljaren, strukturen för alla API: er, aktuell data, lagringskrav och elasticitet i ansiktet av en leverantör som går offline. Det är också klokt att ha snabb tillgång till flera leverantörer. Olika instrument har alla sina egna lagringsegenskaper. Exempel på detta inkluderar flera tickersymboler för aktier och utgångsdatum för terminer (för att inte nämna några specifika OTC-data). Detta måste ingå i plattformsdesignen. Frekvensen av strategin är sannolikt en av de största drivkrafterna för hur tekniken ska definieras. Strategier som använder data oftare än noggrann eller andra staplar kräver betydande hänsyn till prestanda. En strategi som överstiger andra stavar (dvs kryssningsdata) leder till en prestationsdriven design som det primära kravet. För högfrekventa strategier måste en betydande mängd marknadsdata lagras och utvärderas. Programvara som HDF5 eller kdb används vanligtvis för dessa roller. För att kunna bearbeta de omfattande volymerna av data som behövs för HFT-applikationer, måste en omfattande optimerad backtester och exekveringssystem användas. CC (eventuellt med någon assembler) är sannolikt den starkaste språkkandidaten. Ultrahögfrekventa strategier kräver nästan säkert anpassad hårdvara, som FPGA, utbyte av samlokalisering och gränssnittsgränssnitt. Forskningssystem Forskningssystem involverar vanligtvis en blandning av interaktiv utveckling och automatiserad skript. Den förra äger ofta rum inom en IDE som Visual Studio, MatLab eller R Studio. Det senare innebär omfattande numeriska beräkningar över många parametrar och datapunkter. Detta leder till ett språkval som ger en enkel miljö för att testa koden, men ger också tillräcklig prestanda för att utvärdera strategier över flera parameterdimensioner. Typiska IDEs i detta utrymme inkluderar Microsoft Visual CC, som innehåller omfattande felsökningsverktyg, kodfärdighetsfunktioner (via Intellisense) och rakt översikter över hela projektstapeln (via databasen ORM, LINQ) MatLab. som är konstruerad för omfattande numerisk linjär algebra och vektoriserade operationer, men på ett interaktivt konsol sätt R Studio. som omsluter R statistiska språkkonsolen i en fulländad IDE Eclipse IDE för Linux Java och C och semi-proprietary IDEs som Enthought Canopy for Python, som inkluderar databaser för databehandling som NumPy. SciPy. scikit-lär och pandor i en enda interaktiv (konsol) miljö. För numerisk backtesting är alla ovanstående språk lämpliga, men det är inte nödvändigt att använda en GUIIDE eftersom koden kommer att utföras i bakgrunden. Den primära övervägande i detta skede är den av körhastigheten. Ett sammanställt språk (som C) är ofta användbart om parametrarna för backtesting-parametrar är stora. Kom ihåg att det är nödvändigt att vara försiktig med sådana system, om så är fallet. Tolkade språk som Python använder ofta högpresterande bibliotek som NumPypandas för backtestingsteget, för att upprätthålla en rimlig grad av konkurrenskraft med kompilerade ekvivalenter. I slutändan kommer det språk som valts för backtesting att bestämmas av specifika algoritmiska behov samt utbudet av bibliotek tillgängliga på språket (mer om det nedan). Språket som används för backtester och forskningsmiljöer kan dock vara helt oberoende av de som används i portföljkonstruktion, riskhantering och exekveringskomponenter, vilket kommer att ses. Portföljkonstruktion och riskhantering Komponenterna för portföljkonstruktion och riskhantering är ofta förbisedda av detaljhandelsalgoritmiska handlare. Detta är nästan alltid ett misstag. Dessa verktyg ger den mekanism med vilket kapital kommer att bevaras. De försöker inte bara minska antalet riskabla satsningar, men minimerar också churnen i branschen, vilket reducerar transaktionskostnaderna. Sofistikerade versioner av dessa komponenter kan ha en betydande inverkan på lönsamhetens kvalitet och konsistens. Det är enkelt att skapa en stabil strategi eftersom portföljbyggnadsmekanismen och riskhanteraren lätt kan modifieras för att hantera flera system. Således bör de betraktas som väsentliga komponenter vid