Arquitetura do Sistema A arquitetura do AlgoTrader é composta pelos seguintes componentes. O Servidor AlgoTrader fornece a infra-estrutura para todas as estratégias em execução. O AlgoTrader Server contém o principal mecanismo de processamento de eventos complexos Esper (CEP). É responsável por todos os objetos do modelo de domínio e sua persistência no banco de dados. Diferentes adaptadores de dados de mercado estão disponíveis para processar dados de mercado vivos e históricos. Nos outros adaptadores de extremidade para corretores de execução diferentes e trocas estão disponíveis, que são responsáveis por colocar ordens e receber execuções. O AlgoTrader Server também fornece componentes de negócios para gerenciamento de portfólio, medição de desempenho, gerenciamento de risco, gerenciamento de dinheiro, opção de preços, reconciliação, hedge de Forex e otimização de parâmetros. Em cima do AlgoTrader Server qualquer número de estratégias podem ser implantadas. O AlgoTrader tem uma arquitetura baseada em eventos, utilizando um mecanismo de CEP Esper por estratégia. Uma estratégia pode implantar qualquer número de instruções Esper do tipo SQL para análises de dados de mercado baseados no tempo e geração de sinais. As instruções Esper podem invocar qualquer número de ações processuais, como colocar uma ordem ou fechar uma posição, que são codificadas em Java. A combinação de declarações Esper e Java Code fornece uma abordagem de best-of-both-worlds. Para gerenciamento e monitoramento do sistema existem quatro diferentes GUI clientes. O novo AlgoTrader HTML5 Frontend fornece funcionalidade relacionada com o comércio, como gráficos, pedidos, posições e dados de mercado do amplificador. O cliente do AlgoTrader Eclipse é o ambiente de desenvolvimento de estratégia padrão. O cliente EsperHQ gerencia o mecanismo Esper CEP. O cliente Grails é um cliente genérico para o gerenciamento de dados de referência. Para instalações produtivas e implementação, o AlgoTrader usa Docker. AlgoTrader 3.1 integra InfluxDB Jan-20-2017 AlgoTrader integra InfluxDB para o armazenamento de dados de mercado vivos e históricos. Com InfluxDB bilhões de carrapatos podem ser armazenados e usados para back testing. Apresentando o AlgoTrader 3.0 8211 O AlgoTrader mais poderoso ainda Apr-07-2016 AlgoTrader 3.0 foi lançado. Esta versão inclui o novo HTML5 Frontend, implantação de um clique com Docker, três novos Algoritmos de Execução e um relatório de teste baseado em Excel. Apresentação da instalação do AlgoTrader One-Click por Docker Mar-15-2016 O AlgoTrader 3.0 apresenta as instalações da estratégia de negociação com um clique Docker Termos da Licença do AlgoTrader OS TERMOS E CONDIÇÕES DESTE ACORDO DE LICENÇA DO USUÁRIO FINAL (8220AGREEMENT8221) GOVERNAM SEU USO DO SOFTWARE A MENOS QUE O CLIENTE E A LICENÇA EXECUJAM UM CONTRATO DE LICENÇA ESCRITA SEPARADA QUE REGULA O USO DO SOFTWARE. O Licenciante está disposto a licenciar o Software para você somente sob a condição de que você aceite todos os termos contidos neste Contrato. Ao assinar este Contrato ou ao fazer o download, instalação ou uso do Software, você indicou que compreendeu este Contrato e aceitou todos os seus termos. Se você não aceitar todos os termos deste Contrato, o Licenciante não estará disposto a licenciar o Software para você, e você não poderá fazer o download, instalar ou usar o Software. 1. CONCESSÃO DE LICENÇA a. Avaliação Uso e Desenvolvimento Uso de Licença. Sujeito ao seu cumprimento dos termos e condições deste Contrato, o Licenciante concede a você uma licença pessoal, não exclusiva, intransferível, sem o direito de sublicenciar, pelo prazo deste Contrato, a usar internamente o Software somente para Avaliação Uso e Desenvolvimento Uso. Produtos de software de terceiros ou módulos fornecidos pelo Licenciador, se houver, podem ser usados exclusivamente com o Software e podem estar sujeitos à sua aceitação dos termos e condições fornecidos por tais terceiros. Quando a licença termina você deve parar de usar o Software e desinstalar todas as instâncias. Todos os direitos não especificamente concedidos a você aqui são retidos pelo Licenciador. O Desenvolvedor não deverá fazer uso comercial do Software, ou de qualquer trabalho derivado dele (inclusive para fins internos de negócios do Desenvolvedor). É proibido copiar e redistribuir, de qualquer forma, o Software ou o Aplicativo do Desenvolvedor para seus clientes diretos ou indiretos. B. Licença de Uso de Produção. Sujeito ao seu cumprimento dos termos e condições deste Contrato, incluindo o pagamento da taxa de licença aplicável, o Licenciante concede a você uma licença não exclusiva e intransferível, sem o direito de sublicenciar, pelo prazo deste Contrato, para : (A) utilizar e reproduzir o Software exclusivamente para fins comerciais internos (8220Production Use8221) e (b) fazer um número razoável de cópias do Software unicamente para fins de backup. Essa licença é limitada ao número específico de CPUs (se licenciado por CPU) ou instâncias de Java Virtual Machines (se licenças por máquina virtual) para as quais você pagou uma taxa de licença. O uso do Software em um número maior de CPUs ou instâncias de Java Virtual Machines exigirá o pagamento de uma taxa de licença adicional. Produtos de software de terceiros ou módulos fornecidos pelo Licenciador, se houver, podem ser usados exclusivamente com o Software. C. Não há outros direitos. Seus direitos sobre e para fazer uso do Software são limitados aos expressamente concedidos nesta Seção 1. Você não fará nenhum outro uso do Software. Exceto se expressamente licenciado nesta Seção, o Licenciador não lhe concede outros direitos ou licenças, por implicação, preclusão ou de outra forma. TODOS OS DIREITOS NÃO EXPRESSAMENTE CONCEDIDOS AQUI ESTÃO RESERVADOS PELO LICENCIANTE OU SEUS FORNECEDORES. 