Diseño Algorítmico Del Sistema De Comercio

Como puramente un informático youre en la posición perfecta para empezar en el comercio algorítmico. Esto es algo que he visto de primera mano en Quantiacs 1. donde los científicos y los ingenieros son capaces de saltar a la derecha en el comercio automatizado sin ninguna experiencia previa. En otras palabras, las chuletas de programación son el ingrediente principal necesario para empezar. Para obtener una comprensión general de los desafíos que le esperan después de / durante la creación de un sistema de comercio algorítmico, echa un vistazo a este post de Quora. La construcción de un sistema comercial desde cero requerirá algunos conocimientos básicos, una plataforma de negociación, datos de mercado y acceso al mercado. Aunque no es un requisito, la elección de una sola plataforma de comercio que proporciona la mayoría de estos recursos le ayudará a ponerse al día rápidamente. Dicho esto, las habilidades que desarrolle serán transferibles a cualquier lenguaje de programación y casi cualquier plataforma. Lo creas o no, la construcción de estrategias de comercio automatizado no se basa en ser un experto en el mercado. Sin embargo, el aprendizaje de la mecánica básica del mercado le ayudará a descubrir estrategias comerciales rentables. Opciones, Futuros y Otros Derivados por John C. Hull - Gran primer libro para entrar en finanzas cuantitativas, y acercándolo desde el lado de las matemáticas. El comercio cuantitativo por Ernie Chan - Ernie Chan proporciona el mejor libro introductorio para el comercio cuantitativo y le guía a través del proceso de crear algoritmos que negocian en MATLAB y Excel. Negociación Algorítmica de Futuros a través del Aprendizaje Automático - Un desglose de 5 páginas de aplicación de un modelo simple de aprendizaje automático a los indicadores de análisis técnico comúnmente utilizados. Heres una lista de lectura agregada PDF con un desglose completo de libros, videos, cursos y foros de comercio. La mejor manera de aprender es haciendo, y en el caso de comercio automatizado que se reduce a la elaboración de gráficos y la codificación. Un buen punto de partida son los ejemplos existentes de sistemas de negociación y las exposiciones existentes de técnicas de análisis técnico. Por otra parte, un informático experto tiene el borde adicional de ser capaz de aplicar el aprendizaje de la máquina a la negociación algorítmica. Éstos son algunos de esos recursos: TradingView - Una fantástica plataforma de gráficos visuales por sí solo, TradingView es un gran patio de recreo para sentirse cómodo con el análisis técnico. Tiene el beneficio añadido de permitir que usted guíe las estrategias de comercio y navegar por otras ideas comerciales. Foro de Negociación Automatizado - Gran comunidad en línea para publicar preguntas para principiantes y encontrar respuestas a problemas comunes cuando recién comienza. Quant foros son un gran lugar para sumergirse en estrategias, herramientas y técnicas. Seminario de YouTube sobre ideas comerciales con ejemplos de código de trabajo en Github. Aprendizaje Automático: Se pueden encontrar más presentaciones sobre comercio automatizado en el Club Quantiacs Quant. La mayoría de las personas de un fondo científico (ya sea que la informática o ingeniería) han tenido la exposición a Python o MATLAB, que pasan a ser los idiomas populares para la financiación cuantitativa. Quantiacs ha creado una caja de herramientas de código abierto que proporciona backtesting y 15 años de datos históricos de mercado de forma gratuita. La mejor parte es que todo está construido en Python y MATLAB, dándole la opción de qué desarrollar su sistema. Heres una tendencia de la muestra de seguimiento de la estrategia comercial en MATLAB. Éste es todo el código necesario para ejecutar un sistema de comercio automatizado, mostrando tanto la potencia de MATLAB como la Caja de herramientas de Quantiacs. Quantiacs le permite intercambiar 44 futuros y todas las existencias del SampP 500. Además, se admite una variedad de bibliotecas adicionales como TensorFlow. Una vez que esté listo para ganar dinero como un cuant, puede unirse al último concurso de comercio automatizado de Quantiacs, con un total de 2.250.000 en inversiones disponibles: ¿Puede competir con los mejores quants? 