Arkitektur Of Algo Trading System

Systemarkitektur AlgoTrader-arkitekturen består av følgende komponenter. AlgoTrader Server gir infrastrukturen for alle strategier som kjører på toppen av den. AlgoTrader Server har den største Esper Complex Event Processing (CEP) - motoren. Det er ansvarlig for alle domenemodellobjekter og deres utholdenhet i databasen. Ulike markedsdataadaptere er tilgjengelige for å behandle levende og historiske markedsdata. I den andre enden er adapters for forskjellige utførelsesmeglere og - utvekslinger tilgjengelige, som er ansvarlige for å plassere ordrer og motta henrettelser. AlgoTrader Server tilbyr også forretningskomponenter for porteføljestyring, ytelsesmåling, risikostyring, pengehåndtering, opsjonsprising, avstemming, Forex-sikring og parameteroptimalisering. På toppen av AlgoTrader Server kan noen strategier distribueres. AlgoTrader har en eventdrevet arkitektur som benytter en dedikert Esper CEP-motor per strategi. En strategi kan distribuere et antall SQL-lignende Esper-setninger for tidsbasert markedsdataanalyse og generering av signaler. Esper-setninger kan påberope seg noen prosedyrehandlinger, for eksempel å legge inn en bestilling eller lukke en posisjon, som er kodet i Java. Kombinasjonen av Esper-setninger og Java-kode gir en best-of-both-worlds tilnærming. For styring og overvåkning av systemet finnes det fire forskjellige GUI-klienter. Den nye AlgoTrader HTML5 Frontend gir handelsrelatert funksjonalitet som kartlegging, ordre, posisjoner amp marked data. AlgoTrader Eclipse-klienten er standardstrategiutviklingsmiljøet. EsperHQ-klienten styrer Esper CEP-motoren. The Grails-klienten er en generisk klient for referansedatastyring. For produktive installasjoner og distribusjon bruker AlgoTrader Docker. AlgoTrader 3.1 integrerer InfluxDB Jan-20-2017 AlgoTrader integrerer InfluxDB for lagring av levende og historiske markedsdata. Med InfluxDB kan millioner av flått lagres og brukes til back testing. Introdusere AlgoTrader 3.0 8211 Den kraftigste AlgoTrader ennå Apr-07-2016 AlgoTrader 3.0 er utgitt. Denne utgaven inkluderer den nye HTML5 Frontend, ett klikk distribusjon med Docker, tre nye Execution Algorithms og en Excel-basert Back Test Report. Introduksjon av AlgoTrader One-Click Installasjon ved Docker Mar-15-2016 AlgoTrader 3.0 introduserer ett klikk trading strategi installasjoner drevet av Docker AlgoTrader Lisensvilkår VILKÅRENE OG BETINGELSENE I DENNE ENDRE BRUKER LISENSAVTALEN (8220AGREEMENT8221) REGNSKAP DIN BRUK AV PROGRAMVAREN UTEN DU, OG LICENSOREN, HAR UTBYTTET EN SEPARAT SKRIFTLIG LISENSAVTALE FOR DIN BRUK AV PROGRAMVAREN. Lisensgiveren er villig til å lisensiere Programvaren til deg bare under forutsetning av at du godtar alle vilkårene i denne avtalen. Ved å signere denne avtalen eller ved å laste ned, installere eller bruke programvaren, har du angitt at du forstår denne avtalen og godtar alle vilkårene. Hvis du ikke godtar alle vilkårene i denne avtalen, er lisensgiveren uvillig til å lisensiere programvaren til deg, og du kan ikke laste ned, installere eller bruke programvaren. 1. GRANT AV LISENS a. Evaluering Bruk og utvikling Bruk lisens. Med forbehold om at du overholder vilkårene i denne avtalen, gir lisensgiveren deg en personlig, ikke-eksklusiv, ikke-overførbar lisens, uten rett til underlicensiering for denne avtalens løpetid, for internt bruk av Programvaren utelukkende for Evaluering Bruk og utvikling Bruk. Tredjeparts programvareprodukter eller - moduler levert av Lisensgiveren, hvis noen, kan bare brukes med Programvaren, og kan være underlagt godkjenning av vilkår og betingelser gitt av slike tredjeparter. Når lisensen avsluttes, må du slutte å bruke Programvaren og avinstallere alle forekomster. Alle rettigheter som ikke spesifikt er gitt deg her, beholdes av Lisensgiveren. Utvikler skal ikke bruke kommersiell bruk av Programvaren eller noe avledd arbeid derav (inkludert for Developer8217s egne interne forretningsformål). Kopiering og omfordeling, i noen form, til programvaren eller utviklerprogrammet til dine direkte eller indirekte kunder er forbudt. b. Produksjon Bruk Lisens. Med forbehold om at du overholder vilkårene i denne avtalen, inkludert betaling av gjeldende lisensavgift, gir lisensgiveren deg et ikke-eksklusivt og ikke-overførbart lisens, uten rett til underlicens for denne avtalens løpetid, til : (a) Bruk og reprodusere Programvaren utelukkende for eget interne forretningsformål (8220Produksjon Use8221) og (b) Lag et rimelig antall kopier av Programvaren utelukkende for sikkerhetskopiering. Slike lisenser er begrenset til det spesifikke antallet CPUer (hvis lisensiert av CPU) eller forekomster av Java Virtual Machines (hvis lisenser av virtuell maskin) som du har betalt lisensavgift for. Bruken av programvaren på et større antall CPUer eller forekomster av Java Virtual Machines vil kreve betaling av en ekstra lisensavgift. Tredjeparts programvareprodukter eller - moduler levert av Lisensgiveren, hvis noen, kan bare brukes med Programvaren. c. Ingen andre rettigheter. Dine rettigheter i og for å benytte deg av, er Programvaren begrenset til de som er uttrykkelig gitt i denne delen. Du vil ikke gjøre noe annet av Programvaren. Med mindre det er uttrykkelig lisensiert i denne seksjonen, gir Lisensgiveren deg ingen andre rettigheter eller lisenser, implicit, estoppel eller på annen måte. ALLE RETTIGHETER UTEN UTTRYKKELIG GITT HER, ER RESERVERT AV LISENSOREN ELLER DETS LEVERANDØRER. 