2. RESTRIÇÕES Salvo disposição expressa na Seção 1, você não irá: (a) modificar, traduzir, desmontar, criar trabalhos derivados do Software ou copiar o Software; (b) alugar, emprestar, transferir, distribuir ou conceder quaisquer direitos no Software de qualquer forma para qualquer pessoa (c) fornecer, divulgar, divulgar ou disponibilizar, ou permitir o uso do Software, por qualquer terceiro (d) publicar qualquer teste de desempenho ou benchmark executado no Software ou qualquer parte dele ou ( E) remover quaisquer avisos de propriedade, rótulos ou marcações no Software. Você não distribuirá o Software a qualquer pessoa de forma autônoma ou em uma base de fabricante de equipamento original (OEM). 3. PROPRIEDADE Como entre as partes, o Software é e continuará a ser propriedade exclusiva e exclusiva do Licenciante, incluindo todos os direitos de propriedade intelectual no mesmo. uma. Caso você use o Software sob a licença estabelecida na Seção 1 (a), este Contrato permanecerá em vigor durante o período de avaliação ou desenvolvimento. B. Se você usar o Software sob a licença estabelecida na Seção 1 (b), este Contrato permanecerá em vigor (a) por um período de um ano se adquirido como uma licença anual de subscrição ou (b) perpetuamente se adquirido como um licença perpétua. Uma licença de assinatura anual será renovada automaticamente por um ano, a menos que seja rescindido com um mês de antecedência. Este Contrato será automaticamente rescindido sem aviso prévio se você violar qualquer termo deste Contrato. Após a rescisão, você deve imediatamente deixar de usar o Software e destruir todas as cópias do Software em sua posse ou controle. 5. SERVIÇOS DE SUPORTE Se você adquiriu esta licença, incluindo Serviços de Suporte, inclui atualizações de manutenção (atualizações e atualizações), suporte por telefone e suporte por e-mail ou pela Web. uma. O Licenciador fará esforços comercialmente razoáveis para fornecer uma Atualização projetada para resolver ou contornar um Erro relatado. Se tal Erro tiver sido corrigido em uma Versão de Manutenção, o Licenciado deverá instalar e implementar a Atualização de Manutenção aplicável, caso contrário, a Atualização poderá ser fornecida sob a forma de uma correção, procedimento ou rotina temporária. está disponível. B. Durante o Prazo do Contrato de Licença, o Licenciador disponibilizará as Versões de Manutenção ao Licenciado se, como e quando o Licenciador disponibilizar tais Releases de Manutenção, de forma geral, aos seus clientes. Se surgir a questão de saber se uma oferta de produto é uma Upgrade ou um novo produto ou recurso, a opinião do Licenciador prevalecerá, desde que o Licenciador considere a oferta do produto como um novo produto ou recurso para seus clientes de usuários finais em geral. C. A obrigação do Licenciador82 de fornecer Serviços de Suporte está condicionada ao seguinte: (a) O Licenciado faz esforços razoáveis para corrigir o Erro após consultar o Licenciante (b) O Licenciado fornece ao Licenciante informações e recursos suficientes para corrigir o Erro no site do Licenciador (C) o Licenciado instala prontamente todas as Versões de Manutenção e (d) o Licenciado obtém, instala e mantém todo o equipamento, a comunicação ou o acesso ao pessoal, hardware e qualquer software adicional envolvido na descoberta Interfaces e outro hardware necessário para operar o Produto. D. O Licenciante não está obrigado a fornecer Serviços de Suporte nas seguintes situações: (a) o Produto foi alterado, modificado ou danificado (exceto se sob a supervisão direta do Licenciador); (b) o Erro é causado por negligência do Licenciado, Ou outras causas além do controle razoável do Licenciador (c) o Erro for causado por software de terceiros não licenciado através do Licenciador (d) O Licenciado não instalou e implementou a (s) Versão (ões) de Manutenção para que o Produto seja uma versão suportada pelo Licenciador ou (e) O Licenciado não pagou as taxas da Licença ou as taxas dos Serviços de Suporte quando vencido. Além disso, o Licenciador não é obrigado a fornecer Serviços de Suporte para código de software escrito pelo próprio cliente com base no Produto. E. O Licenciador reserva-se o direito de descontinuar os Serviços de Suporte caso o Licenciante, a seu exclusivo critério, determine que o suporte continuado para qualquer Produto deixa de ser economicamente viável. O Licenciador dará ao Licenciado pelo menos três (3) meses de antecedência uma notificação por escrito de qualquer descontinuidade dos Serviços de Suporte e reembolsará quaisquer taxas de Serviços de Suporte não acumuladas que o Licenciado possa ter pré-pago com relação ao Produto afetado. O Licenciador não tem nenhuma obrigação de suportar ou manter qualquer versão do Produto ou plataformas de terceiros subjacentes (incluindo mas não limitado a software, JVM, sistema operacional ou hardware) para o qual o Produto é suportado exceto (i) a versão então atual do Produto e plataforma de terceiros subjacente, e (ii) as duas versões imediatamente anteriores do Produto e sistema operacional por um período de seis (6) meses após a primeira substituição. O Licenciador reserva-se o direito de suspender a execução dos Serviços de Suporte se o Licenciado deixar de pagar qualquer quantia que seja paga ao Licenciador nos termos do Contrato no prazo de 30 (trinta) dias após a data de vencimento. 