början av utformningen av ett algoritmiskt handelssystem. Arbetet med portföljkonstruktionssystemet är att ta en uppsättning av önskade affärer och producera uppsättningen verkliga verksamheter som minimerar klyftan, behåller exponeringar mot olika faktorer (t. ex. sektorer, tillgångsklasser, volatilitet etc.) och optimerar fördelningen av kapital till olika strategier i en portfölj. Portföljkonstruktion reduceras ofta till ett linjärt algebraproblem (såsom en matrisfaktorisering) och därför är prestanda starkt beroende av effektiviteten hos den numeriska linjära algebraimplementationen som är tillgänglig. Vanliga bibliotek innehåller uBLAS. LAPACK och NAG för C. MatLab har också omfattande optimerade matrisoperationer. Python använder NumPySciPy för sådana beräkningar. En ofta ombalanserad portfölj kräver ett kompilerat (och väloptimerat) matrisbibliotek för att utföra detta steg för att inte flaskhalsa handelssystemet. Riskhantering är en annan extremt viktig del av ett algoritmiskt handelssystem. Risken kan komma i många former: Ökad volatilitet (även om det här kan ses som önskvärt för vissa strategier), ökade korrelationer mellan tillgångsklasser, motpartsstandard, serveravbrott, svarta svanhändelser och oupptäckta fel i handelskoden, för att nämna en få. Riskhanteringskomponenter försöker förutse effekterna av överdriven volatilitet och korrelation mellan tillgångsklasser och deras efterföljande effekt (er) på handelskapital. Ofta minskar detta till en uppsättning statistiska beräkningar som Monte Carlo stresstester. Detta motsvarar mycket av beräkningsbehoven hos en derivatprissättningsmotor och kommer som sådan att vara CPU-bunden. Dessa simuleringar är mycket parallella (se nedan) och det är i viss mån möjligt att kasta hårdvara vid problemet. Exekveringssystem Arbetet med exekveringssystemet är att ta emot filtrerade handelssignaler från portföljkonstruktion och riskhanteringskomponenter och skicka dem vidare till en mäklare eller annan marknadstillträde. För majoriteten av detaljhandeln algoritmiska handelsstrategier innebär detta att en API eller FIX-anslutning till en mäklare som Interactive Brokers. De primära övervägandena när man bestämmer sig för ett språk inkluderar kvaliteten på API: n, språkpaketets tillgänglighet för ett API, exekveringsfrekvens och förväntad glidning. Kvaliteten på API: n refererar till hur väl dokumenterad det är, vilken typ av prestanda det ger, om det behövs fristående programvara som ska nås eller huruvida en gateway kan etableras på ett huvudlöst sätt (dvs ingen GUI). När det gäller interaktiva mäklare måste Trader WorkStation-verktyget köras i en GUI-miljö för att kunna komma åt deras API. Jag var en gång tvungen att installera en Desktop Ubuntu-utgåva på en Amazon Cloud-server för att komma åt Interactive Brokers på distans, helt av den anledningen. De flesta API-erna kommer att ge ett C andor Java-gränssnitt. Det är vanligtvis upp till samhället att utveckla språkspecifika wrappers för C, Python, R, Excel och MatLab. Observera att med varje extra plugin som används (speciellt API wrappers) finns det utrymme för buggar att krypa in i systemet. Testa alltid pluggar av detta slag och se till att de är aktivt underhållna. En värdefull mätare är att se hur många nya uppdateringar av en kodbas har gjorts under de senaste månaderna. Exekveringsfrekvensen är av yttersta vikt i exekveringsalgoritmen. Observera att hundratals beställningar kan skickas varje minut och som sådan är prestanda kritisk. Slippage uppstår genom ett dåligt fungerande exekveringssystem och detta kommer att få en dramatisk inverkan på lönsamheten. Statiskt typade språk (se nedan) som CJava är generellt optimala för utförande men det finns ett kompromiss i utvecklingstid, testning och enkel underhåll. Dynamiskt typade språk, som Python och Perl är nu i allmänhet tillräckligt snabba. Kontrollera alltid att komponenterna är modulerade (se nedan) så att de kan bytas ut när systemet vågar. Arkitektonisk planerings - och utvecklingsprocess Komponenterna i ett handelssystem, dess frekvens - och volymkrav har diskuterats ovan, men systeminfrastrukturen har ännu inte täcks. De som agerar som detaljhandlare eller arbetar i en liten fond kommer sannolikt att ha på sig många hattar. Det kommer att vara nödvändigt att täcka alfamodell, riskhantering och exekveringsparametrar, samt den slutliga implementeringen av systemet. Innan delving till specifika språk diskuteras utformningen av en optimal systemarkitektur. Separering av problem En av de viktigaste besluten som måste fattas i början är hur man skiljer sig från ett handelssystems bekymmer. I mjukvaruutveckling betyder detta i huvudsak hur man bryter upp de olika aspekterna av handelssystemet i separata modulära komponenter. Genom att exponera gränssnitt vid var och en av komponenterna är det enkelt att byta ut delar av systemet för andra versioner som stöder prestanda, tillförlitlighet eller underhåll, utan att ändra någon extern dependence-kod. Detta är den bästa praxisen för sådana system. För strategier vid lägre frekvenser rekommenderas sådana metoder. För ultrahögfrekvenshandel kan regelboken ignoreras på bekostnad av att tweaking systemet för ännu mer prestanda. Ett tätt kopplat system kan vara önskvärt. Att skapa en komponentkarta över ett algoritmiskt handelssystem är värt en artikel i sig. Ett optimalt tillvägagångssätt är emellertid att se till att det finns separata komponenter för historiska och realtidsmarknadsdataingångar, datalagring, API för dataåtkomst, backtester, strategiparametrar, portföljkonstruktion, riskhantering och automatiserade exekveringssystem. Till exempel, om den datalagring som används är för närvarande underpresterande, även vid betydande optimeringsnivåer, kan den bytas ut med minimala omskrivningar till datainnehållet eller dataåtkomst API. Så långt som backtester och efterföljande komponenter är det ingen skillnad. En annan fördel med separerade komponenter är att det tillåter en mängd olika programmeringsspråk att användas i det övergripande systemet. Det finns ingen anledning att vara begränsad till ett enda språk om kommunikationsmetoden för komponenterna är språkoberoende. Detta kommer att vara fallet om de kommunicerar via TCPIP, ZeroMQ eller något annat språkoberoende protokoll. Som ett konkret exempel, överväga att ett backtesting system skrivs i C för antal krossningsprestanda, medan portföljhanteraren och exekveringssystemen skrivs i Python med SciPy och IBPy. Prestanda Överväganden Prestanda är ett viktigt övervägande för de flesta handelsstrategier. För högre frekvensstrategier är det den viktigaste faktorn. Prestanda täcker ett brett spektrum av problem, till exempel algoritmisk exekveringshastighet, nätverks latens, bandbredd, data IO, konkurrenscyparallelism och skalning. Var och en av dessa områden omfattas individuellt av stora läroböcker, så den här artikeln kommer bara att skrapa ytan på varje ämne. Arkitektur och språkval kommer nu att diskuteras med avseende på deras effekter på prestanda. Den rådande visdom som framgår av Donald Knuth. en av fäderna för datavetenskap, är att för tidig optimering är roten till allt ont. Detta är nästan alltid fallet - förutom när man bygger en högfrekvent handelsalgoritm För dem som är intresserade av lägre frekvensstrategier är ett gemensamt förhållningssätt att bygga ett system på det enklaste sättet och bara optimera när flaskhalsar börjar dyka upp. Profileringsverktyg används för att avgöra var flaskhalsar uppstår. Profiler kan göras för alla faktorer som anges ovan, antingen i en MS Windows eller Linux-miljö. Det finns många operativsystem och språkverktyg tillgängliga för att göra det, liksom tredjepartsverktyg. Språkvalet kommer nu att diskuteras i samband med prestanda. C, Java, Python, R och MatLab innehåller alla högpresterande bibliotek (antingen som en del av deras standard eller externt) för grundläggande datastruktur och algoritmiskt arbete. C-fartyg med Standard Template Library, medan Python innehåller NumPySciPy. Vanliga matematiska uppgifter finns i dessa bibliotek och det är sällan bra att skriva en ny implementering. Ett