2. BEGRENSNINGER Med unntak av uttrykkelig angitt i § 1, vil du ikke: (a) modifisere, oversette, demontere, opprette avledede verk av Programvaren eller kopiere Programvaren (b) leie, låne, overføre, distribuere eller gi noen rettigheter i Programvare i hvilken som helst form for enhver person (c) gi, offentliggjøre, avsløre eller gjøre tilgjengelig for eller tillate bruk av Programvaren av en tredjepart (d) publisere noen benchmark - eller ytelsestester som kjøres på Programvaren eller en del derav eller ( e) fjerne eventuelle proprietære merknader, etiketter eller merkinger på Programvaren. Du vil ikke distribuere Programvaren til en person på frittstående basis eller på grunnlag av originalt utstyrsproduktør (OEM). 3. EGENSKAP Som mellom partene er programvaren og vil forbli lisensgiverens eneste og eksklusive eiendom, inkludert alle immaterielle rettigheter deri. en. I tilfelle du bruker Programvaren under lisensen angitt under § 1 (a), forblir denne avtalen i kraft for evaluerings - eller utviklingsperioden. b. I tilfelle du bruker Programvaren under lisensen som er fastsatt i avsnitt 1 (b), forblir denne avtalen enten (a) for en periode på ett år dersom det er kjøpt som en årlig abonnementslisens eller (b) vedvarende hvis den er kjøpt som en evigvarende lisens. En årlig abonnementslisens fornyes automatisk med ett år, med mindre det er avsluttet med en måned før varsel. Denne avtalen avsluttes automatisk uten varsel hvis du bryter vilkårene i denne avtalen. Ved oppsigelse må du straks slutte å bruke Programvaren og ødelegge alle kopier av Programvaren i besittelse eller kontroll. 5. SUPPORT SERVICES Hvis du har kjøpt denne lisensen, inkludert Support Services, inkluderer disse vedlikeholdsutgivelser (oppdateringer og oppgraderinger), telefonstøtte og e-post eller nettbasert støtte. en. Lisensgiveren vil gjøre kommersielt fornuftig innsats for å gi en oppdatering utformet for å løse eller omgå en rapportert feil. Hvis en slik feil er korrigert i en vedlikeholdsutgave, må lisensinnehaveren installere og implementere den aktuelle vedlikeholdslisensen, ellers kan oppdateringen gis i form av en midlertidig reparasjon, prosedyre eller rutine, som skal brukes til en vedlikeholdsutgave som inneholder den permanente oppdateringen er tilgjengelig. b. Under lisensavtalen skal lisensgiveren gi vedlikeholdsutgivelser tilgjengelig for Lisenstaker hvis, når og når Lisensgiver gjør slike vedlikeholdsutgivelser generelt tilgjengelige for sine kunder. Hvis et spørsmål oppstår om et produkttilbud er en oppgradering eller et nytt produkt eller en funksjon, vil lisensor8217s oppfatning seire, forutsatt at lisensgiveren behandler produkttilbudet som et nytt produkt eller en funksjon for sine sluttbrukerkunder generelt. c. Licensor8217s forpliktelse til å yte Support Services er betinget av følgende: (a) Lisenstaker gjør rimelig innsats for å rette feilen etter samråd med Lisensgiveren (b) Lisenstaker gir Lisensgiveren tilstrekkelig informasjon og ressurser til å rette feilen enten på Licensor8217s nettsted eller via ekstern tilgang til Licensee8217s nettsted, samt tilgang til personell, maskinvare og eventuelle tilleggsprogrammer som er involvert i å oppdage feilen. (c) Lisenstaker installerer øyeblikkelig alle vedlikeholdsutgivelser og (d) Lisenstaker anskaffer, installerer og vedlikeholder alt utstyr, kommunikasjon grensesnitt og annen maskinvare som er nødvendig for å betjene produktet. d. Lisensgiveren er ikke forpliktet til å yte Support Services i følgende situasjoner: (a) Produktet er endret, endret eller skadet (bortsett fra hvis det er underlagt direkte tilsyn av Lisensgiveren) (b) Feilen er forårsaket av Licensee8217s uaktsomhet, maskinvarefeil eller andre årsaker utenfor lisensgiverens fornuftige kontroll. c) Feilen er forårsaket av tredjepartsprogramvare som ikke er lisensiert gjennom lisensgiveren. d) Lisenstaker har ikke installert og implementert vedlikeholdslisens (er) slik at produktet er en versjon som støttes av Lisensgiver eller (e) Lisenstaker har ikke betalt Lisensavgifter eller Support Services avgifter ved forfall. I tillegg er Lisensgiver ikke forpliktet til å gi Support Services for programvarekode skrevet av kunden selv basert på Produktet. e. Lisensgiveren forbeholder seg retten til å avbryte støttetjenestene dersom lisensgiveren etter eget skjønn bestemmer at fortsatt støtte for noe produkt ikke lenger er økonomisk praktisk. Lisensgiveren vil gi