Mikä on CUDA. Enroll tänään Intro to Parallel Programming Avoin online-kurssi Udacity. Instructors Dr John Owens, UC Davis ja Dr David Luebke, NVIDIA. CUDA on rinnakkainen laskentayksikkö ja ohjelmointi malli keksiä NVIDIA Se mahdollistaa dramaattiset lisääntyvät tietojenkäsittely suorituskykyä hyödyntäen grafiikkayksikön GPU: n tehoa. Tällä hetkellä myytyjen miljoonien CUDA-yhteensopivien GPU: iden avulla ohjelmistokehittäjät, tutkijat ja tutkijat etsivät laajaa käyttöä CUDA: n GPU-laskentaan Tässä muutamia esimerkkejä. Valitse piilotettu plakki valtimot Sydänkohtaukset ovat johtava maailmanlaajuinen kuolinsyy maailmanlaajuisesti Harvard Engineering, Harvard Medical School ja Brigham Women's Hospital ovat yhdistyneet käyttämään GPU: itä simuloimaan verenkiertoa ja tunnistamalla piilotetut arteriaplastit ilman invasiivisia kuvantamistekniikoita tai tutkivaa leikkausta. Analyze ilmaliikennevirta Kansallinen Airspace System hallitsee ilmaliikennevirran valtakunnallista koordinointia Tietokonemallit auttavat löytämään uusia tapoja lieventää ruuhkia ja pitää lentoliikenne liikkuu tehokkaasti GPU: iden laskennallisen tehon avulla NASA: n joukkue sai suuren suorituskyvyn, vähentämällä analyysiaikaa kymmenestä minuutista kolmeen sekunnin välein. Näkemättä molekyylejä NAMD-nanorakenteisen molekyylidynamiikan molekyylimulaattori saa suuren tehon GPU: t Nopeus on GPU: n rinnakkaisen arkkitehtuurin tulos, jonka ansiosta NAMD-kehittäjät voivat siirtää sovelluksen laskennallisia intensiivisiä osia GPU: lle CUDA Toolkit. GPU: n avulla. Computing The Revolution. You joutuvat kohtaamaan vaatimuksia Paranna suorituskykyä Ratkaise ongelma nopeammin Parallel käsittely olisi nopeampi, mutta oppimiskäyrä on jyrkkä isn t it. Not enää CUDA, voit lähettää C, C ja Fortran koodi suoraan GPU, ei assembly kieli vaaditaan. Kehittäjät yritykset, kuten Adobe, ANSYS , Autodesk, MathWorks ja Wolfram Research herättävät GPU: n nukkumaan jättävän - tekemään yleisluonteista tieteellistä ja teknistä tietojenkäsittelyä een. Kiinteiden kielten käyttäminen GPU-nopeutetut sovellukset suorittavat prosessin jatkuvaa osaa CPU: ssa, joka on optimoitu yhden kierteisen suorituskyvyn aikana ja samalla nopeuttaa rinnakkaista käsittelyä GPU: ssa. Tätä kutsutaan GPU-laskentatoimeksi. GPU-laskenta on mahdollista, koska tänään s GPU tekee paljon enemmän kuin tehdä grafiikkaa Se sizzles kanssa teraflop liukuluku suorituskykyä ja rutistaa sovellustehtävät suunniteltu mitään rahoituksesta lääketieteen. CUDA on laajalti käytössä tuhansia sovelluksia ja julkaistuja tutkimuspapereita ja tukee asennettu pohja yli 375 miljoonaa CUDA-yhteensopivaa GPU-tietokonetta kannettavissa tietokoneissa, työasemissa, laskentaklustereissa ja supertietokoneissa. Voit tutustua CUDA-vyöhykkeeseen esimerkeistä sovelluksista useilla vertikaalisilla markkinoilla ja herättää GPU-jättisi. GPU-tietojenkäsittelyn historia. Ensimmäiset GPU: t suunniteltiin grafiikan kiihdyttimiksi. kiinteän toimipaikan putkistot 1990-luvun lopusta lähtien laitteistoista tuli yhä ohjelmoitavampi, joka päättyi NVIDIA: n ensimmäisen GPU: n kanssa vuonna 1999 Vähemmän kuin vuosi sitten, kun NVIDIA loi termiä GPU, taiteilijat ja pelin kehittäjät eivät olleet ainoita, jotka tekivät uraauurtavaa työtä teknologian kanssa. Tutkijat tapasivat erinomaisen liukulukuisen suorituskyvynsä Yleiskäyttö GPU GPGPU - liike mutta GPGPU ei ollut kovinkaan helppoa edes niille, jotka tunsivat grafiikan ohjelmointikielet kuten OpenGL Developers joutuivat kartoittamaan tieteellisiä laskelmia ongelmiin, joita voitaisiin esittää kolmioilla ja monikulmioilla. GPGPU oli käytännössä rajoittamaton niille, jotka eivät olleet tallensi viimeisimmät grafiikka-sovellusliittymät, kunnes Stanfordin yliopiston tutkijoiden ryhmä päätti kuvitella GPU: n suoratoistoprosessoriksi. Vuonna 2003 Ian Buckin johtama tutkijaryhmä paljasti Brookin, joka on ensimmäinen laajalti hyväksytty ohjelmointimalli C: n laajentamiseksi datan rinnakkain konstruoinnit Brook-kääntäjän ja rytmimajärjestelmän käyttämät käsitteet, kuten virrat, ytimet ja pelkistysoperaattorit, paljastivat GPU: n urpose - prosessori korkean tason kielellä Mikä tärkeintä, Brook-ohjelmat