16.7k Vistas middot Ver Upvotes (Disclaimer: Yo trabajo en Quantiacs) Middot No para la reproducción Esta respuesta ha sido completamente reescrita Aquí hay 6 base de conocimiento principal para la construcción de sistemas de negociación algorítmica. Usted debe estar familiarizado con todos ellos con el fin de construir sistemas comerciales eficaces. Algunos de los términos utilizados pueden ser ligeramente técnicos, pero usted debe ser capaz de entenderlos por Google. Nota: (La mayoría de) estos no se aplican si desea hacer el comercio de alta frecuencia 1. Teorías del mercado Usted necesita entender cómo funciona el mercado. Más específicamente, debe comprender las ineficiencias del mercado, las relaciones entre los diferentes activos / productos y el comportamiento de los precios. Las ideas comerciales surgen de ineficiencias del mercado. Usted tendrá que saber cómo evaluar las ineficiencias del mercado que le dan un borde de negociación frente a los que no. Diseñar robots eficaces implica entender cómo funcionan los sistemas de negociación automatizados. Esencialmente, una estrategia de negociación algorítmica consta de 3 componentes principales: 1) Entradas, 2) Salidas y 3) Posición de tamaño. Youll necesidad de diseñar estos 3 componentes en relación con la ineficiencia del mercado que está captando (y no, este no es un proceso sencillo). Usted no necesita saber matemáticas avanzadas (aunque ayudará si usted apunta construir estrategias más complejas). Buenas habilidades de pensamiento crítico y una comprensión decente de las estadísticas le llevará muy lejos. El diseño involucra backtesting (pruebas para el borde de negociación y robustez) y optimización (maximizando el rendimiento con ajuste de curva mínimo). Youll necesidad de saber cómo administrar un portafolio de estrategias de negociación algorítmica también. Las estrategias pueden ser complementarias o conflictivas, lo que puede dar lugar a aumentos no planificados de la exposición al riesgo o cobertura no deseada. La asignación de capital es importante también se divide el capital por igual durante los intervalos regulares o recompensar a los ganadores con más capital Si usted sabe qué productos desea comerciar, encontrar plataformas de negociación adecuadas para estos productos. A continuación, aprender el lenguaje de programación API de esta plataforma / backtesters. Si usted comienza hacia fuera, recomendaría Quantopian (acciones solamente), Quantconnect (acción y FX) o Metatrader 4 (FX y CFDs en índices de la equidad, valores y materias). Los lenguajes de programación utilizados son Python, C y MQL4 respectivamente. 4. Gestión de datos Basura en la basura. Los datos inexactos conducen a resultados de pruebas inexactos. Necesitamos datos razonablemente limpios para una prueba precisa. Los datos de limpieza son un equilibrio entre costo y precisión. Si desea obtener datos más precisos, debe dedicar más tiempo (dinero en el tiempo) a limpiarlo. Algunos problemas que causan datos sucios incluyen datos perdidos, datos duplicados, datos erróneos (señales negativas). Otras cuestiones que conducen a datos engañosos incluyen los dividendos, las divisiones de valores y los traspasos de futuros, etc. 5. Gestión de riesgos Existen dos tipos principales de riesgo: riesgo de mercado y riesgo operativo. El riesgo de mercado implica un riesgo relacionado con su estrategia de negociación. ¿Considera los peores escenarios? ¿Qué sucede si ocurre un evento de cisne negro como el de la 3ª Guerra Mundial? Ha protegido el riesgo no deseado ¿Su posición es demasiado alta? Además de gestionar el riesgo de mercado, debe examinar el riesgo operacional. El fallo del sistema, la pérdida de conexión a Internet, el algoritmo de ejecución deficiente (que conduce a unos precios mal ejecutados o los tráficos perdidos debido a la incapacidad de manejar requotes / alto deslizamiento) y el robo por parte de hackers son problemas muy reales. 6. Ejecución en vivo Backtesting y el comercio en vivo son muy diferentes. Youll necesidad de seleccionar corredores adecuados (MM vs STP vs ECN). Forex mercado de noticias con Forex Trading foros amp corredores de Forex es su mejor amigo, leer comentarios de broker allí. Necesita una infraestructura adecuada (VPN seguro, tiempo de inactividad, etc.) y procedimientos de evaluación (monitoree el desempeño de sus robots y analícelos en relación a la ineficiencia del mercado / backtests / op timisations) para administrar su robot durante toda su vida útil. Usted necesita saber cuándo intervenir (modificar / actualizar / apagar / urna t en sus robots) y cuando no. Evaluación y optimización de las estrategias de comercio Pardo (Grandes ideas sobre los métodos en la construcción y las estrategias de comercio de prueba) El comercio de su camino a la libertad financiera Van K Tharp (Ridiculous-Click título de cebo a un lado, este libro es una gran visión general a los sistemas de comercio mecánico) La microestructura del mercado es la ciencia de cómo funcionan los intercambios y lo que realmente sucede cuando se coloca un comercio Es