Lisensinnehaver minst tre (3) måneder forutgående skriftlig varsel om slik opphør av Support Services og vil refundere eventuelle uopptjente Support Services avgifter Lisenstaker kan ha forhåndsbetalt med hensyn til det berørte Produktet. Lisensgiveren har ingen forpliktelse til å støtte eller vedlikeholde noen versjon av Produktet eller underliggende tredjepartsplattformer (inkludert men ikke begrenset til programvare, JVM, operativsystem eller maskinvare) som produktet støttes med, bortsett fra (i) den gjeldende versjonen av Produkt og underliggende tredjepartsplattform, og (ii) de to umiddelbart tidligere versjoner av Produkt og operativsystem i en periode på seks (6) måneder etter at den først er erstattet. Lisensgiveren forbeholder seg retten til å suspendere utførelsen av Støttetjenestene dersom Lisenstaker ikke betaler noe beløp som skal betales til Lisensgiveren i henhold til avtalen innen tretti (30) dager etter at beløpet forfaller. 6. GARANTI a. Lisensgiveren garanterer at programvaren vil kunne utføre i alle vesentlige henseender i samsvar med funksjonsspesifikasjonene som er angitt i gjeldende dokumentasjon i en periode på 90 dager etter datoen du installerte Programvaren. I tilfelle brudd på slik garanti, skal Lisensgiveren, etter eget valg, rette Programvaren eller erstatte slik programvare gratis. Ovennevnte er din eneste og eksklusive rettsmidler og lisensgiver8217s eneste ansvar for brudd på disse garantiene. Garantiene ovenfor er laget til og til fordel for deg. Garantiene gjelder kun hvis (a) programvaren er riktig installert og brukt til enhver tid og i samsvar med bruksanvisningen (c) de siste oppdateringene er blitt brukt på programvaren og (c) ingen endring, endring eller tillegg har blitt gjort til programvaren av andre enn lisensgiveren eller lisensgiveren som er autorisert representant. 7. DISCLAIMER Bortsett fra det som kan leveres i henhold til seksjon 6 a), utelukker lisensgiveren ALDRI ALLE GARANTIER, UTTRYKKELIG ELLER UNDERFORSTÅTET, INKLUDERT ALLE UNDERFORSTÅTE GARANTIER OM SALGBARHET, EGNETHET TIL ET BESTEMT FORMÅL OG IKKE-OVERTRYKKELSE, OG ENGELTE GARANTIER SOM OPPBYGGES UTEN FORHANDLING AV FORHANDLING ELLER BRUK AV HANDEL. INGEN RÅDGJØRING ELLER INFORMASJON, UANSETT MUNTLIG ELLER SKRIFTLIG, HVIS OPPFINNT FRA LISENSOR ELLER ANNET, SKAL OPPETE EN GARANTI IKKE UTTRYKKELIG STILT I DENNE AVTALEN. Lisensgiveren gir ingen garanti for at programvaren vil oppfylle dine krav eller operere under dine spesifikke bruksforhold. Lisensgiveren gir ingen garanti for at driften av programvaren vil være sikker, feilfri eller fri for avbrudd. DU MÅ DETERMINERE OM PROGRAMVAREPRODUKTET TILGJENGER KRAV DITT KRAV TIL SIKKERHET OG UTSIKTIGHET. DU HAR ENHVER ANSVAR OG ALLE ANSVAR FOR NOEN TAP, SOM ER FORRETET TIL Å UNDTÅ AV PROGRAMVAREPRODUKTET FOR Å MØTE DIN KRAV. LISENSGIVEREN VIL IKKE, UNDER NOEN OMSTENDIGHETER, ANSVARLIG ELLER ANSVARLIG FOR TAP AV DATA PÅ NOEN DATAMASKINER FOR DATAMASKINER ELLER INFORMASJON. 8. ANSVARSBEGRENSNING LICENSOR8217S TOTAL ANSVAR TIL DIG FRA ALLE ÅRSAKER AV HANDLING OG UNDER ALLE ANSVARSORORIER, VIL BEGRENSES TIL OG IKKE OVERGÅR LISENSAVGIFTEN BETALT AV DU TIL LISENSOREN FOR SOFTWAREN. LICENSOREN ER INGEN ANSVARLIG FOR DIG FOR SIKKERHET, TILFELDIGE, SØKELIGE, PUNITIVE ELLER FØLGESKADER (INKLUDERT TAP AV BRUK, DATA, VIRKSOMHET ELLER RESULTAT) ELLER FOR KOSTNADEN TIL Å OPPLEVERE SUBSTITUTE PRODUKTER SOM OPPSTÅR ELLER I FORBINDELSE MED DENNE AVTALE ELLER ANVENDELSE ELLER YTELSE AV PROGRAMVAREN, UANSETT OM DENNE ANSVARSOMRÅDET FREMRAGER SOM ENKEL BEGRENSNING AV KONTRAKT, GARANTI, SKADER (INKLUDERT UANSIKTIGHET), STRIKT ANSVAR ELLER ANNET, OG HVIS ELLER LISENSOREN ER UNDERVIST OM MULIGHETEN FOR DETTE TAB ELLER SKADER. DE FOREGÅENDE BEGRENSNINGER OVERVIRKER OG GJELDER SELV OM NOEN BEGRENSET REMEDYG SOM ER SPESIFISERT I DENNE AFTALEN, FUNKSJONER HAR FJELLET AV DET ESSENSIELLE FORMÅLET. I DEN HENSYN TIL AT DEN ANSVARLIGE JURISDIKSJONEN BEGRENSER LICENSOR8217S MULIGHET TIL Å FREMGE ENHVER UNDERFORSTÅTE GARANTIER, ER DENNE UTSLIPPEN EFFEKTIV I DEN TILGJENGELIGE MULIGHETEN. 9. GENERELT Dersom noen bestemmelse i denne avtalen skal anses for ugyldig eller ikke mulig, skal resten av denne avtalen forbli fullstendig i kraft. I den utstrekning noen uttrykte eller underforståtte begrensninger ikke er tillatt i henhold til gjeldende lover, skal disse uttrykte eller underforståtte restriksjoner forbli gyldige og effektive i den grad det er tillatt i henhold til slike gjeldende lover. Denne avtalen er den fullstendige og eksklusive avtalen mellom partene med hensyn til emnet herav, erstatter og erstatter alle tidligere avtaler, kommunikasjoner og forståelser (både skriftlig og muntlig) angående et slikt emne herom. Partene i denne avtalen er uavhengige entreprenører, og har heller ikke makt til å binde den andre eller å pådra seg forpliktelser på vegne av andre. Ingen fiasko fra noen part til å utøve eller håndheve noen av sine rettigheter i henhold til denne Avtalen, vil fungere som et frafall av slike rettigheter. Vilkår og betingelser som er angitt i en hvilken som helst kjøpsordre eller annet bestillingsdokument som er uforenlig med eller i tillegg til vilkårene i denne avtalen, blir herved avvist av Lisensgiveren og vil bli ansett som null og uten virkning. Denne avtalen vil bli tolket og tolket i samsvar med lovene i Sveits, uten hensyn til lovens prinsipper. Partene herved samtykker til eksklusiv jurisdiksjon og sted for domstoler i Zürich, Sveits for å løse eventuelle tvister som oppstår eller er knyttet til denne avtalen. 