undantag är om det krävs högspecifikt hårdvaruarkitektur och en algoritm använder sig extensivt av egna tillägg (till exempel anpassade cacher). Men ofta återuppfyllning av hjulavfallet tid som skulle kunna användas bättre utveckla och optimera andra delar av handelsinfrastrukturen. Utvecklingstiden är extremt dyrbar, särskilt i samband med ensamutvecklare. Latency är ofta ett problem med exekveringssystemet eftersom forskningsverktygen oftast ligger på samma maskin. För det första kan latens förekomma vid flera punkter längs exekveringsvägen. Databaser måste konsulteras (disknetwork latens), signaler måste genereras (operativsystem, kärnmeddelande latens), handel signaler skickas (NIC latens) och order bearbetas (växelsystem interna latens). För högre frekvensoperationer är det nödvändigt att bli noggrant bekant med kärnoptimering samt optimering av nätverksöverföring. Detta är ett djupt område och ligger väsentligt bortom artikelns räckvidd men om en UHFT-algoritm är önskad, var då medveten om det djup av kunskap som krävs. Caching är väldigt användbar i verktyget för en kvantitativ handelsutvecklare. Caching avser begreppet lagring av ofta åtkomstad data på ett sätt som möjliggör högre prestanda åtkomst, på bekostnad av dataens potentiella stavhet. Ett vanligt användningsfall uppstår i webbutveckling när du tar data från en diskbaserad relationsdatabas och lägger den i minnet. Eventuella efterföljande förfrågningar om uppgifterna behöver inte träffas i databasen, så prestationsvinster kan vara viktiga. För handelssituationer kan caching vara mycket fördelaktigt. Till exempel kan den nuvarande situationen för en strategiportfölj lagras i en cache tills den är ombalanserad, så att listan inte behöver regenereras på varje slinga i handelsalgoritmen. Sådan regenerering är sannolikt en hög CPU - eller disk-IO-operation. Caching är dock inte utan egna problem. Regenerering av cacherdata på en gång, på grund av cachelagrings volatilitet, kan ge betydande efterfrågan på infrastruktur. En annan fråga är hundhoppning. där flera generationer av en ny cache kopia utförs under extremt hög belastning, vilket leder till kaskadfel. Dynamisk minnesallokering är en dyr operation vid programkörning. Det är således absolut nödvändigt att applikationer med högre prestandahandel är väl medvetna om hur minnet tilldelas och fördelas under programflödet. Nyare språkstandarder som Java, C och Python utför alla automatiska sopor. som hänför sig till deallokering av dynamiskt tilldelat minne när objekt går ur räckvidd. Skräpsamling är extremt användbar under utveckling eftersom det minskar fel och hjälpmedelläsbarhet. Det är emellertid ofta suboptimalt för vissa högfristiga handelsstrategier. Anpassad skräpsamling är ofta önskad för dessa fall. I Java, till exempel, genom att ställa in sopkollektor och hålkonfiguration, är det möjligt att få hög prestanda för HFT-strategier. C tillhandahåller inte en inbyggd sopsamlare och så är det nödvändigt att hantera all minnesallokeringsallokering som en del av en objektimplementering. Medan potentiellt fel benägen (potentiellt leder till danglingpekare) är det extremt användbart att ha finkorrigerad kontroll över hur föremål förekommer på högen för vissa applikationer. När du väljer ett språk, var noga med att studera hur sopsamlaren fungerar och huruvida den kan modifieras för att optimera för ett visst användningsfall. Många operationer i algoritmiska handelssystem är mottagliga för parallellisering. Detta avser begreppet att utföra flera programmatiska operationer samtidigt, dvs parallellt. Så kallade embarassingly parallella algoritmer inkluderar steg som kan beräknas helt oberoende av andra steg. Vissa statistiska operationer, som Monte Carlo-simuleringar, är ett bra exempel på embarassingly parallella algoritmer eftersom varje slumpmässig teckning och efterföljande banoperation kan beräknas utan kännedom om andra vägar. Andra algoritmer är endast delvis parallella. Vätskedynamik simuleringar är ett exempel där beräkningsdomänen kan delas upp, men i slutändan måste