importante conocer esta información A pesar de que está empezando) Algorithmic Trading DMA amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; amp; Como una hora de acostarse leer) Quantopian (Código, la investigación, y discutir ideas con la comunidad. Utiliza Python) Fundamentos de Algo Trading AlgoTrading101 (Renuncia: Soy propietario de este sitio / curso. Aprender teorías del diseño del robot, teorías del mercado y codificación. Utiliza MQL4) - Únete al desafío (Aprende los conceptos comerciales y las teorías de backtesting.) Desarrollaron recientemente su propia plataforma de backtesting y trading, por lo que esta parte es nueva para mí. Incluye foros de finanzas, comercio y comercio de algo): Lenguajes de programación recomendados: Si conoce los productos que desea comercializar, encuentre plataformas de negociación adecuadas para estos productos. A continuación, aprender el lenguaje de programación API de esta plataforma / backtesters. Si usted comienza hacia fuera, recomendaría Quantopian (acciones solamente), Quantconnect (acción y FX) o Metatrader 4 (FX y CFDs en índices de la equidad, valores y materias). Los lenguajes de programación utilizados son Python, C y MQL4 respectivamente. Aunque este es un tema muy amplio con referencias a la construcción de algoritmos, el establecimiento de la infraestructura, la asignación de activos y la gestión de riesgos, pero sólo me centraré en la primera parte de cómo debe ser el trabajo en la construcción de nuestro propio algoritmo , Y haciendo las cosas correctas. 1. Estrategia de construcción. Algunos de los puntos clave a tener en cuenta son: Capturar grandes tendencias - Una buena estrategia debe en todos los casos, ganar dinero cuando el mercado está en tendencia. Los mercados van con una buena tendencia que dura sólo 15-20 del tiempo, pero este es el momento en que todos los gatos y perros (los comerciantes de todo el tiempo, intradía, diario, semanal, a largo plazo) están de compras y todos ellos Tienen un tema común. Una gran cantidad de comerciantes también construir estrategias de reversión media en la que tratan de juzgar las condiciones cuando el precio se han alejado de la media, y tomar un comercio en contra de la tendencia, pero deben ser construidos cuando se han construido con éxito y negociado algunos buenos sistemas de tendencia siguiente . Las probabilidades de apilar - Las personas a menudo trabajan para tratar de construir un sistema que tiene una relación excelente ganancia / pérdida, pero que no es el enfoque correcto. Por ejemplo un algo con un ganador de 70 con una ganancia media de 100 por comercio y una pérdida promedio de 200 por comercio sólo hará 100 por 10 oficios (10 / trade net). Pero un algo con un ganador de 30 con ganancia media de 500 por comercio y pérdida de 100 por comercio hará un beneficio neto de 800 para 10 operaciones (80 / comercio). Por lo tanto, no es necesario que la relación ganancia / pérdida debe ser bueno, más bien las probabilidades de apilar lo que debería ser mejor. Esto va diciendo quotKeep las pérdidas pequeñas, pero deja correr a tus ganadores. En la inversión, lo que es cómodo rara vez es rentable. Robert Arnott Drawdown - Drawdown es inevitable, si está siguiendo cualquier tipo de estrategia. Así que al diseñar un algo don039t tratar de reducir la reducción o hacer alguna condición personalizada específica para cuidar de que la reducción. Esta condición específica puede en el futuro puede actuar como un obstáculo en la captura de una gran tendencia y su algo puede funcionar mal. Gestión de Riesgos - Al construir una estrategia, siempre debe tener una puerta de salida, lo que el mercado elige hacer. El mercado es un lugar de probabilidades y usted debe diseñar un algo para salir de un comercio tan pronto como sea posible si no encaja su apetito de riesgo. Normalmente se argumenta que usted debe arriesgar el 1-2 del capital en cada comercio, y es óptimo de muchas maneras como incluso si usted consigue arnd 10 operaciones falsas en la sucesión su capital bajará por solamente 20. Pero esto no es el En un escenario de mercado real. Algunas operaciones con pérdidas estarán entre 0-1, mientras que algunas pueden ir a 3-4, por lo que es mejor definir el promedio de pérdida de capital por comercio y el máximo de capital que se puede perder en un comercio, ya que los mercados son completamente al azar y no se puede juzgar . De vez en cuando, el mercado hace algo tan estúpido que quita el aliento. Jim Cramer 2. Prueba y optimización de un deslizamiento de la estrategia. Cuando estamos probando una estrategia sobre datos históricos, estamos bajo la suposición de que el pedido se ejecutará al precio predefinido que llega