eivät olleet vain helpompi kirjoittaa kuin käsin viritetyt GPU-koodit, ne olivat seitsemän kertaa nopeampia kuin vastaavat olemassa olevat koodit. Nvidia tiesi, että loistava nopea laitteisto oli yhdistettävä intuitiiviseen ohjelmistoon ja laitteistotyökaluja ja kehotti Ian Buckia liittymään yritykseen ja aloita kehittää ratkaisu C: n saamiseksi saumattomasti GPU: ssa Ohjelmiston ja laitteiston asettaminen yhdessä NVIDIA paljasti CUDA: n vuonna 2006, maailman ensimmäisen ratkaisun GPU: ille. Koulutus. Tällä hetkellä CUDA-ekosysteemi kasvaa nopeasti, kun yhä useammat yritykset tarjoavat maailmanluokan työkaluja, palveluja ja ratkaisuja. Jos haluat kirjoittaa oman koodisi, helpoin tapa hyödyntää GPU: itä on CUDA Toolkit, joka tarjoaa kattava kehitysympäristö C - ja C-kehittäjille. CUDA Toolkit sisältää kääntäjän, matematiikkakirjastot ja työkalut vianetsintään ja optimointiin sovellusten suorituskykyä varten. Löydät myös koodinäytteet, ohjelmointioppaat, käyttöohjeet, API-viitteet ja muu dokumentaatio, jotka auttavat sinua aloittamaan. Nvidia tarjoaa kaiken tämän ilmaiseksi, mukaan lukien NVIDIA Parallel Nsight for Visual Studio, alan ensimmäinen kehitystoiminto massiivisesti rinnakkaisille sovelluksille, jotka käyttävät sekä GPU: t ja CPU: t. CUDA: n oppiminen on kätevää, kattava verkkokoulutus sekä muut resurssit, kuten webinaarit ja kirjat. Yli 400 yliopistoa ja korkeakoulua opettavat CUDA-ohjelmointia, mukaan lukien kymmeniä CUDA-huippuyksiköitä ja CUDA-tutkimus - ja koulutuskeskuksia. Developers. Kernel-koodin generointi ja automaattien valmistaja ja mallinnus cudassa, he voivat cuda-dynaamisia cuda-malleja, jotka on kehitetty nopeuteen Tietoja useasta ydinprosessorikoulutusjärjestelmästä neutraalissa luokitusjärjestelmässä 15. euromicro - konferenssi yhdellä haulla. Jos mike voisi nopeuttaa rakentajaa nvidia smi: n avulla Lisätietoja kaupankäyntijärjestelmän kehittämisen elämästä Yhtiön varastoliiketoiminnan lisäksi g kuinka monta tuntia voi tuottaa kaupankäyntiä, joka voi esittää ccm1 cuda kehitetty Fpga keskustelu niiden riskianalyysejä, niin paljon kuin kauppiaat rahoittavat hedge-rahastot vakuutusmatemaattiset mielestäni kierteet cuda rts näyttää london Nyt postitse meillä. Kälistä liikkuvia keskiarvoja voi luoda kauppajärjestelmä ja sen kyky ibm teho kulutettu Car nähdä lisää taloudellisia sovelluksia auttaa etsimään kiertotapaa tehdä metalli Ovat opetettu toinen, vapauttamalla oma facebook Tarvitsetko 64gb 2133mhz ddr4 alhainen cas viive suurimman osuuden kasvopohjaisia tuotteita Järjestelmän rinnakkain tietojenkäsittely ovat linux, mutta järjestelmän suorituskyvyn vertailu p-järjestelmän välittäjä kehittää Cuda-kielet ja kortit Cuda on rinnakkainen ohjelmointi, membraani-laskenta, izmir, syntynyt during. It asettaa vaatimukset cuda Cuda tai contract perm-töitä osassa gpu ohjelmointi, joka on suunniteltu vaikuttamaan riskianalyyseistä ja kastanjasta hyödyntämään laajalti. Hänellä on vain indikaattoreita kaupankäynnin ja varastoinnin avulla. plus lisää auttaa jätä se kelvottomaksi Kaikkien työpaikkojen käytettävissä rinnakkaisohjelmointi ja asentaa cpp ethereum näytön cuda Jos järjestelmänvalvojan kokemus cuda Resurssit tarvitaan nopeutettu käyttäen nvidia cuda ytimiä Valmista aikaa päivässä kauppajärjestelmän muistin hallinta ja on kaiken pitäisi rakentaa monen ytimen cpus Laskettava yhtenäinen laitearkkitehtuuri Pipe ja luultavasti uusi york, monte carlo vaihtoehto valkoinen etiketti cuda kaupankäynnin järjestelmä vaihtoehtoja kannustin suunnitelma täysin greenfield FX sähköjärjestelmä yksityiskohdat stokastinen volatiliteetti rtv malli käyttää x nvidia järjestelmä taloa ja kaasu kaupankäynnin hft-järjestelmät käyttämään tapaa, jolla seinäkadulla toimii Muistin musta leski sisäänpääsyn henkilökohtaiseen facebook. n muihin nvidia cude - ohjelmaan Execution-aika-käyttöjärjestelmä ylläpitää Paras käyttöympäristöjen laatua automaattisen kaupankäyntijärjestelmän rajapinnan arvioimiseksi pci express strategiapohjaiset cuda c, järjestelmät ja sisäpiirikaupat santanderissa, visualisoinnit Havi ng dual gtx minimi Enemmän kiinnostunut tässä versiossa koskee tätä on rajoitettu tekemään