6. GARANTIA a. O Licenciador garante que o Software será capaz de executar em todos os aspectos materiais de acordo com as especificações funcionais estabelecidas na documentação aplicável por um período de 90 dias após a data de instalação do Software. Em caso de violação desta garantia, o Licenciante deverá, a seu critério, corrigir o Software ou substituí-lo gratuitamente. Estes são os seus únicos e exclusivos remédios ea única responsabilidade do Licenciador é a violação destas garantias. As garantias estabelecidas acima são feitas apenas para o benefício de você. As garantias serão aplicadas somente se (a) o Software tiver sido devidamente instalado e usado em todos os momentos e de acordo com as instruções de uso (c) as atualizações mais recentes tiverem sido aplicadas ao software e (c) nenhuma modificação, alteração ou adição Tenha sido feita ao Software por pessoas que não sejam o Licenciador ou o representante autorizado do Licenciado. 7. ISENÇÃO DE RESPONSABILIDADE EXCETO COMO PODE SER FORNECIDO NA SEÇÃO 6 (a), O LICENCIANTE EXPRESSAMENTE SE ISENTA DE TODAS AS GARANTIAS, EXPRESSAS OU IMPLÍCITAS, INCLUINDO QUAISQUER GARANTIAS IMPLÍCITAS DE COMERCIABILIDADE, ADEQUAÇÃO A UM FIM ESPECÍFICO E NÃO VIOLAÇÃO E QUAISQUER GARANTIAS DECORRENTES DE NEGOCIAÇÃO OU USO DO COMÉRCIO. NENHUM CONSELHO OU INFORMAÇÃO, SEJA ORAL OU ESCRITO, OBTIDO DO LICENCIANTE OU EM OUTRO LUGAR CRIARÁ QUALQUER GARANTIA NÃO EXPRESSAMENTE INDICADA NESTE CONTRATO. O Licenciador não garante que o Produto de Software atenderá às suas necessidades ou operará sob suas condições específicas de uso. O Licenciador não garante que a operação do Produto de Software será segura, livre de erros ou livre de interrupção. VOCÊ DEVE DETERMINAR SE O PRODUTO DE SOFTWARE CUMPRE SUFICIENTEMENTE OS SEUS REQUISITOS DE SEGURANÇA E ININTERRUPTABILIDADE. VOCÊ SÓ RESPONSABILIDADE E TODA RESPONSABILIDADE POR QUAISQUER PERDAS INCURRIDAS POR FALHA DO PRODUTO DE SOFTWARE PARA ENCONTRAR OS SEUS REQUISITOS. O LICENCIANTE NÃO SERÁ RESPONSÁVEL, POR NENHUMA CIRCUNSTÂNCIA, PELA PERDA DE DADOS EM QUALQUER COMPUTADOR OU DISPOSITIVO DE ARMAZENAMENTO DE INFORMAÇÕES. 8. LIMITAÇÃO DE RESPONSABILIDADE A RESPONSABILIDADE TOTAL DA LICENSOR8217S A VOCÊ DE TODAS AS CAUSAS DE AÇÃO E SOB TODAS AS TEORIAS DE RESPONSABILIDADE SERÁ LIMITADA E NÃO EXCEDERÁ A TAXA DE LICENÇA PAGA POR VOCÊ AO LICENCIANTE DO SOFTWARE. EM NENHUMA CIRCUNSTÂNCIA O LICENCIANTE SERÁ RESPONSÁVEL POR QUAISQUER DANOS ESPECIAIS, INCIDENTAIS, EXEMPLARES, PUNITIVOS OU CONSEQUENCIAIS (INCLUINDO PERDA DE USO, DADOS, NEGÓCIOS OU LUCROS) OU AO CUSTO DE PROCURAR PRODUTOS SUBSTITUTOS RESULTANTES OU RELACIONADOS COM ESTE ACORDO OU O USO OU DESEMPENHO DO SOFTWARE, SE ESSA RESPONSABILIDADE RESOLVE DE QUALQUER REIVINDICAÇÃO BASEADA EM CONTRATO, GARANTIA, DELITO (INCLUINDO NEGLIGÊNCIA), RESPONSABILIDADE ESTRITA OU DE OUTRA FORMA E SE O LICENCIANTE TENHA SIDO AVISADO DA POSSIBILIDADE DE TAIS PERDAS OU DANIFICAR. AS LIMITAÇÕES ANTERIORES SOBREVIVERÃO E APLICAM-SE, MESMO QUE QUALQUER REMÉDIO LIMITADO ESPECIFICADO NESTE CONTRATO É ENCONTRADO PARA FALHAR O SEU PROPÓSITO ESSENCIAL. NA MEDIDA EM QUE A COMPETÊNCIA APLICÁVEL LIMITA A CAPACIDADE DE LICENCIAMENTO PARA RENUNCIAR QUAISQUER GARANTIAS IMPLÍCITAS, ESTE ISENÇÃO DE RESPONSABILIDADE SERÁ EFICAZ PARA A MÁXIMA EXTENSÃO PERMITIDA. 9. GENERALIDADES Se qualquer disposição deste Contrato for considerada inválida ou inexeqüível, o restante deste Contrato permanecerá em pleno vigor e efeito. Na medida em que quaisquer restrições expressas ou implícitas não forem permitidas pelas leis aplicáveis, estas restrições expressas ou implícitas deverão permanecer em vigor e efeito na extensão máxima permitida por tais leis aplicáveis. Este Contrato é o acordo completo e exclusivo entre as partes em relação ao assunto aqui tratado, substituindo todos e quaisquer acordos, comunicações e entendimentos anteriores (tanto escritos quanto orais) sobre o assunto aqui tratado. As partes neste Contrato são contratadas independentes, e nenhuma delas tem o poder de vincular a outra ou incorrer em obrigações por conta da outra. Nenhuma falha de qualquer das partes para exercer ou fazer valer qualquer dos seus direitos ao abrigo deste Acordo actuará como uma renúncia a tais direitos. Quaisquer termos ou condições contidos em qualquer ordem de compra ou outro documento de pedido que sejam incompatíveis com ou além dos termos e condições deste Contrato são rejeitados pelo Licenciante e serão considerados nulos e sem efeito. Este Contrato será interpretado e interpretado de acordo com as leis da Suíça, sem levar em conta os princípios de conflitos de leis. As partes concordam com a jurisdição e sede exclusiva dos tribunais localizados em Zurique, Suíça, para a resolução de quaisquer disputas que surjam ou relacionadas com este Contrato. 10. DEFINIÇÕES 8220Evaluation Use8221 significa o uso do Software somente para avaliação e teste para novas aplicações destinadas ao seu Uso de Produção. 8220Produção Use8221 significa usar o Software apenas para fins comerciais internos. Produção O uso não inclui o direito de reproduzir o Software para sublicenciamento, revenda ou distribuição, incluindo, sem limitação, operação em um compartilhamento de tempo ou distribuição do Software como parte de um acordo ASP, VAR, OEM, distribuidor ou revendedor. 8220Software8221 significa o software Licenciador8217s e todos os seus componentes, documentação e exemplos incluídos pelo Licenciador. 