domänerna kommunicera med varandra och således är operationerna delvis sekventiella. Parallelliserbara algoritmer är föremål för Amdahls Law. som tillhandahåller en teoretisk övre gräns för prestationsökningen av en parallelliserad algoritm när den är föremål för N separata processer (t ex på en CPU-kärna eller tråd). Parallellisering har blivit allt viktigare som ett sätt att optimera eftersom processorns klockhastigheter har stagnerat, eftersom nyare processorer innehåller många kärnor för att utföra parallella beräkningar. Ökningen av konsumentgrafikhårdvara (främst för videospel) har lett till utvecklingen av grafiska processenheter (GPU), som innehåller hundratals kärnor för starkt samtidiga operationer. Sådana GPU är nu mycket överkomliga. Högnivåramar, till exempel Nvidias CUDA, har lett till omfattande adoption i akademia och finans. Sådan GPU-hårdvara är i allmänhet endast lämplig för forskningsaspekten för kvantitativ finansiering, medan andra mer specialiserade hårdvaror (inklusive Fältprogrammerbara Gate Arrays - FPGAs) används för (U) HFT. Numera stöder de flesta moderna långaugar en grad av samtidighet. Således är det enkelt att optimera en backtester, eftersom alla beräkningar är generellt oberoende av de andra. Skalning i mjukvaruutveckling och operationer avser systemets förmåga att hantera konsekvent ökande belastningar i form av större förfrågningar, högre processoranvändning och mer minnesallokering. I algoritmisk handel kan en strategi skala om den kan acceptera större mängder kapital och fortfarande ge konsekvent avkastning. Handelsstapeln staplar om den kan tåla större volymer och ökad latens utan flaskhalsing. Även om system måste utformas för att skala, är det ofta svårt att förutsäga i förväg där en flaskhals kommer att uppstå. Stigande loggning, testning, profilering och övervakning kommer att hjälpa till med att tillåta ett system att skala. Språk själva beskrivs ofta som oskalbara. Detta är vanligtvis ett resultat av felaktig information, snarare än hårdfakta. Det är den totala tekniken stapeln som bör fastställas för skalbarhet, inte språket. Tydligt vissa språk har större prestanda än andra i speciella användningsfall, men ett språk är aldrig bättre än någon annan i alla avseenden. Ett sätt att hantera skalan är att skilja problem som nämnts ovan. För att ytterligare införa förmågan att hantera spikar i systemet (dvs plötslig volatilitet som utlöser en flotta av handel) är det användbart att skapa en meddelandekurarkitektur. Detta innebär helt enkelt att placera ett meddelandekössystem mellan komponenter så att orderna staplas upp om en viss komponent inte kan hantera många förfrågningar. I stället för att förfrågningar förloras hålls de helt enkelt i en stapel tills meddelandet hanteras. Detta är särskilt användbart för att skicka handlar till en exekveringsmotor. Om motorn lider under tung latens så kommer det att backa upp affärer. En kö mellan handelssignalgenerern och exekverings-API kommer att lindra denna fråga på bekostnad av potentiell handelsglidning. En väl respekterad öppen källkodsmäklare är RabbitMQ. Hårdvara och operativsystem Hårdvaran som kör din strategi kan få stor inverkan på lönsamheten för din algoritm. Detta är inte ett problem begränsat till högfrekventa handlare heller. Ett dåligt val i hårdvaru - och operativsystem kan leda till maskinkrasch eller omstart vid det mest oupphörliga ögonblicket. Således är det nödvändigt att överväga var din ansökan kommer att ligga. Valet är generellt mellan en personlig skrivbordsmaskin, en fjärrserver, en molnleverantör eller en utbytessamlokaliserad server. Skrivbordsmaskiner är enkla att installera och administrera, särskilt med nyare användarvänliga operativsystem som Windows 78, Mac OSX och Ubuntu. Stationära system har emellertid vissa betydande nackdelar. Det främsta är att versionerna av operativsystem som är designade för stationära datorer sannolikt kommer att kräva omstartspatchning (och ofta i värsta tider). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading
Comments
Post a Comment