el algo. Pero esto nunca será el caso, ya que tenemos que lidiar con los creadores de mercado y algoritmos de HFT ahora. Su orden en el mundo de today039s nunca será ejecutada en el precio deseado, y habrá deslizamiento. Esto debe incluirse en las pruebas. Impacto en el mercado: El volumen comercializado por el algo es otro factor importante que debe considerarse al realizar back-testing y recopilar resultados históricos. A medida que el volumen aumenta, los pedidos realizados por algo tendrán un impacto considerable en el mercado y el precio promedio del pedido lleno será muy diferente. Su algo puede producir resultados diferentes en las condiciones reales del mercado, si no va a estudiar la dinámica de volumen que tiene su algo. Optimización: La mayoría de los comerciantes le sugieren que no haga ajuste de curva y sobre optimización y son correctos como los mercados son una función de variables aleatorias y ninguna situación dos será nunca lo mismo. Así que la optimización de parámetros para situaciones particulares es una mala idea. Te sugiero que vayas a la optimización de zonas. Es una técnica que yo sigo, comprando zonas de identificación que tienen características similares en términos de volatilidad y volumen. Optimizar estas áreas por separado, en lugar de optimizar para todo el período. Lo anterior son algunos de los pasos más básicos y más importantes que yo sigo, al convertir un pensamiento básico en un algoritmo y verificar su validez. Quot Todo el mundo tiene la capacidad intelectual para seguir el mercado de valores. Si lo lograste a través de matemáticas de quinto grado, puedes hacerlo. QuotPeter Lynch 15.3k Vistas middot Ver Upvotes middot No para Reproducción Para empezar con lo básico, ponte en contacto con Amibroker (AmiBroker - Download). Amibroker tiene un lenguaje fácil de aprender y potente motor de backtest donde puedes prototipar tus ideas. También obtener Howard Bandy 039s libro Quantitative Trading Systems. Este libro es una introducción muy buena a los conceptos de desarrollo cuántico. También necesitará al menos un conocimiento básico de las estadísticas. Hay un montón de buenos cursos MOOC disponibles para esto de forma gratuita. Tales como este Estadísticas Uno - Princeton University Coursera It039s también vale la pena seguir la calle entera. Que es un mashup de todos los blogs quant, muchos de los cuales publican código Amibroker con sus ideas. A partir de ahí, vale la pena aprender Python (aprender python - Google Search), y también hacer Andrew Ng039s excelente Stanford University Machine Learning curso, que se ejecuta de forma gratuita en Coursera. Si luego desea poner sus propios algoritmos a prueba, buenos sitios para que son Quantconnect o Quantopian. Por último, este chico tiene algunos buenos consejos para convertirlo en su carrera quantstart / Buena suerte con el viaje Partially taken from Alan Clement039s respuesta a ¿Cómo puede un desarrollador de software en finanzas convertirse en un desarrollador cuán 15.1k Vistas middot Ver Upvotes middot Not for Reproduction Kristopher Wuollett. IOS, ex-desarrollador de sistemas de trading Respuesta corta: aprender matemáticas aplicadas al comercio, la estructura de los mercados y, opcionalmente, ser un programador de red / sistemas distribuidos. Hay tres pistas potencialmente paralelas que se pueden tomar para aprender el comercio algorítmico desde cero, dependiendo del propósito último de por qué desea aprenderlo. Aquí están en orden creciente de dificultad que también se correlaciona con cuánto se convierte en su parte de su sustento. Las anteriores abrirán las oportunidades para las siguientes. Usted puede detenerse en cualquier paso del camino una vez que haya aprendido lo suficiente o haya conseguido un trabajo haciéndolo. Si quieres ser un quant, en su mayoría utilizar software de matemáticas y no ser un programador de un sistema de algo, entonces la respuesta corta es obtener un doctorado en Matemáticas, Física o algún tema de ingeniería relacionada con matemáticas pesadas. Trate de obtener pasantías en los mejores fondos de cobertura, tiendas de apoyo o bancos de inversión. Si usted puede conseguir empleado de una empresa exitosa, entonces se le enseñó de otra manera, simplemente won039t suceder. Pero en cualquier caso, todavía debe terminar la sección 039Self Study039 a continuación para asegurarse de que realmente quiere pasar por el esfuerzo de obtener un doctorado. A menos que seas un genio, si no tienes un doctorado, no podrás competir con los que lo hacen a menos que te especialices en la programación de sistemas comerciales. Si desea estar más en el lado de la programación, trate de aplicar para el empleo después de