10. DEFINISJONER 8220Evaluering Use8221 betyr bruk av Programvaren utelukkende for evaluering og prøveversjon for nye applikasjoner som er ment for din produksjonsbruk. 8220Produksjon Use8221 betyr bare å bruke programvaren for intern forretningsformål. Produksjonsbruk inkluderer ikke rett til å reprodusere Programvaren for underlicensiering, videresalg eller distribusjon, inkludert, men ikke begrenset, drift ved en tidsdeling eller distribusjon av programvaren som en del av en ASP-, VAR-, OEM-, distributør - eller forhandlerarrangement. 8220Software8221 betyr lisensor8217s-programvaren og alle dens komponenter, dokumentasjon og eksempler som er inkludert av lisensgiveren. 8220Error8221 betyr enten (a) en feil i produktet for å overholde spesifikasjonene i dokumentasjonen, noe som resulterer i manglende evne til å bruke eller begrensninger i bruken av produktet, andor (b) et problem som krever nye prosedyrer, avklaringer , tilleggsinformasjon og eller forespørsler om produktforbedringer. 8220Maintenance Release8221 betyr oppgraderinger og oppdateringer til produktet som blir gjort tilgjengelig for lisensierte brukere i henhold til standardtjenestene som er definert i avsnitt 5. 8220Update8221 betyr enten en programvareendring eller tillegg som korrigerer feilen eller en prosedyren eller rutinen som, når den observeres i produktets normale drift, eliminerer den praktiske skadelige virkningen av feilen på Lisenstaker. 8220Upgrade8221 betyr en revisjon av produktet utgitt av lisensgiveren til sine sluttbrukerkunder generelt under Support Services Term, for å legge til nye og forskjellige funksjoner eller for å øke produktets kapasitet. Oppgradering inkluderer ikke utgivelsen av et nytt produkt eller tilleggsfunksjoner som det kan være en separat kostnad for. Algoritmisk handelssystemarkitektur Tidligere på denne bloggen har jeg skrevet om den konseptuelle arkitekturen til et intelligent algoritmisk handelssystem, i tillegg til funksjonelle og ikke-kommersielle - funksjonelle krav til et produksjonsalgoritmisk handelssystem. Siden da har jeg designet en systemarkitektur som jeg tror kunne tilfredsstille de arkitektoniske kravene. I dette innlegget vil jeg beskrive arkitekturen i henhold til retningslinjene for ISOIECIEEE 42010-systemene og programvare engineering arkitektur beskrivelse standard. I følge denne standarden må en arkitekturbeskrivelse inneholde flere standardiserte arkitektoniske visninger (for eksempel i UML) og opprettholde sporbarhet mellom designbeslutninger og arkitektoniske krav. Programvarearkitekturdefinisjon Det er fortsatt ingen konsensus om hva en systemarkitektur er. I sammenheng med denne artikkelen er det definert som den infrastrukturen der applikasjonskomponenter som tilfredsstiller funksjonelle krav kan spesifiseres, distribueres og utføres. Funksjonelle krav er de forventede funksjonene til systemet og dets komponenter. Ikke-funksjonelle krav er tiltak der kvaliteten på systemet kan måles. Et system som fullt ut tilfredsstiller sine funksjonelle krav, kan fortsatt ikke oppfylle forventningene dersom ikke-funksjonelle krav blir igjen utilfredsstillende. For å illustrere dette konseptet, vurder følgende scenario: Et algoritmisk handelssystem som du nettopp har kjøpt bygget gjør gode handelsbeslutninger, men er helt ubrukelig med organisasjonene risikostyring og regnskapssystemer. Ville dette systemet oppfylle dine forventninger Konceptuell arkitektur En konseptuell oversikt beskriver begreper og mekanismer på høyt nivå som eksisterer i systemet på høyeste nivå av granularitet. På dette nivået følger det algoritmiske handelssystemet en eventdrevet arkitektur (EDA) fordelt på fire lag, og to arkitektoniske aspekter. For hvert lag og aspekt brukes referansearkitekturer og mønstre. Arkitektoniske mønstre er bevist, generiske strukturer for å oppnå spesifikke krav. Arkitektoniske aspekter er tverrgående bekymringer som spenner over flere komponenter. Eventdrevet arkitektur - en arkitektur som produserer, oppdager, forbruker og reagerer på hendelser. Hendelser inkluderer markedsbevegelser i realtid, komplekse hendelser eller trender, og handelshendelser, f. eks. sende inn en bestilling. Dette diagrammet illustrerer den konseptuelle arkitekturen til det algoritmiske handelssystemet Referansearkitekturer For å bruke en analogi, er en referansearkitektur ligner