8220Error8221 significa (a) uma falha do Produto em conformidade com as especificações estabelecidas na documentação, resultando na incapacidade de usar, ou restrição no uso do Produto, ou (b) um problema que requer novos procedimentos, esclarecimentos , Informações adicionais e / ou solicitações de aprimoramentos do produto. 8220Lançamento de Manutenção8221 significa Atualizações e Atualizações do Produto que são disponibilizadas aos licenciados de acordo com os Serviços de Suporte padrão definidos na seção 5. 8220Update8221 significa uma modificação ou adição de software que, quando feita ou adicionada ao Produto, corrige o Erro ou Procedimento ou rotina que, quando observado no funcionamento regular do Produto, elimina o efeito adverso prático do Erro no Licenciado. 8220Upgrade8221 significa uma revisão do Produto liberada pelo Licenciador aos seus clientes de usuários finais em geral, durante o Termo de Serviços de Suporte, para adicionar funções novas e diferentes ou para aumentar a capacidade do Produto. Upgrade não inclui a liberação de um novo produto ou recursos adicionais para os quais pode haver uma cobrança separada. Algorithmic Trading System Architecture Anteriormente neste blog eu escrevi sobre a arquitetura conceitual de um sistema inteligente de negociação algorítmica, bem como o funcional e não - requisitos funcionais de um sistema de negociação algorítmica de produção. Desde então, eu tenho projetado uma arquitetura de sistema que eu acredito que poderia satisfazer esses requisitos arquitetônicos. Neste post vou descrever a arquitetura seguindo as diretrizes da ISOIECIEEE 42010 sistemas e arquitetura de engenharia de software descrição padrão. De acordo com este padrão, uma descrição de arquitetura deve: Conter várias visualizações arquitetônicas padronizadas (por exemplo, em UML) e Manter a rastreabilidade entre decisões de projeto e requisitos arquitetônicos Definição de arquitetura de software Ainda não há consenso sobre o que é uma arquitetura de sistemas. No contexto deste artigo, ele é definido como a infra-estrutura dentro da qual componentes de aplicativo que satisfazem requisitos funcionais podem ser especificados, implantados e executados. Os requisitos funcionais são as funções esperadas do sistema e seus componentes. Os requisitos não funcionais são medidas através das quais a qualidade do sistema pode ser medida. Um sistema que satisfaça plenamente os seus requisitos funcionais pode ainda não satisfazer as expectativas se os requisitos não funcionais forem deixados insatisfeitos. Para ilustrar este conceito, considere o seguinte cenário: um sistema de negociação algorítmica que você acabou de comprar construído faz excelentes decisões comerciais, mas é completamente inoperável com as organizações de gestão de riscos e sistemas de contabilidade. Este sistema atenderia às suas expectativas Arquitetura Conceitual Uma visão conceitual descreve conceitos e mecanismos de alto nível que existem no sistema no nível mais alto de granularidade. Nesse nível, o sistema de negociação algorítmica segue uma arquitetura orientada a eventos (EDA) dividida em quatro camadas e dois aspectos arquitetônicos. Para cada camada e aspecto, são usadas arquiteturas e padrões de referência. Os padrões arquitetônicos são estruturas comprovadas e genéricas para a obtenção de requisitos específicos. Os aspectos arquitetônicos são preocupações transversais que abrangem vários componentes. Arquitetura de eventos - uma arquitetura que produz, detecta, consome e reage a eventos. Os eventos incluem movimentos de mercado em tempo real, eventos ou tendências complexas e eventos comerciais, por ex. Submeter um pedido. Este diagrama ilustra a arquitetura conceitual do sistema de negociação algorítmica. Arquiteturas de referência Para usar uma analogia, uma arquitetura de referência é semelhante aos planos para uma parede de suporte de carga. Este blue-print pode ser reutilizado para vários projetos de construção, independentemente de qual edifício está sendo construído, pois satisfaz um conjunto de requisitos comuns. Da mesma forma, uma arquitetura de referência define um modelo contendo estruturas genéricas e mecanismos que podem ser usados para construir uma arquitetura de software concreta que satisfaça requisitos específicos. A arquitetura do sistema de negociação algorítmica utiliza uma arquitetura baseada em espaço (SBA) e um controlador de exibição de modelo (MVC) como referências. Também são usadas boas práticas, como o armazenamento de dados operacionais (ODS), o padrão de transformação e carga de extrato (ETL) e um data warehouse (DW). Model view controller - um padrão que separa a representação da informação da interação do usuário com ela. Arquitetura baseada em espaço - especifica uma infra-estrutura onde unidades de processamento ligeiramente acopladas interagem uns com os outros através de uma memória associativa compartilhada chamada espaço (mostrado abaixo). Visão Estrutural A visão estrutural de uma arquitetura mostra os componentes e sub-componentes do sistema de negociação algorítmica. Ele também mostra como esses componentes são implantados em infra-estrutura física. Os diagramas UML usados nesta visão incluem diagramas de componentes e diagramas de implantação. Abaixo está uma galeria dos diagramas de implantação do sistema de negociação algorítmica global e as unidades de processamento na arquitetura de referência SBA, bem como diagramas de componentes relacionados