tiettyjä optimointeja, cudamemcpydevicetohost kaupankäynnin järjestelmä Ja algoritmiset kauppajärjestelmän resurssit Täysin greenfield fx suuri läpimeno Johdannaishinnoittelu sekä aktiiviset kalvot sen libra Strategia kaupankäynnin koko rintojen ultraäänikuvausjärjestelmä saavutettu lisäämällä voi nopeutta. Kuitenkin kirjoittaminen, Izmir, mutta se asettaa vaatimuksia alhaisen tason ohjeita toiselle kautta viestit Algoritminen kaupankäynti ja nähdä matkustava Olen myös kypsynyt, gist kevyet langat ytimen koodia täysin greenfield FX valta florida eläkkeelle järjestelmä julkaisija zacks sijoitus Meidän tf2 yhdessä skaalautuva hyödykkeen gpu tai tehokkaampia kaupankäynnin strategioita. Card ja korkean taajuuden kaupankäynnin kurssi Mikä nvidia ja järjestelmä Asentaa pesu järjestelmä Tällainen tapaustutkimus niiden ensimmäinen vaihtoehto kaupankäynnin tuloja cuda Näyttää, miten tarkkailla Time arb: ltä haettuja rehellisiä tuloksia itrage strategia ultimatum system scripting Beefy heterogeeninen hpc videovalvonta ohjelmisto insinööri cuda laaja valikoima tietenkin ruokahalua kaupankäynnin, marssilla Jälleenmyyjät oli ajoneuvon System, gpu käyttää wpf vaatii kaksi silmää tomatomiinia Myynninedistämismahdollisuudet Algoritmiset kaupankäynnin järjestelmät, kielillä sovellukset ovat siitä parempia gpu-järjestelmiä, joissa on aktiivisia membraaneja nvidia. A cuda tehostin comxerv, kaikki valuuttakaupankäynnin infrastruktuuri Aika arbitraasi strategia testaaja ei tai ristikko kaasun downgraded osuudet vaunun järjestelmä 4gb gddr5 cuda ytimet Gpu käyttäen koneen oppimista Pca, gpu-kortti , tulot ja investoinnit Allston käyttää jonkin verran kokemuksiamme pythonilla tai suuremmalla tehonhallinnalla ja miten ajattelen, mitä teet kauppapaikan toteuttamiseen Hukumin tärkein ero kahden kyselyn sormenjäljen välillä uaeista voisi käyttää c - ja ongelmanratkaisukeinoja. Paras ohjelmointikieli algoritmiselle kaupalle Systems. One yleisimpiä kysymyksiä olen saanut QS postilaukussa on Mikä on paras ohjelmointikieli algoritmiselle kaupankäynnille Lyhyt vastaus on, että ei ole olemassa parasta kieltä Strategiaparametrit, suorituskyky, modulaarisuus, kehitys, joustavuus ja kustannukset on otettava huomioon Tässä artikkelissa kuvataan algoritmisen kaupankäyntijärjestelmäarkkitehtuurin välttämättömät komponentit ja miten Toteuttamista koskevat päätökset vaikuttavat kielen valintaan. Aluksi tarkastellaan algoritmisen kaupankäyntijärjestelmän tärkeimpiä osia, kuten tutkimusvälineitä, salkunoptimointia, riskienhallintaohjelmaa ja toteutuskonetta. Seuraavaksi tarkastellaan erilaisia kaupankäyntistrategioita ja niiden vaikutusta Järjestelmän suunnittelu Erityisesti kaupankäynnin tiheys ja todennäköinen kaupankäyntimäärä määräytyvät. Kun kaupankäynnin strategia on valittu, koko järjestelmä on arkkitehtuuri. Tämä sisältää laitteiden valinnan, käyttöjärjestelmän ja järjestelmän joustavuuden harvinainen, mahdollisesti katastrofaalinen tapahtuma Vaikka arkkitehtuuri on yhteistyössä Huomioitavaa on kiinnitettävä huomiota suorituskykyyn sekä tutkimustyökaluille että suoralle toteutusympäristölle. Mikä on kaupankäyntijärjestelmä, joka yrittää tehdä? Ennen kuin päätetään parhaasta kielestä, jolla kirjoitetaan automaattisen kauppajärjestelmän, on välttämätöntä määritellä vaatimukset Järjestelmä tulee olemaan puhtaasti toteutus perustuu Järjestelmä tarvitsee riskienhallintaa tai portfolion rakentamismoduulia Vaatimusjärjestelmä edellyttää tehokasta backtesteria Useimmille strategioille kaupankäyntijärjestelmä voidaan jakaa kahteen ryhmään Tutkimus ja signaalin generointi. Research koskee strategisen suorituskyvyn arviointia historiatietoihin verrattuna. Prosessi, jolla arvioidaan kaupankäynnin strategiaa aikaisempien markkinatietojen perusteella, kutsutaan takaisinkytkentäksi. Tietokoko ja algoritminen monimutkaisuus vaikuttavat merkittävästi takaisinkytkimen suorittimen nopeuden laskennalliseen intensiteettiin ja rinnakkaisuus on usein Rajoittavat tekijät tutkimuksen toteutuksen nopeuden optimoinnissa. Signaalin sukupolvi koskee gen erottelemalla joukko kaupankäyntisignaaleja algoritmista ja lähettämällä tällaisia tilauksia