tegningene for en bærende vegg. Denne blå utskriften kan brukes til flere byggedesigner uavhengig av hvilken bygning som bygges ettersom den oppfyller et sett av vanlig forekommende krav. På samme måte definerer en referansearkitektur en mal som inneholder generiske strukturer og mekanismer som kan brukes til å konstruere en konkret programvarearkitektur som tilfredsstiller spesifikke krav. Arkitekturen for det algoritmiske handelssystemet bruker en plassbasert arkitektur (SBA) og en modellvisningskontroll (MVC) som referanser. God praksis som operativ datalager (ODS), ekstrakttransformerings - og belastnings-ETL-mønsteret, og et datalager (DW) benyttes også. Modellvisningskontroll - et mønster som skiller representasjonen av informasjon fra brukerens samhandling med den. Plassbasert arkitektur - spesifiserer en infrastruktur hvor løst koblede behandlingsenheter samhandler med hverandre gjennom et felles associativt minne som kalles plass (vist nedenfor). Strukturell utsikt Strukturvisningen av en arkitektur viser komponentene og delkomponentene i det algoritmiske handelssystemet. Det viser også hvordan disse komponentene distribueres på fysisk infrastruktur. UML-diagrammene som brukes i denne visningen, inkluderer komponentdiagrammer og distribusjonsdiagrammer. Nedenfor er et galleri av distribusjonsdiagrammer for det generelle algoritmiske handelssystemet og prosesseringsenhetene i SBA-referansearkitekturen, samt relaterte komponentdiagrammer for hvert lag. Arkitektonisk taktikk Ifølge programvare engineering instituttet er en arkitektonisk taktikk et middel til å tilfredsstille et kvalitetskrav ved å manipulere noe aspekt av en kvalitetsattributmodell gjennom arkitektoniske designbeslutninger. Et enkelt eksempel brukt i den algoritmiske handelssystemarkitekturen er å manipulere en operativ datalager (ODS) med en kontinuerlig spørringskomponent. Denne komponenten vil kontinuerlig analysere ODS for å identifisere og trekke ut komplekse hendelser. Følgende taktikk brukes i arkitekturen: Forstyrrelsesmønsteret i hendelses - og ordrekøene Delt minne for hendelses - og ordrekøene Kontinuerlig spørrespråk (CQL) på ODS Datafiltrering med filterdesignmønsteret på innkommende data Overføringsalgoritmer på alle innkommende og utgående tilkoblinger Aktiv køadministrasjon (AQM) og eksplisitt overbelastningsvarsel Råvareberegningsressurser med kapasitet til oppgradering (skalerbar) Aktiv redundans for alle enkeltpunkts feilfeil Indeksering og optimaliserte utholdenhetskonstruksjoner i ODS-planen Vanlige data backup og oppryddingskript for ODS Transaksjonshistorie på alle databaser Kontrollsum for alle ordrer for å oppdage feil. Merk av hendelser med tidsstempler for å hoppe over vanlige hendelser. Bestill valideringsregler, f. eks. maksimale handelskvoter Automatiserte handelsdeler bruker en in-memory database for analyse To-trinns autentisering for brukergrensesnitt som kobler til AT-kryptering på brukergrensesnitt og tilkoblinger til ATs Observer-mønster for MVC for å administrere visninger Ovenstående liste er bare noen få design beslutninger jeg identifiserte under utformingen av arkitekturen. Det er ikke en komplett liste over taktikker. Når systemet utvikles, bør flere taktikker brukes på flere nivåer av granularitet for å møte funksjonelle og ikke-funksjonelle krav. Nedenfor er tre diagrammer som beskriver disruptor design mønster, filter design mønster, og kontinuerlig spørring komponent. Behavioral View Denne visningen av en arkitektur viser hvordan komponentene og lagene skal samhandle med hverandre. Dette er nyttig når du lager scenarier for å teste arkitekturdesign og for å forstå systemet fra ende til slutt. Denne visningen består av sekvensdiagrammer og aktivitetsdiagrammer. Aktivitetsdiagrammer som viser den interne prosessen for algoritmiske handelssystemer og hvordan handelsmenn skal interagere med det algoritmiske handelssystemet, er vist nedenfor. Teknologier og rammer Det siste trinnet i å designe en programvarearkitektur er å identifisere potensielle teknologier og rammer som kan brukes til å realisere arkitekturen. Som et generelt prinsipp er det bedre å utnytte eksisterende teknologier, forutsatt at de tilfredsstillende tilfredsstiller både funksjonelle og ikke-funksjonelle krav. Et rammeverk er en realisert referansearkitektur, f. eks. JBoss er et rammeverk som realiserer JEE-referansearkitekturen. Følgende teknologier og rammer er interessante og bør vurderes ved implementering av et algoritmisk handelssystem: CUDA - NVidia har en rekke produkter som støtter høy ytelse beregningsmessig finansmodellering. Man kan oppnå opptil 50x ytelsesforbedringer ved å kjøre Monte Carlo simuleringer på GPU i stedet for CPU. Apache River - River er et verktøypakke som brukes til å utvikle distribuerte systemer. Den har blitt brukt som et rammeverk for å bygge applikasjoner basert på SBA-mønsteret Apache Hadoop - i tilfelle at gjennomgripende logging er et krav, gir