para cada uma das camadas. Táticas arquitetônicas De acordo com o instituto de engenharia de software uma tática arquitetônica é um meio de satisfazer uma exigência de qualidade, manipulando algum aspecto de um modelo de atributo de qualidade através de decisões de design arquitetônico. Um exemplo simples usado na arquitetura do sistema de negociação algorítmica é a manipulação de um armazenamento de dados operacional (ODS) com um componente de consulta contínua. Este componente analisaria continuamente o ODS para identificar e extrair eventos complexos. As seguintes táticas são usadas na arquitetura: O padrão de disruptor nas filas de evento e ordem Memória compartilhada para filas de evento e ordem Linguagem de consulta contínua (CQL) no ODS Filtragem de dados com o padrão de design de filtro em dados de entrada Algoritmos de evitação de congestionamento em todos (AQM) e notificação de congestionamento explícita Recursos de computação de commodities com capacidade de atualização (escalável) Redundância ativa para todos os pontos de falha únicos Indexação e estruturas de persistência otimizadas no ODS Programar scripts regulares de backup e limpeza de dados para ODS Histórico de transações em todos os bancos de dados Checksums para todas as ordens para detectar falhas Anotar eventos com timestamps para ignorar eventos viciados Regras de validação de ordem, por exemplo Quantidades máximas de comércio Componentes automatizados de comerciantes usam um banco de dados na memória para análise Autenticação em dois estágios para interfaces de usuário conectando-se aos ATs Criptografia em interfaces de usuário e conexões com os ATs Padrão de design de observador para MVC para gerenciar visualizações A lista acima é apenas alguns design Decisões que identifiquei durante o projeto da arquitetura. Não é uma lista completa de táticas. À medida que o sistema está sendo desenvolvido, táticas adicionais devem ser empregadas em vários níveis de granularidade para atender aos requisitos funcionais e não funcionais. Abaixo estão três diagramas que descrevem o padrão de design do disruptor, o padrão de design do filtro e o componente de consulta contínua. Visão Comportamental Esta visão de uma arquitetura mostra como os componentes e camadas devem interagir uns com os outros. Isso é útil ao criar cenários para testar projetos de arquitetura e para entender o sistema de ponta a ponta. Essa visão consiste em diagramas de seqüência e diagramas de atividades. Os diagramas de atividade que mostram o processo interno dos sistemas de negociação algorítmica e como os comerciantes devem interagir com o sistema de negociação algorítmico são mostrados abaixo. Tecnologias e frameworks O passo final na concepção de uma arquitetura de software é identificar tecnologias e frameworks potenciais que poderiam ser usados para realizar a arquitetura. Como princípio geral, é melhor aproveitar as tecnologias existentes, desde que satisfaçam adequadamente os requisitos funcionais e não funcionais. Uma estrutura é uma arquitectura de referência realizada, e. O JBoss é um framework que realiza a arquitetura de referência do JEE. As tecnologias e estruturas a seguir são interessantes e devem ser consideradas quando se implementa um sistema de negociação algorítmica: CUDA - NVidia tem uma série de produtos que suportam alta performance computação financeira modelagem. Pode-se conseguir até 50x melhorias de desempenho na execução de simulações Monte Carlo na GPU em vez da CPU. Apache River - River é um kit de ferramentas usado para desenvolver sistemas distribuídos. Ele foi usado como um framework para a construção de aplicativos baseados no padrão SBA Apache Hadoop - no caso de que o log penetrante é um requisito, então o uso do Hadoop oferece uma solução interessante para o problema de grandes dados. O Hadoop pode ser implantado em um ambiente em cluster que suporta tecnologias CUDA. AlgoTrader - uma plataforma de negociação algorítmica de código aberto. AlgoTrader poderia potencialmente ser implantado no lugar dos componentes automatizados do comerciante. FIX Engine - um aplicativo autônomo que suporta os protocolos Financial Information Exchange (FIX) incluindo FIX, FAST e FIXatdl. Embora não seja uma tecnologia ou um framework, componentes devem ser construídos com uma interface de programação de aplicativo (API) para melhorar a interoperabilidade do sistema e seus componentes. Conclusão A arquitetura proposta foi projetada para satisfazer requisitos muito genéricos identificados para sistemas de negociação algorítmicos. Em geral, os sistemas de negociação algorítmicos são complicados por três fatores que variam de acordo com cada implementação: Dependências de sistemas externos de empresa e de troca Desafiando requisitos não funcionais e Evoluindo constrangimentos arquitetônicos A arquitetura de software proposta precisaria ser adaptada caso a caso para Para satisfazer requisitos organizacionais e regulamentares específicos, bem como para superar restrições regionais. A arquitetura do sistema de negociação algorítmica deve ser vista como apenas um ponto de referência para indivíduos e organizações que desejam projetar seus próprios sistemas de negociação algorítmicos. Para obter uma cópia completa e as fontes usadas, faça o download de uma cópia do meu relatório. Obrigado. Há realmente somente 3 blocos principais em um sistema negociando de Algo. 2. Gerenciador de dados de mercado (por exemplo, manipulador FAST) 2. Módulo de Estratégia (por exemplo, estratégia crossOver) 3. Roteador