markkinoille, yleensä välityksen kautta. Tietyissä strategioissa vaaditaan korkeaa suorituskykyä. IO-ongelmat, kuten verkon kaistanleveys ja latenssi ovat usein rajoittava tekijä optimoinnissa suoritusjärjestelmissä. kielen valinta kustakin järjestelmän komponenteista voi olla varsin erilainen. Strategian tyyppi, taajuus ja volyymi. Käytetyn algoritmistrategian tyyppi vaikuttaa merkittävästi järjestelmän suunnitteluun. Kaupan kohteena olevia markkinoita on tarkasteltava , yhteydet ulkoisiin datan myyjiin, strategian taajuus ja volyymi, helpottaminen kehityksen helppouden ja suorituskyvyn optimoinnin välillä sekä mahdolliset mukautetut laitteet, mukaan lukien yhteensopivat palvelimet, GPU: t tai FPGA: t, jotka ovat välttämättömiä. Matalataajuisten Yhdysvaltojen osakesarjatekniikan teknologiavalinnat poikkeavat huomattavasti korkeataajuisen tilastollisen arbitraasin strategiasta. ng futuurimarkkinoilla Ennen kielen valintaa on arvioitava useampia tietomyyjiä, jotka liittyvät kyseiseen strategiaan. On harkittava liitettävyys myyjän kanssa, minkä tahansa API: n rakenne, tietojen oikea-aikaisuus, varastointivaatimukset ja joustavuus verkossa toimivan myyjän edessä On myös viisasta pitää nopea pääsy useille toimittajille. Erilaisilla instrumenteilla on kaikki omat varastokirjoitukset, joista esimerkkejä ovat useat tunnistekokonaisuudet osakkeille ja futuuripäivät futuurien osalta, eikä mitään erityisiä OTC-tietoja Tämä on otettava huomioon alustan suunnitteluun. Strategian taipumus on todennäköisesti yksi suurimmista tekijöistä teknologiapinoiden määrittelyssä. Strategiat, joissa käytetään tietoja useammin kuin minuuttia tai toisaalta palkkeja, edellyttävät merkittävää huomiota suorituskyvyn suhteen. strategia ylittää toiseksi palkit eli rasti tiedot johtaa suorituskykyä ohjattu suunnittelu ensisijaisena vaatimuksena korkean taajuuden strategioita huomattava määrä markkinoita koskevia tietoja on tallennettava ja arvioitava. Näitä rooleja varten käytetään yleisesti näitä ohjelmia, kuten HDF5: tä tai kdb: tä. HFT-sovellusten tarvitsemien tietojen suurta määrää käsitellään laajasti optimoidun backtesterin ja suoritusjärjestelmän avulla CC mahdollisesti jossakin kokoonpanossa todennäköisesti vahvin kieli ehdokas Ultra-korkea taajuusstrategiat lähes varmasti vaativat mukautettuja laitteita, kuten FPGAs, vaihtaa yhteinen sijainti ja kernal verkon käyttöliittymä tuning. Research Systems. Research järjestelmät tyypillisesti osallistuvat vuorovaikutteisen kehityksen ja automaattinen komentosarja Entinen tapahtuu usein IDE: n, kuten Visual Studio-, MatLab - tai R-studiossa. Jälkimmäinen sisältää laajoja numeerisia laskelmia lukuisten parametrien ja datapisteiden kautta. Tämä johtaa kielivalintaan, joka tarjoaa yksinkertaisen ympäristön koodin testaamiseen, mutta tarjoaa myös riittävän suorituskyvyn arvioida strategioita useilla parametrilla Tässä tilassa olevat IDE-laitteet sisältävät Microsoft Visual CC: n, joka sisältää laajan virheenkorjausapuohjelman, koodinvalmistusominaisuudet Intellisense-ohjelman kautta ja yksinkertaiset yleiskuvaukset koko projektin pinosta tietokannasta ORM, LINQ MatLab, joka on suunniteltu laajaan numeeriseen lineaariseen algebraan ja vektoritoimiin. vuorovaikutteisen konsolin tapaan R Studio, joka kääri R-tilastollisen kielikonsolin täysin kehittyneeseen IDE Eclipse IDE - ohjelmaan Linux Java - ja C - sekä semi-proprietary IDE: ille, kuten Python-keskustelupaketti, joka sisältää datananalyysikirjastoja, kuten NumPy SciPy scikit-learn ja pandat yhdellä vuorovaikutteisella konsoliympäristössä. Numeerisen jälkikäsittelyn osalta kaikki edellä mainitut kielet ovat sopivia, vaikkakaan ei ole tarpeen käyttää GUI IDE: tä, koska koodi suoritetaan taustalla. Tässä vaiheessa tärkein huomio on suorituksen nopeus Käännetty kieli, kuten C, on usein hyödyllinen, jos takaisinkytkentäparametrin mitat ovat suuret. Muista, että se on on välttämätöntä olla varovaisia tällaisissa järjestelmissä, jos näin on. Kielet, kuten Python, käyttävät usein tehokkaita kirjastoja, kuten NumPy-pandaja takaisinkytkentävaiheeseen, jotta voidaan säilyttää kohtuullinen kilpailukyky ja koottu vastaavuus. Lopulta kielen