bruken av Hadoop en interessant løsning på stordataproblemet. Hadoop kan distribueres i et klynget miljø som støtter CUDA teknologier. AlgoTrader - en åpen kildekode algoritmisk handelsplattform. AlgoTrader kan potensielt bli distribuert i stedet for de automatiserte forhandlerkomponentene. FIX Engine - et frittstående program som støtter Financial Information Exchange (FIX) protokollene, inkludert FIX, FAST og FIXatdl. Selv om det ikke er en teknologi eller et rammeverk, bør komponenter bygges med et programmeringsgrensesnitt (API) for å forbedre interoperabiliteten til systemet og dets komponenter. Konklusjon Den foreslåtte arkitekturen er utformet for å tilfredsstille meget generiske krav identifisert for algoritmiske handelssystemer. Generelt sett er algoritmiske handelssystemer komplisert av tre faktorer som varierer med hver implementering: Avhengigheter i eksterne virksomhets - og utvekslingssystemer Utfordrende ikke-funksjonelle krav og Utviklende arkitektoniske begrensninger Den foreslåtte programvarearkitekturen vil derfor måtte tilpasses fra tilfelle til sak for å kunne å tilfredsstille spesifikke organisatoriske og regulatoriske krav, samt å overvinne regionale begrensninger. Den algoritmiske handelssystemarkitekturen bør settes som et referansepunkt for enkeltpersoner og organisasjoner som ønsker å designe egne algoritmiske handelssystemer. For en full kopi og kilder som brukes, last ned en kopi av rapporten min. Takk. Det er faktisk bare 3 store blokker i et Algo Trading System. 1. Market Data Handler (for eksempel FAST Handler) 2. Strategimodul (for eksempel CrossOver-strategi) 3. Order Router (for eksempel FIX-ruteren) Du kan legge til risikokontroller i enten Strategimodulen eller Order Router Module eller begge deler. Så lenge dataflyten er riktig, bør du være god å gå. Husk at du designer en ATS for minimal ventetid, og legge til flere lag eller kompleksitet vil komme på bekostning av latens. Minimal ATS-arkitektur Og hvis du legger til klokkene og fløyter, ser det ut som følgende: Hvis du også er interessert i det nitty-gritty av implementeringen av den ovennevnte arkitekturen, bør du holde følgende ting i bakhodet. Unngå locksmutexes. Hvis du må bruke den, prøv å erstatte dem med låsfrie strukturer ved hjelp av atomikk. Det er noen biblioteker tilgjengelig for låsfrie datastrukturer (for eksempel libcds, samtidighetssett osv.). C-11 støtter std :: atom. og du bør også strebe etter å bruke dem. Unngå hva som er gjort i QuickFIX. Den er skrevet for sikkerhetsfleksibilitet som objekt (lås) opprettelse og ødeleggelse er gjort for hver påkalling av enhver melding til ruteren. Sikkert ingen måte å skrive en latensfølsom kode på. Ingen kjøretidsminneallokering. runtime-banen skal bruke tilpasset og låsfri minnehåndtering med forhåndsallokert minnebasseng. All initialisering kan gjøres i konstruktører. Tett kobling. Threading modell, IO modell og minnehåndtering bør utformes for å samarbeide med hverandre for å oppnå best overall ytelse. Dette går imot OOP-konseptet med løs kobling, men det er nødvendig for å unngå runtime-kostnad for dynamisk polymorfisme. Bruk maler. På samme måte vil jeg også foreslå at du ser på C-templatering for å oppnå fleksibilitet av kode. OSHardware optimalisering: Til slutt bør du se på å arbeide med Linux RT Kernel og Solarflare nettverkskort med OpenOnLoad driver for å oppnå minimum latency. du kan se nærmere på å isolere cpu og kjøre programmet på den aktuelle kjerne. Og til slutt den offentlige API som du vil trenge å avsløre for strategiutviklere. Jeg vil at dette skal være det minimale sett som ville inkapslere all kompleksiteten til den aktuelle byttepunkten. klasse OrderRouter offentlig: virtuell bool sendNewOrd (OrderInfo) 0 virtuell bool sendRplOrd (OrderInfo) 0 virtuell bool sendCxlOrd (OrderInfo) 0 virtualBut dette betyr at OrderInfo-klassen må ha alle detaljene som kreves av destinationsexchangeen. Generelt krever byttene den samme typen informasjon, men når du går og støtter flere utvekslingsdestinasjoner, vil du finne deg selv å legge til flere variabler i denne klassen. Følgende er de viktige spørsmålene du trenger for å spørre deg selv: 1. Multi-prosessarkitektur eller Multi-Threaded Architecture. om du skal bygge en monolitisk prosess med flere tråder, eller skrive flere prosesser. Kostnaden for flere prosesser er meldingsforsinkelsen, mens kostnaden for en enkeltprosess med flere gjenger er at eventuelle feil kan føre ned hele systemet. 