cada paso, pero no a menudo de una vez al año por empresa. Auto estudio El primer paso es entender lo que el comercio algorítmico realmente es y qué sistemas se requieren para apoyarla. I039d recomiendo leer a través de quotAlgorithmic Trading amp DMAquot (Johnson, 2010), algo que personalmente lo hice y puedo recomendar. Eso le permitirá entender a un nivel básico. A continuación, debe programar su propio libro de órdenes, un simple simulador de datos de mercado y una implementación de algoritmos con Java o C / C. Para obtener un crédito adicional que ayudaría a conseguir empleo, debe escribir su propia capa de comunicación en red desde cero también. En este punto usted puede ser capaz de terminar de responder a la pregunta por su cuenta. Pero para la completitud y la curiosidad, no dude en continuar: El próximo libro a abordar es quotTrading amp Intercambios: Microstructura de mercado para practicantes (Harris, 2003). Esto pasará a detalles más finos de cómo funcionan los mercados. Es otro libro que he leído, pero no completamente estudiado porque yo era un programador de sistemas y no un quant ni un gerente en el lado de los negocios. Por último, si desea comenzar a aprender las matemáticas sobre cómo funcionan los mercados, trabaje a través del texto y de los problemas en QuotOptions, Futures y Other Derivatives (Hull, 2003). Lo hice a través de la mitad de ese libro de texto ya sea en preparación o como parte de la formación interna en uno de mis antiguos empleadores. Creo que originalmente se enteró de que el libro, ya que se sugirió o lectura obligatoria para uno de los programas bien considerados de MS Matemática Financiera. Escuela Para potencialmente obtener una mejor oportunidad de empleo a través de un programa de alimentador de nuevo-graduado, completar un programa de Matemáticas Financiera MS si desea ser un programador de una plataforma de negociación o un equipo de quants. Si desea ser el diseñador de los algos, entonces usted necesita tomar la ruta de doctorado explicado anteriormente. Si todavía no ha terminado la universidad, entonces por todos los medios, trate de obtener una pasantía en el mismo tipo de lugares. Empleo No importa cuánto aprendas en los libros y en la escuela, nada se comparará con los pequeños detalles que aprendes mientras trabajas para una empresa. Si no conoce todos los casos límite y sabe cuándo el modelo deja de funcionar, perderá dinero. Espero que las respuestas a su pregunta y que a lo largo de la forma de aprender que usted descubre si realmente desea la transición del estudio al trabajo cotidiano real. 17.2k Vistas middot Ver Upvotes middot No es ReproducciónIt Doesnt Seem Possible. Pero es con nuestras estrategias de negociación algorítmica No parece posible. Un sistema de negociación algorítmico con tanta identificación de tendencias, análisis de ciclos, flujos de volumen de compra / venta, múltiples estrategias de negociación, entrada dinámica, precios de destino y stop y tecnología de señal ultra rápida. Pero es. De hecho, la plataforma algorítmica del sistema de comercio AlgoTrades es la única de su tipo. No más de búsqueda de acciones calientes, sectores, materias primas, índices o opiniones de mercado de lectura. Algotrades realiza toda la búsqueda, sincronización y trading para usted utilizando nuestro sistema de trading algorítmico. Las estrategias probadas de AlgoTrades se pueden seguir manualmente recibiendo email y las alertas del texto de SMS, o puede ser 100 negociar de las manos libres, su hasta usted Usted puede dar vuelta apagado / automatizado negociando en cualquier momento así que usted está siempre en control de su destiny. Sistemas automatizados de negociación para inversores expertos Copyright 2016 - ALGOTRADES - Sistema automatizado de negociación algorítmica CFTC REGLA 4.41 - RESULTADOS HIPOTÉTICOS O SIMULADOS DE RENDIMIENTO TIENEN CIERTAS LIMITACIONES. DESCONOCIDO UN REGISTRO DE RENDIMIENTO REAL, LOS RESULTADOS SIMULADOS NO REPRESENTAN COMERCIO REAL. TAMBIÉN, DADO QUE LOS COMERCIOS NO HAN SIDO EJECUTADOS, LOS RESULTADOS PUEDEN TENERSE COMPARTIDOS POR EL IMPACTO, EN CASO DE, DE CIERTOS FACTORES DE MERCADO, COMO LA FALTA DE LIQUIDEZ. LOS PROGRAMAS DE COMERCIO SIMULADOS EN GENERAL ESTÁN SUJETOS AL FACTOR DE QUE SEAN DISEÑADOS CON EL BENEFICIO DE HINDSIGHT. NO SE HACE NINGUNA REPRESENTACIÓN QUE CUALQUIER CUENTA TENDRÁ O ES POSIBLE PARA LOGRAR GANANCIAS O PÉRDIDAS SIMILARES A LOS MOSTRADOS. No se está haciendo ninguna representación ni implica que el uso del sistema algorítmico de comercio generará ingresos o garantizará un beneficio. Existe un riesgo sustancial de pérdida asociado con los mercados de futuros y los fondos negociados en bolsa. El comercio