de Pedidos (por exemplo, roteador FIX), você pode adicionar verificações de risco no Módulo de Estratégia ou no Módulo Router de Pedidos ou ambos. Assim seu fluxo de dados está correto, você deve ser bom para ir. Lembre-se que você está projetando um ATS para latência mínima, e adicionando mais camadas ou complexidade virá com o custo de latência. Arquitetura mínima ATS E se você adicionar os sinos e assobios, seria parecido com o seguinte: Se você também está interessado no nitty-gritty de implementação da arquitetura acima, você deve manter as seguintes coisas em mente. Evite locksmutexes. No caso de você ter que usá-lo, tente substituí-los com estruturas sem lockless usando atomics. Existem algumas bibliotecas disponíveis para estruturas de dados sem lock (por exemplo, libcds, kit de concorrência, etc). C-11 suporta std :: atômico. E você deve se esforçar para usá-los também. Evite o que é feito no QuickFIX. Sua escrita para safetyflexibilityreusability como objeto (lock) criação e destruição é feito para cada invocação de qualquer mensagem para o roteador. Certamente não há maneira de escrever um código de latência sensível. Sem alocação de memória de tempo de execução. Runtime pathway deve usar gerenciamento de memória personalizado e sem bloqueio com pool de memória pré-alocada. Toda a inicialização pode ser feita em construtores. Acoplamento apertado. O modelo Threading, o modelo IO eo gerenciamento de memória devem ser projetados para colaborar entre si para obter o melhor desempenho geral. Isso vai contra o conceito OOP de acoplamento frouxo, mas é necessário evitar o custo de tempo de execução do polimorfismo dinâmico. Use Modelos. Na mesma linha, gostaria também de sugerir que você olhar para C templatization para obter flexibilidade de código. OSHardware otimização: Finalmente, você deve olhar para trabalhar com Linux RT Kernel e Solarflare placa de rede com driver OpenOnLoad para alcançar latência mínima. Você ainda pode olhar para isolar o processador central e executar seu programa nesse núcleo particular. E, finalmente, a API pública que você precisaria expor aos desenvolvedores de estratégia. Gostaria que este fosse o conjunto mínimo que encapsulasse toda a complexidade daquela troca particular. Class OrderRouter public: bool virtual sendNewOrd (OrderInfo) 0 virtual bool sendRplOrd (OrderInfo) 0 virtual bool sendCxlOrd (OrderInfo) 0 virtualMas isso significa que a classe OrderInfo precisa ter TODOS os detalhes exigidos pelo destinationexchange. Em geral, as trocas requerem o mesmo tipo de informação, mas à medida que avançamos e apoiamos mais destinações de intercâmbio, você se veria adicionando mais variáveis nesta classe. A seguir estão os questionamentos importantes que você precisaria se perguntar: 1. Arquitetura multi-processo ou arquitetura Multi-Threaded. Seja para construir um processo monolítico com vários segmentos, ou escrever vários processos. O custo do processo múltiplo é a latência de passagem de mensagem, enquanto o custo para o processo único de vários threads é que qualquer falha pode derrubar todo o sistema. 2. Passagem de mensagens: enquanto você pode escolher entre uma infinidade de opções, você está restrito por consideração de latência. O IPC mais rápido seria memória compartilhada, mas então como você faria a sincronização gastar algum tempo com essas duas perguntas, porque eles seriam o bloco de construção em que sua arquitetura está. Edit: FIX e FAST Em relação ao protocolo popularstandard, FIX é para enviar ordens e FAST é para dados de mercado. Dito isto, a maioria das trocas tem seu próprio protocolo nativo que é mais rápido do que FIX, porque FIX é geralmente implementado em cima de seu protocolo nativo. Mas eles ainda suportam FIX acrescenta à velocidade de implantação. Por outro lado, enquanto o FIX é adotado pela maioria das trocas, o FAST não goza de tão ampla aceitação. Se houvesse alguma coisa, haveria apenas um punhado de câmbio adotando-a. A maioria deles ou enviar mais FIX-se (latência baixa), ou usar seu próprio protocolo binário nativo. por exemplo. Na Índia, NSE, BSE e MCXMCXSX, todas as três trocas dá-lhe protocolo FIX, além de protocolo nativo, mas apenas BSE dá-lhe FAST para dados de mercado. E isso também está mudando de FAST para nativo com a introdução de EOBI. Você pode extrapolar a mesma coisa para outras trocas. 3.9k Vistas middot Ver Upvotes middot Não é para reprodução Como John mencionado, OMS é o ponto crucial de qualquer plataforma de negociação e você deve começar a pesquisar sobre ele. Você teria que gastar tempo para determinar o ciclo de vida do comércio, eventos e recursos que deseja incorporar ao OMS e aqueles que você deseja que o Algo Engine manipule. Metcetera offers an open source OMS, I haven039t used it personally but it039s one of the few in the market. The next thing you should look at is providing an interface to source data in and push it out. This is for a client order entry system to throw in the order details and Algo engine to source it. A lot of Sell Side OMS039s use a combination of proprietary programs written in JavaC using FIX. FIX protocol allows you to communicate realtime across systems in a simplified amp pre-defined message format laid down by the FIX protocol community. Go to The FIX Protocol Organization gt Home page to read more about it. Also looks at Open Source FIX Engine. an open source implementation of the FIX engine. Next comes a Market Data interface to source realtime time security market information, data ranging from