2. Melding som passerer: Mens du kan velge mellom mange alternativer, er du begrenset av latensomtale. Raskeste IPC ville bli delt minne, men hvordan ville synkroniseringen tilbringe litt tid med disse to spørsmålene, fordi de ville være byggesteinen som arkitekturen din står på. Rediger: FIX og FAST Når det gjelder popularstandard-protokollen, er FIX for å sende ordre og FAST er for markedsdata. Når det er sagt, har de fleste utvekslinger sin egen innfødte protokoll som er raskere enn FIX, fordi FIX generelt er implementert på toppen av sin native protokoll. Men de støtter fortsatt FIX legger til hastigheten på distribusjon. På den annen side, mens FIX er vedtatt av de fleste utvekslinger, har FAST ikke så bred aksept. Hvis noe, ville det bare være en håndfull utveksling vedta det. De fleste av dem sender enten over FIX seg selv (lav latenstid), eller bruker sin egen innfødte binære protokoll. f. eks I India, NSE, BSE og MCXMCXSX, gir alle de tre utvekslingene deg FIX-protokollen i tillegg til den native protokollen, men bare BSE gir deg FAST for markedsdata. Og det beveger seg også fra FAST til innfødt med introduksjon av EOBI. Du kan ekstrapolere det samme til andre utvekslinger. 3,9k Visninger middot Vis Oppvotes middot Ikke for reproduksjon Som John nevnte, er OMS det viktigste i enhver handelsplattform, og du bør begynne å undersøke om det. Du må bruke tid til å bestemme din livscyklus, hendelser og funksjoner du vil legge inn på OMS og de du vil at Algo Engine skal håndtere. Metcetera tilbyr en åpen kildekode OMS, jeg har brukt det personlig, men det er en av de få i markedet. The next thing you should look at is providing an interface to source data in and push it out. This is for a client order entry system to throw in the order details and Algo engine to source it. A lot of Sell Side OMS039s use a combination of proprietary programs written in JavaC using FIX. FIX protocol allows you to communicate realtime across systems in a simplified amp pre-defined message format laid down by the FIX protocol community. Go to The FIX Protocol Organization gt Home page to read more about it. Also looks at Open Source FIX Engine. an open source implementation of the FIX engine. Next comes a Market Data interface to source realtime time security market information, data ranging from HighLowOpenClose to Best BidBest Ask, Total traded volume, Last price, Last volume, Bid quotes, Ask quotes etc. The information you seek really depends upon the type of strategy you wish to implement. I believe Interactive Broker provides a realtime data feed via FIX. Exchange connectivity is next where your Algo interprets the signals, create an order and routes to an Exchange or ECN. Developing it in-house could be tough as you would need to work out Exchange membership, certify your platform and pay a regular membership fee. A cheaper way is to use a broker API (like IB) and route the order through them. Historical data is of essence too as you might want to compare the current market behavior with its historical values. Parameters like average spread, VWAP profiles, average daily volume etc may be required to influence decision making. You can have it on database (preferred) but if speed of the essence then download it on the server cache when you begin your program. Once your peripheral systems are setup, you can start developing your algo program the way you want it to work. This basic infrastructure would allow you to input a parent algo order, read market data, react to the signals but generating child orders and placing it on the exchange order book and historical data to influence decision making. The OMS holds the linkage between the parent amp child order, their realtime statuses and updates by the algo or exchange connectivity platform. What you want to implement inside the Algo is completely up to you. 2.3k Views middot View Upvotes middot Not for ReproductionBest Programming Language for Algorithmic Trading Systems One of the most frequent questions I receive in the QS mailbag is What is the best programming language for algorithmic trading. The short answer is that there is no best language. Strategy parameters, performance, modularity, development, resiliency and cost must all be considered. This article will outline the necessary components of an algorithmic trading system architecture and how decisions regarding implementation affect the choice of language. Firstly, the major components of an algorithmic trading system will be considered, such as the research tools, portfolio optimiser, risk manager and execution engine. Subsequently, different trading strategies will be examined and how they affect the design of the system. In particular the frequency of trading and the likely trading volume will both be discussed. Once the trading strategy has been selected, it is necessary to architect the entire system. This includes choice of hardware, the operating system(s) and system resiliency against rare, potentially catastrophic events. While the architecture is being considered, due regard must be paid to performance - both to the research tools as well as the live execution environment. What Is The Trading System Trying To Do Before deciding on the best language with which to write an automated trading system it is necessary to define the requirements. Is the system going to be purely execution based Will the system require a risk