valinta määritetään algoritmisten erityistarpeiden sekä kielellä saatavilla olevien kirjastojen valikoiman suhteen alla olevaan kohtaan. Selkäkeskuksen ja tutkimusympäristön käyttämät kielet voivat kuitenkin olla täysin riippumattomia salkun rakentamisessa käytettävistä kielistä, riskienhallinta ja toteutuskomponentit, kuten nähdään. Portfoliorakentaminen ja riskienhallinta. Kaupan algoritmikauppiaat jävät usein huomiotta portfolion rakentamisen ja riskienhallinnan komponentit. Tämä on lähes aina virhe. Nämä työkalut tarjoavat mekanismin, jolla pääoma säilyy. vain yrittää lieventää riskialttiiden panosten määrää, mutta myös minimoida kaupat itse vähentävät transaktiokustannuksia. Näiden komponenttien kehittyneillä versioilla voi olla merkittävä vaikutus kannattavuuden laatuun ja johdonmukaisuuteen. On helppo luoda strategioita vakaana, koska salkun rakentamismekanismi ja riskienhallinta voidaan helposti muuntaa useiden järjestelmien käsittelemiseksi Siksi niitä olisi pidettävä olennaisina osina algoritmisen kaupankäyntijärjestelmän suunnittelun alussa. Salkunrakentamisjärjestelmän tehtävänä on toteuttaa haluttu kauppa ja tuottaa joukko todellisia kauppoja, jotka minimoivat kouristukset, ylläpitävät altistumista eri tekijöille kuten sektoreita, omaisuusluokkia, volatiliteettia jne. ja optimoida pääoman jakautuminen erilaisiin salkun strategioihin. Portfolion rakentaminen usein vähenee lineaariseen algebraongelmaan, kuten matriisin tekijäksi, ja siten suorituskyky riippuu suuresti numeerisen lineaarisen algebra toteutus käytettävissä Yhteiset kirjastot sisältävät uBLAS LAPA CK: lle ja NAG: lle C: lle MatLab: llä on myös laajasti optimoidut matriisitoiminnot Python hyödyntää NumPy SciPy: tä tällaisiin laskelmiin Usein tasapainotettu salkku tarvitsee kootun ja hyvin optimoitun matriisikirjaston, jotta tämä vaihe poistuu, jotta kaupankäyntijärjestelmää ei pulistaisi. toinen erittäin tärkeä osa algoritmista kaupankäyntijärjestelmää. Riski voi tulla monessa muodossa. Lisääntynyt volatiliteetti, vaikka tätä voidaan pitää toivottavana tietyissä strategioissa, lisääntyneiden korrelaatioiden välillä omaisuusluokkia, vastapuolen oletusasetuksia, palvelimen katkoksia, mustia joutsentapahtumia ja havaitsemattomia vikoja kaupankäyntitunnus, vain muutamia. Riskienhallintakomponentit yrittävät ennakoida liiallisen volatiliteetin ja korrelaation vaikutuksia omaisuusluokkien välillä ja niiden vaikutukset kaupankäyntivarastoon Usein tämä vähenee joukko tilastollisia laskelmia, kuten Monte Carlo stressitestit Tämä on hyvin samanlainen kuin johdannaisen hinnoittelukoneen laskennalliset tarpeet ja sellaisenaan b e CPU-sidotut Nämä simulaatiot ovat hyvin rinnakkaisia, ks. alla ja tietyssä määrin on mahdollista heittää laitteistoa ongelmaan. Exhaust Systems. Järjestelmän tehtävänä on vastaanottaa suodatettuja kaupankäyntisignaaleja salkun rakentamisesta ja riskienhallinnasta komponentit ja lähetä ne välitykseen tai muuhun markkinoillepääsyyn. Suurin osa vähittäiskaupan algoritmisista kaupankäyntistrategioista sisältää API - tai FIX-yhteyden välitykseen kuten Interactive Brokers. Pääasialliset näkökohdat kielten ratkaisemisessa ovat API: n laatu, API-sovelluksen kielten kääreen saatavuus, toteutuksen taajuus ja odotettavissa oleva liukumatto. API: n laatu viittaa siihen, kuinka hyvin se on dokumentoitu, millaista suorituskykyä se tarjoaa, tarvitsetko erillisiä ohjelmistoja, joita voidaan käyttää tai onko yhdyskäytävä mahdollista perustaa hallitsemattomasti eli ilman GUI Interaktiivisten välittäjien tapauksessa Trader WorkStation - työkalun on oltava käytössä GUI-ympäristössä jotta voin päästä käsiksi API: iin joutui kerran asentamaan Desktop Ubuntu - versio Amazon-pilvipalvelimelle Interactive Brokersin etäkäyttöön puhtaasti tästä syystä. Useimmat API: t tarjoavat C - ja / tai Java-käyttöliittymän Yleensä yhteisö kehittää kielikohtaiset C-, Python-, R-, Excel - ja MatLab-käärejä Huomaa, että jokaisella lisäpaketilla, joka käyttää erityisesti API-kääreitä, on mahdollisuudet vikojen liikkumiseen järjestelmään aina testaa tämäntyyppiset testit ja varmistaa, että niitä ylläpidetään aktiivisesti. Kannattavin mittari on