de futuros y el intercambio de valores negociados en bolsa implican un riesgo sustancial de pérdida y no es apropiado para todos. Estos resultados se basan en resultados de rendimiento simulados o hipotéticos que tienen ciertas limitaciones inherentes. A diferencia de los resultados mostrados en un registro de desempeño real, estos resultados no representan el comercio real. Además, debido a que estas operaciones no se han ejecutado realmente, estos resultados pueden tener una o una compensación excesiva para el impacto, si alguno, de ciertos factores de mercado, como la falta de liquidez. Los programas comerciales simulados o hipotéticos en general también están sujetos al hecho de que están diseñados con el beneficio de la retrospectiva. No se hace ninguna representación de que cualquier cuenta tenga o sea probable obtener ganancias o pérdidas similares a las que se muestran. La información en este sitio web ha sido preparada sin tener en cuenta los objetivos de inversión, la situación financiera y las necesidades particulares de los inversores y aconseja además a los suscriptores no actuar sobre cualquier información sin obtener asesoramiento específico de sus asesores financieros para no confiar en la información del sitio web como base principal Para sus decisiones de inversión y para considerar su propio perfil de riesgo, tolerancia al riesgo y sus propias pérdidas de paro. - powered by Enfold WordPress ThemeBest Lenguaje de programación para Algorithmic Trading Systems Una de las preguntas más frecuentes que recibo en el mailbag QS es ¿Cuál es el mejor lenguaje de programación para el comercio algorítmico. La respuesta corta es que no hay mejor lenguaje. Los parámetros de la estrategia, el rendimiento, la modularidad, el desarrollo, la resiliencia y el costo deben ser considerados. Este artículo describirá los componentes necesarios de una arquitectura algorítmica de sistemas de comercio y cómo las decisiones relativas a la implementación afectan la elección del lenguaje. En primer lugar, se considerarán los componentes principales de un sistema de negociación algorítmica, como las herramientas de investigación, el optimizador de cartera, el gestor de riesgos y el motor de ejecución. Posteriormente, se examinarán diferentes estrategias comerciales y cómo afectarán el diseño del sistema. En particular, se discutirá la frecuencia de las operaciones y el probable volumen de negociación. Una vez que se ha seleccionado la estrategia de negociación, es necesario diseñar todo el sistema. Esto incluye la elección del hardware, el sistema operativo y la resiliencia del sistema frente a eventos raros y potencialmente catastróficos. Mientras se está considerando la arquitectura, se debe tener en cuenta el desempeño - tanto en las herramientas de investigación como en el entorno de ejecución en vivo. ¿Qué es el sistema de comercio que trata de hacer Antes de decidir sobre el mejor idioma con el que escribir un sistema de comercio automatizado es necesario definir los requisitos. ¿El sistema va a ser puramente basado en la ejecución? El sistema requerirá una gestión de riesgos o un módulo de construcción de cartera. El sistema requerirá un backtestter de alto rendimiento. Para la mayoría de las estrategias el sistema de negociación puede dividirse en dos categorías: Investigación y generación de señales. La investigación se ocupa de la evaluación del desempeño de una estrategia con respecto a los datos históricos. El proceso de evaluación de una estrategia de negociación sobre los datos de mercado anteriores se conoce como backtesting. El tamaño de los datos y la complejidad algorítmica tendrán un gran impacto en la intensidad computacional del backtester. La velocidad de la CPU y la concurrencia son a menudo los factores limitantes en la optimización de la velocidad de ejecución de la investigación. Generación de señal se refiere a la generación de un conjunto de señales comerciales de un algoritmo y el envío de estos pedidos al mercado, por lo general a través de una correduría. Para ciertas estrategias se requiere un alto nivel de rendimiento. Los problemas de E / S, como el ancho de banda de la red y la latencia, son a menudo el factor limitante en la optimización de los sistemas de ejecución. Por lo tanto, la elección de lenguajes para cada componente de todo el sistema puede ser muy diferente. Tipo, frecuencia y volumen de la estrategia El tipo de estrategia algorítmica empleada tendrá un impacto sustancial en el diseño del sistema. Será necesario considerar los mercados que se negocian, la conectividad con los proveedores de datos externos, la frecuencia y el volumen de la estrategia, el equilibrio entre la facilidad