HighLowOpenClose to Best BidBest Ask, Total traded volume, Last price, Last volume, Bid quotes, Ask quotes etc. The information you seek really depends upon the type of strategy you wish to implement. I believe Interactive Broker provides a realtime data feed via FIX. Exchange connectivity is next where your Algo interprets the signals, create an order and routes to an Exchange or ECN. Developing it in-house could be tough as you would need to work out Exchange membership, certify your platform and pay a regular membership fee. A cheaper way is to use a broker API (like IB) and route the order through them. Historical data is of essence too as you might want to compare the current market behavior with its historical values. Parameters like average spread, VWAP profiles, average daily volume etc may be required to influence decision making. You can have it on database (preferred) but if speed of the essence then download it on the server cache when you begin your program. Once your peripheral systems are setup, you can start developing your algo program the way you want it to work. This basic infrastructure would allow you to input a parent algo order, read market data, react to the signals but generating child orders and placing it on the exchange order book and historical data to influence decision making. The OMS holds the linkage between the parent amp child order, their realtime statuses and updates by the algo or exchange connectivity platform. What you want to implement inside the Algo is completely up to you. 2.3k Views middot View Upvotes middot Not for ReproductionBest Programming Language for Algorithmic Trading Systems One of the most frequent questions I receive in the QS mailbag is What is the best programming language for algorithmic trading. The short answer is that there is no best language. Strategy parameters, performance, modularity, development, resiliency and cost must all be considered. This article will outline the necessary components of an algorithmic trading system architecture and how decisions regarding implementation affect the choice of language. Firstly, the major components of an algorithmic trading system will be considered, such as the research tools, portfolio optimiser, risk manager and execution engine. Subsequently, different trading strategies will be examined and how they affect the design of the system. In particular the frequency of trading and the likely trading volume will both be discussed. Once the trading strategy has been selected, it is necessary to architect the entire system. This includes choice of hardware, the operating system(s) and system resiliency against rare, potentially catastrophic events. While the architecture is being considered, due regard must be paid to performance - both to the research tools as well as the live execution environment. What Is The Trading System Trying To Do Before deciding on the best language with which to write an automated trading system it is necessary to define the requirements. Is the system going to be purely execution based Will the system require a risk management or portfolio construction module Will the system require a high-performance backtester For most strategies the trading system can be partitioned into two categories: Research and signal generation. Research is concerned with evaluation of a strategy performance over historical data. The process of evaluating a trading strategy over prior market data is known as backtesting . The data size and algorithmic complexity will have a big impact on the computational intensity of the backtester. CPU speed and concurrency are often the limiting factors in optimising research execution speed. Signal generation is concerned with generating a set of trading signals from an algorithm and sending such orders to the market, usually via a brokerage. For certain strategies a high level of performance is required. IO issues such as network bandwidth and latency are often the limiting factor in optimising execution systems. Thus the choice of languages for each component of your entire system may be quite different. Type, Frequency and Volume of Strategy The type of algorithmic strategy employed will have a substantial impact on the design of the system. It will be necessary to consider the markets being traded, the connectivity to external data vendors, the frequency and volume of the strategy, the trade-off between ease of development and performance optimisation, as well as any custom hardware, including co-located custom servers, GPUs or FPGAs that might be necessary. The technology choices for a low-frequency US equities strategy will be vastly different from those of a high-frequency statistical arbitrage strategy trading on the futures market. Prior to the choice of language many data vendors must be evaluated that pertain to a the strategy at hand. It will be necessary to consider connectivity to the vendor, structure of any APIs, timeliness of the data, storage requirements and resiliency in the face of a vendor going offline. It is also wise to possess rapid access to multiple vendors Various instruments all have their own storage quirks, examples of which include multiple ticker symbols for equities and expiration dates for futures (not to mention any specific OTC data). This needs to be factored in to the platform design. Frequency of strategy is likely to be one of the biggest drivers of how the technology stack will be defined. Strategies employing data more frequently than minutely or