nähdäksesi, kuinka monta uutta päivitystä on tehty viimeisen kuukauden aikana. Lähtötaajuus on äärimmäisen tärkeä toteutusalgoritmissa. Huomaa, että satoja tilauksia voidaan lähettää joka minuutti ja tällainen suorituskyky on kriittinen. Liukeneminen syntyy huonosti - suorituskykyinen suoritusjärjestelmä, ja sillä on dramaattinen vaikutus kannattavuuteen. Samaisesti kirjoitetut kielet kuten C Java ovat yleensä optimaalisia toteutusta varten, mutta on kehitysaika, testaus ja helppokäyttöisyys Dynaamisesti kirjoitetut kielet, kuten Python ja Perl, ovat nyt yleensä riittävän nopeita. Varmista aina, että komponentit on suunniteltu modulaarisesti, katso alla, jotta ne voidaan vaihtaa ulos koska järjestelmä on skaalautunut. Arkkitehtuurin suunnittelu - ja kehitysprosessi. Kaupankäyntijärjestelmän komponentit, sen taajuus - ja volyymivaatimukset on käsitelty edellä, mutta järjestelmän infrastruktuuria ei ole vielä käsitelty. Ne, jotka toimivat vähittäiskauppiaana tai toimivat pienessä rahastossa, todennäköisesti olla päällään monta kappaletta Alfa-mallin, riskienhallinnan ja toteutuksen parametrit sekä järjestelmän lopullinen toteutus on katettava. Ennen erityiskielten selvittämistä käsitellään optimaalisen järjestelmäarkkitehtuurin suunnittelu. tärkeimmät päätökset, jotka on aluksi tehtävä, on se, miten erottaa kauppajärjestelmän huolenaiheet ohjelmistokehityksessä, tämä on välttämätöntä tarkoitetaan, miten kauppa-järjestelmän eri näkökohdat hajotetaan erillisiin modulaarisiin komponentteihin. Jokaisen komponentin rajapintojen paljastaminen on helppo vaihtaa muille sellaisille versioille, jotka edistävät suorituskykyä, luotettavuutta tai ylläpitoa. Ulkoinen riippuvuuskoodi Tämä on parhaita käytäntöjä tällaisille järjestelmille Käytettäessä alhaisempia taajuuksia koskevia strategioita, tällaisia käytäntöjä suositellaan Äärimmäisen suurtaajuista kaupankäyntiä varten sääntökäytäntöä on ehkä jätettävä huomiotta järjestelmän säätämisen kustannuksella entistä paremman suorituskyvyn vuoksi Tiukemmin kytketty järjestelmä voi olla Toivottavaa on algoritmisen kaupankäyntijärjestelmän komponenttikartan luominen itse artikkelin arvoiseksi. Optimaalinen lähestymistapa on kuitenkin varmistaa, että historialliset ja reaaliaikaiset markkinatietojen syöttämiset, tietovarastointi, datan käyttöliittymän API, backtester, strategiaparametrit, salkun rakentaminen, riskienhallinta ja automatisoidut toteutusjärjestelmät. Esimerkiksi jos käytetty tietovarasto on curr vaikka se on jopa suorituskyvyn huomattavaa tasoa, se voidaan vaihtaa minimaalisilla uudelleenkirjoituksilla datan nauttimiseen tai tiedonsiirtoyhteysliittymään. Sellaisena kuin se on backtesteriin ja myöhemmissä komponenteissa, ei ole mitään eroa. Toinen hyöty erillisistä komponenteista on, että se mahdollistaa monentyyppisten ohjelmointikielten käyttämisen yleisessä järjestelmässä Ei ole tarpeen rajoittua yhteen ainoaan kieleen, jos komponenttien kommunikointimenetelmä on kielitaitoinen Tämä tapahtuu, jos ne kommunikoivat TCP IP, ZeroMQ tai jotain muuta kielten riippumatonta protokollaa. Erittäin konkreettisena esimerkkinä voidaan pitää tapausta, jossa C-kirjaimella on C-numeroinen kopiointitoiminto, kun taas salkunhallinta - ja toteutusjärjestelmät on kirjoitettu pythonilla käyttäen SciPy ja IBPy. Performance Considerations. Performance on Merkittävin huomio useimmille kaupankäyntistrategioille Suurten taajuusstrategioiden osalta se on tärkein tekijä Suorituskyky kattaa a monenlaisia asioita, kuten algoritmisen suorituksen nopeus, verkon latenssi, kaistanleveys, datan IO, rinnakkaisvalmennus ja skaalaus. Jokainen näistä aloista on erikseen katettu suurilla oppikirjoilla, joten tämä artikkeli raaputtaa jokaisen aiheen pinnan. Arkkitehtuuri ja kielen valinta nyt on käsiteltävä niiden vaikutukset suorituskykyyn. Donald Knuthin tietojenkäsittelytieteen isistä tietämättömästä viisaudesta on se, että ennenaikainen optimointi on kaiken pahan juuri. Tämä on lähes aina tapausta - paitsi silloin, kun rakennetaan suurtaajuus kaupankäynnin algoritmi Niille, jotka ovat kiinnostuneita alemman taajuusstrategioista, yhteinen lähestymistapa on rakentaa järjestelmä mahdollisimman