de desarrollo y la optimización del rendimiento, así como cualquier hardware personalizado, Servidores, GPUs o FPGAs que puedan ser necesarios. Las opciones tecnológicas para una estrategia de renta variable de baja frecuencia en los Estados Unidos serán muy diferentes de las de una estrategia de arbitraje estadístico de alta frecuencia que se negocia en el mercado de futuros. Antes de la elección del idioma muchos proveedores de datos deben ser evaluados que pertenecen a la estrategia de la mano. Será necesario considerar la conectividad con el proveedor, la estructura de cualquier API, la puntualidad de los datos, los requisitos de almacenamiento y la resiliencia frente a un vendedor que se desconecta. También es aconsejable poseer acceso rápido a múltiples vendedores. Varios instrumentos tienen sus propias peculiaridades de almacenamiento, ejemplos de los cuales incluyen múltiples símbolos ticker para las acciones y fechas de vencimiento para futuros (sin mencionar ningún dato OTC específico). Esto debe ser factorizado en el diseño de la plataforma. Frecuencia de la estrategia es probable que sea uno de los mayores impulsores de cómo la pila de tecnología se definirá. Las estrategias que emplean datos con más frecuencia que las barras minuciosas o secundarias requieren una consideración significativa con respecto al desempeño. Una estrategia que excede las barras secundarias (es decir, los datos de la señal) conduce a un diseño impulsado por el rendimiento como requisito primario. En el caso de las estrategias de alta frecuencia, será necesario almacenar y evaluar una cantidad sustancial de datos de mercado. El software tal como HDF5 o kdb se utiliza comúnmente para estas funciones. Con el fin de procesar los volúmenes extensos de datos necesarios para las aplicaciones de HFT, un sistema de backtester y de ejecución ampliamente optimizado debe ser utilizado. C / C (posiblemente con algún ensamblador) es probable que el candidato de idioma más fuerte. Las estrategias de frecuencia ultra-alta casi seguramente requerirán hardware personalizado como FPGAs, intercambio de co-location y kernal / network tuning. Sistemas de investigación Los sistemas de investigación suelen implicar una mezcla de desarrollo interactivo y secuencias de comandos automatizadas. El primero a menudo tiene lugar dentro de un IDE como Visual Studio, MatLab o R Studio. Este último implica cálculos numéricos extensos sobre numerosos parámetros y puntos de datos. Esto conduce a una elección de idioma que proporciona un entorno sencillo para probar el código, pero también proporciona un rendimiento suficiente para evaluar estrategias sobre múltiples dimensiones de parámetros. Los IDE típicos en este espacio incluyen Microsoft Visual C / C, que contiene extensas utilidades de depuración, capacidades de finalización de código (a través de Intellisense) y visiones generales directas de toda la pila de proyectos (a través de la base de datos ORM, LINQ) MatLab. Que está diseñado para el álgebra lineal numérica extensa y operaciones vectorizadas, pero en una forma de consola interactiva R Studio. Que envuelve la consola de lenguaje estadístico R en un IDE IDE Eclipse completamente desarrollado para Linux Java y C y IDEs semi-propietarios como Enthought Canopy para Python, que incluyen bibliotecas de análisis de datos como NumPy. SciPy. Scikit-learn y pandas en un solo ambiente interactivo (consola). Para el backtesting numérico, todos los idiomas anteriores son adecuados, aunque no es necesario utilizar una GUI / IDE, ya que el código se ejecutará en segundo plano. La consideración principal en esta etapa es la de la velocidad de ejecución. Un lenguaje compilado (como C) suele ser útil si las dimensiones del parámetro de backtesting son grandes. Recuerde que es necesario ser cauteloso de tales sistemas si ese es el caso Lenguajes interpretados como Python a menudo hacen uso de las bibliotecas de alto rendimiento como NumPy / pandas para el paso de backtesting, con el fin de mantener un grado razonable de competitividad con compilado Equivalentes. En última instancia, el idioma elegido para el backtesting se determinará por necesidades específicas algorítmicas, así como el rango de bibliotecas disponibles en el idioma (más sobre esto a continuación). Sin embargo, el lenguaje utilizado para el backtest y los entornos de investigación puede ser completamente independiente de los utilizados en la construcción de la cartera, la gestión de riesgos y los componentes de ejecución, como se verá. Construcción de la cartera y gestión del riesgo Los componentes de la construcción de la cartera y de la gestión del riesgo son a menudo pasados ​​por alto por los