secondly bars require significant consideration with regards to performance. A strategy exceeding secondly bars (i. e. tick data) leads to a performance driven design as the primary requirement. For high frequency strategies a substantial amount of market data will need to be stored and evaluated. Software such as HDF5 or kdb are commonly used for these roles. In order to process the extensive volumes of data needed for HFT applications, an extensively optimised backtester and execution system must be used. CC (possibly with some assembler) is likely to the strongest language candidate. Ultra-high frequency strategies will almost certainly require custom hardware such as FPGAs, exchange co-location and kernalnetwork interface tuning. Research Systems Research systems typically involve a mixture of interactive development and automated scripting. The former often takes place within an IDE such as Visual Studio, MatLab or R Studio. The latter involves extensive numerical calculations over numerous parameters and data points. This leads to a language choice providing a straightforward environment to test code, but also provides sufficient performance to evaluate strategies over multiple parameter dimensions. Typical IDEs in this space include Microsoft Visual CC, which contains extensive debugging utilities, code completion capabilities (via Intellisense) and straightforward overviews of the entire project stack (via the database ORM, LINQ ) MatLab. which is designed for extensive numerical linear algebra and vectorised operations, but in an interactive console manner R Studio. which wraps the R statistical language console in a fully-fledged IDE Eclipse IDE for Linux Java and C and semi-proprietary IDEs such as Enthought Canopy for Python, which include data analysis libraries such as NumPy. SciPy. scikit-learn and pandas in a single interactive (console) environment. For numerical backtesting, all of the above languages are suitable, although it is not necessary to utilise a GUIIDE as the code will be executed in the background. The prime consideration at this stage is that of execution speed. A compiled language (such as C) is often useful if the backtesting parameter dimensions are large. Remember that it is necessary to be wary of such systems if that is the case Interpreted languages such as Python often make use of high-performance libraries such as NumPypandas for the backtesting step, in order to maintain a reasonable degree of competitiveness with compiled equivalents. Ultimately the language chosen for the backtesting will be determined by specific algorithmic needs as well as the range of libraries available in the language (more on that below). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen. Portfolio Construction and Risk Management The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of risky bets, but also minimise churn of the trades themselves, reducing transaction costs. Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system. The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio. Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C. MatLab also possesses extensively optimised matrix operations. Python utilises NumPySciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised) matrix library to carry this step out, so as not to bottleneck the trading system. Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies), increased correlations between asset classes, counter-party default, server outages, black swan events and undetected bugs in the trading code, to name a few. Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo stress tests. This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to throw hardware at the problem. Execution Systems The job of the execution system is to receive filtered trading signals from the portfolio construction and risk management components and send them on to a brokerage or other means of market access. For the majority of retail algorithmic trading strategies this involves an API or FIX connection to a brokerage such as Interactive Brokers. The primary considerations when deciding upon a language include quality of the API, language-wrapper availability for an API, execution frequency and the anticipated slippage. The quality of the API refers to how well documented it is, what sort of performance it provides, whether it needs standalone software to be accessed or whether a gateway can be established in a headless fashion (i. e. no GUI). In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API. I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason Most APIs will provide a C andor Java interface. It is usually up to the community to develop language-specific wrappers for C, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. 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 CJava 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 TCPIP, 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 IO, concurrencyparallelism 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 NumPySciPy. 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 (disknetwork 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 IO 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 allocationdeallocation 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 concurrencymultithreading. 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 78, 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 rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading
No comments:
Post a Comment