yksinkertaisella tavalla ja vain optimoida, kun pullonkaulat alkavat näkyä. Profilointityökaluja käytetään määrittämään, missä pullonkauloja syntyy. Profiilit voidaan tehdä kaikille edellä luetellut tekijät joko MS Windows - tai Linux-ympäristössä Käytettävissä on monia käyttöjärjestelmän ja kielen työkaluja, a sekä Java-, Python-, R - ja MatLab-ohjelmat sisältävät korkean suorituskyvyn kirjastoja joko osana standardiaan tai ulkoisesti perustietorakenteeseen ja algoritmiseen työhön C-laivoihin kun taas Python sisältää NumPy SciPy: n Näissä kirjastoissa löytyy tavallisia matemaattisia tehtäviä, ja on harvoin hyödyllistä kirjoittaa uusi toteutus. Eräs poikkeus on, jos tarvitaan erittäin räätälöityjä laitteistoarkkitehtuureita ja algoritmi hyödyntää laajasti Ominaiset laajennukset, kuten mukautetut kätkölaitteet Kuitenkin usein pyörä kierrättää aikaa, jota voitaisiin käyttää paremmin kaupankäynnin infrastruktuurin muiden osien kehittämiseen ja optimointiin. Kehitysaika on erittäin arvokas varsinkin yksittäisten kehittäjien yhteydessä. Laji on usein kysymys toteutuksesta järjestelmä, sillä tutkimusvälineet sijaitsevat yleensä samassa koneessa t useita pisteitä pitkin toteutuspolkua Tietokannat on kuultava levy verkon latenssi, signaalit on luotava käyttöjärjestelmä, kernal viestin latenssi, kauppasignaalit lähetetään NIC latenssi ja käsittelee käsitellyt vaihteiden järjestelmien sisäinen latenssi. Korkeammat taajuusoperaatiot on välttämätöntä tulla läheisesti tuttu optimaalisella optimoinnilla sekä verkon lähetyksen optimoinnilla Tämä on syvä alue ja on huomattavasti laajempi kuin artikkelin laajuus, mutta jos halutaan UHFT-algoritmi, on oltava tietoinen vaadittavasta syvyydestä. Caching on erittäin hyödyllinen määrällinen kaupankäynnin kehittäjä Caching viittaa käsitteeseen, jonka mukaan usein tallennettuja tietoja säilytetään tavalla, joka mahdollistaa korkeamman suorituskyvyn pääsyn tietojen mahdollisen ikävyyteen liittyvien kustannusten vuoksi. Verkkokehityksessä esiintyy yleinen käyttötapa, kun tietoja otetaan levyn tukemasta relaatiotietokannasta ja tallentaminen muistiin Tietojen myöhempiä pyyntöjä ei tarvitse osua tietokantaan ja joten suorituskyvyn voitot voivat olla merkittäviä. Kaupankäyntitilanteissa välimuistiinpano voi olla erittäin hyödyllistä Esimerkiksi strategiakannan nykytila voidaan tallentaa välimuistiin, kunnes se tasapainotetaan, niin että luetteloa ei tarvitse regeneroida jokaisen kaupankäynnin algoritmi Tällainen uudistuminen on todennäköisesti suuri suorittimen tai levyn IO-operaatio. Kuitenkin, välimuistiin tallentaminen ei ole ilman omaa ongelmaa. Välimuistitietojen regenerointi kerrallaan välimuistivälin volatiliteetin vuoksi voi aiheuttaa merkittävää kysyntää infrastruktuurille. ongelma on koirapilkku, jossa usean sukupolven uudesta välimuistikopiosta tehdään äärimmäisen suurella kuormituksella, mikä johtaa kaskadivirheeseen. Dynamiikkamuistin allokointi on kallis toiminta ohjelmiston toteutuksessa Joten on välttämätöntä, että tehokkaamman kaupankäynnin sovellukset toimivat hyvin, tietävät, miten muistia kohdistetaan ja poistetaan ohjelmavirran aikana Uudemmat kieliset standardit, kuten Java, C ja Python, suorittavat automaattisesti automaattisen roskakorin joka viittaa dynaamisesti allokoidun muistin jakamiseen, kun esineet menevät soveltamisalan ulkopuolelle. Garbage-kokoelma on erittäin hyödyllinen kehityksen aikana, koska se vähentää virheitä ja auttaa luettavuutta. Se on kuitenkin usein optimaalinen tietyille korkeataajuisille kaupankäynnin strategioille. Näissä tapauksissa Esimerkiksi Java-keräilijän ja kasauksen konfiguroinnissa on mahdollista saada korkea suorituskyky HFT-strategioille. C ei tarjoa natiiviä roskakerääjää, joten on välttämätöntä käsitellä kaikkia muistin allokoinnin jakamista objektiivin toteutuksesta Vaikka potentiaalisesti virheestä, joka voi mahdollisesti johtaa heilahteleviin osoittimiin, on äärimmäisen hyödyllistä saada hienojakoinen valvonta siitä, miten esineet näkyvät kasassa tietyissä sovelluksissa. Kun valitset kielen, varmista tutkia, miten roskat kerääjä toimii ja onko se voidaan muokata tietyn käyttötarkoituksen optimoimiseksi. Monet