comerciantes algorítmicos minoristas. Esto es casi siempre un error. Estas herramientas proporcionan el mecanismo por el cual el capital será preservado. No sólo tratan de aliviar el número de apuestas riesgosas, sino que también minimizan el churn de los propios oficios, reduciendo los costos de transacción. Versiones sofisticadas de estos componentes pueden tener un efecto significativo en la calidad y consistencia de la rentabilidad. Es fácil crear una serie de estrategias, ya que el mecanismo de construcción de la cartera y el gestor de riesgos pueden modificarse fácilmente para manejar múltiples sistemas. Por lo tanto, deben ser considerados componentes esenciales al inicio del diseño de un sistema de comercio algorítmico. El trabajo del sistema de construcción de cartera es tomar un conjunto de operaciones deseadas y producir el conjunto de operaciones reales que minimizan el churn, mantienen exposiciones a diversos factores (tales como sectores, clases de activos, volatilidad, etc.) y optimizan la asignación de capital a varios Estrategias en una cartera. La construcción de la cartera se reduce a menudo a un problema de álgebra lineal (tal como una factorización de matriz) y por lo tanto el rendimiento depende en gran medida de la efectividad de la implementación de álgebra lineal numérica disponible. Las bibliotecas comunes incluyen uBLAS. LAPACK y NAG para C. MatLab también posee operaciones de matriz ampliamente optimizadas. Python utiliza NumPy / SciPy para tales cálculos. Una cartera frecuentemente reequilibrada requerirá una biblioteca de matrices compilada (y bien optimizada) para llevar a cabo este paso, para no obstaculizar el sistema de comercio. La gestión de riesgos es otra parte muy importante de un sistema de comercio algorítmico. El riesgo puede venir en muchas formas: Aumento de la volatilidad (aunque esto puede ser visto como deseable para ciertas estrategias), aumento de las correlaciones entre las clases de activos, el incumplimiento de las contrapartes, las interrupciones del servidor, los eventos del cisne negro y los errores no detectados en el código comercial pocos. Los componentes de gestión de riesgos tratan de anticipar los efectos de la volatilidad excesiva y la correlación entre las clases de activos y sus efectos subsiguientes sobre el capital comercial. A menudo esto se reduce a un conjunto de cálculos estadísticos tales como las pruebas de esfuerzo de Monte Carlo. Esto es muy similar a las necesidades computacionales de un motor de fijación de precios de derivados y, como tal, estará vinculado a la CPU. Estas simulaciones son altamente paralelas (ver abajo) y, hasta cierto punto, es posible lanzar hardware al problema. Sistemas de Ejecución El trabajo del sistema de ejecución es recibir señales de comercio filtradas de los componentes de construcción de cartera y gestión de riesgos y enviarlos a una correduría u otros medios de acceso al mercado. Para la mayoría de las estrategias comerciales de negociación algorítmica, esto implica una conexión API o FIX a una correduría como Interactive Brokers. Las consideraciones principales al decidir sobre un idioma incluyen la calidad de la API, la disponibilidad de un contenedor de lenguaje para una API, la frecuencia de ejecución y el anticipo anticipado. La calidad de la API se refiere a lo bien documentado que es, qué tipo de rendimiento que proporciona, si necesita un software independiente que se accede o si una puerta de enlace se puede establecer sin cabeza (es decir, sin GUI). En el caso de Interactive Brokers, la herramienta Trader WorkStation debe estar ejecutándose en un entorno GUI para acceder a su 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 and/or 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 C/Java are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCP/IP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy . Performance Considerations Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data I/O, concurrency/parallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPy/SciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disk/network latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk I/O operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocation/deallocation as part of an objects implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in parallel. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrency/multithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensing/maintenance costs. The Microsoft. NET 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. NET software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQL/C), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it.