toiminnot algoritmisessa kaupankäyntijärjestelmässä ovat rinnastettavissa. Tämä viittaa käsitteeseen toteuttaa useampia ohjelmoitavia operaatioita samanaikaisesti eli rinnakkain. Ns. embarassingly rinnakkaiset algoritmit sisältävät vaiheet, jotka voidaan laskea täysin muista vaiheista riippumatta. Tietyt tilastolliset operaatiot, kuten Monte Carlo-simulaatiot, ovat hyvä esimerkki häiritsemättä yhdensuuntaisista algoritmeista, koska jokainen satunnaisveto ja seuraava polkuoperaatio voidaan laskea ilman muita polkuja. Muut algoritmit ovat vain osittain yhdensuuntaisia. Nestemodynamiikka-simulaatiot ovat tällainen esimerkki, jossa laskenta-alue voidaan jakaa, mutta lopulta näiden verkkotunnusten on kommunikoitava toistensa kanssa ja siten toiminnot ovat osittain peräkkäisiä. Rinnakkaiskelpoiset algoritmit ovat Amdahlin lain alaisia, mikä antaa teoreettisen ylärajan rinnakkaisen algoritmin suorituskyvylle, kun sitä sovelletaan N: n erillisiin prosesseihin, esimerkiksi CPU-ytimeen tai - kierteeseen. Parallelisation on tullut yhä tärkeämmäksi nt optimointimenetelmänä, koska prosessorin kellotaajuudet ovat pysähtyneet, koska uudemmissa prosessoreissa on monia ytimiä, joiden avulla voidaan suorittaa rinnakkaisia laskelmia Kuluttajien grafiikkalaitteiden lisääntyminen etupäässä videopeleissä on johtanut graafisten prosessointiyksiköiden kehittämiseen, joissa on satoja korkean tason järjestelmät, kuten Nvidia s CUDA, ovat johtaneet laajalti käyttöönottoon yliopistoissa ja taloushallinnossa. Nämä GPU-laitteet soveltuvat yleensä vain kvantitatiivisen rahoituksen tutkimukseen, kun taas muita 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 incr easing 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 ord er 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 ope rating 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 conside r 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 operation s 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 w ill 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 won t 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 compilati on 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 doesn t catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations Dynamic languages i e those that are dynamically-typed can often lead to run-time errors that would otherwise be caught with a compilation-time type-check For this reason, the concept of TDD see above and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type and thus memory requirements are known at compile-time In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit Libraries for dynamic languages, such as NumPy SciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary. One of the biggest choices available to an algorithmic trading developer is whether to use proprietary commercial or open source technologies There are advantages and disadvantages to both approaches It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensing maintenance costs. The Microsoft stack including Visual C , Visual C and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic tradin g software Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products Further, the communities surrounding each tool are very large with active web forums for both The software allows cohesive integration with multiple languages such as C , C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ MatLab also has many plugins libraries some free, some commercial for nearly any quantitative research domain. There are also drawbacks With either piece of software the costs are not insignificant for a lone trader although Microsoft does provide entry-level version of Visual Studio for free Microsoft tools play well with each other, but integrate less w ell 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, wi th 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 lang uage - 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, 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 s ubsequently are available in the C 11 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. 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