management or portfolio construction module Will the system require a high-performance backtester For most strategies the trading system can be partitioned into two categories: Research and signal generation. Research is concerned with evaluation of a strategy performance over historical data. The process of evaluating a trading strategy over prior market data is known as backtesting . The data size and algorithmic complexity will have a big impact on the computational intensity of the backtester. CPU speed and concurrency are often the limiting factors in optimising research execution speed. Signal generation is concerned with generating a set of trading signals from an algorithm and sending such orders to the market, usually via a brokerage. For certain strategies a high level of performance is required. IO issues such as network bandwidth and latency are often the limiting factor in optimising execution systems. Thus the choice of languages for each component of your entire system may be quite different. Type, Frequency and Volume of Strategy The type of algorithmic strategy employed will have a substantial impact on the design of the system. It will be necessary to consider the markets being traded, the connectivity to external data vendors, the frequency and volume of the strategy, the trade-off between ease of development and performance optimisation, as well as any custom hardware, including co-located custom servers, GPUs or FPGAs that might be necessary. The technology choices for a low-frequency US equities strategy will be vastly different from those of a high-frequency statistical arbitrage strategy trading on the futures market. Prior to the choice of language many data vendors must be evaluated that pertain to a the strategy at hand. It will be necessary to consider connectivity to the vendor, structure of any APIs, timeliness of the data, storage requirements and resiliency in the face of a vendor going offline. It is also wise to possess rapid access to multiple vendors Various instruments all have their own storage quirks, examples of which include multiple ticker symbols for equities and expiration dates for futures (not to mention any specific OTC data). This needs to be factored in to the platform design. Frequency of strategy is likely to be one of the biggest drivers of how the technology stack will be defined. Strategies employing data more frequently than minutely or secondly bars require significant consideration with regards to performance. A strategy exceeding secondly bars (i. e. tick data) leads to a performance driven design as the primary requirement. For high frequency strategies a substantial amount of market data will need to be stored and evaluated. Software such as HDF5 or kdb are commonly used for these roles. In order to process the extensive volumes of data needed for HFT applications, an extensively optimised backtester and execution system must be used. CC (possibly with some assembler) is likely to the strongest language candidate. Ultra-high frequency strategies will almost certainly require custom hardware such as FPGAs, exchange co-location and kernalnetwork interface tuning. Research Systems Research systems typically involve a mixture of interactive development and automated scripting. The former often takes place within an IDE such as Visual Studio, MatLab or R Studio. The latter involves extensive numerical calculations over numerous parameters and data points. This leads to a language choice providing a straightforward environment to test code, but also provides sufficient performance to evaluate strategies over multiple parameter dimensions. Typical IDEs in this space include Microsoft Visual CC, which contains extensive debugging utilities, code completion capabilities (via Intellisense) and straightforward overviews of the entire project stack (via the database ORM, LINQ ) MatLab. which is designed for extensive numerical linear algebra and vectorised operations, but in an interactive console manner R Studio. which wraps the R statistical language console in a fully-fledged IDE Eclipse IDE for Linux Java and C and semi-proprietary IDEs such as Enthought Canopy for Python, which include data analysis libraries such as NumPy. SciPy. scikit-learn and pandas in a single interactive (console) environment. For numerical backtesting, all of the above languages are suitable, although it is not necessary to utilise a GUIIDE as the code will be executed in the background. The prime consideration at this stage is that of execution speed. A compiled language (such as C) is often useful if the backtesting parameter dimensions are large. Remember that it is necessary to be wary of such systems if that is the case Interpreted languages such as Python often make use of high-performance libraries such as NumPypandas for the backtesting step, in order to maintain a reasonable degree of competitiveness with compiled equivalents. Ultimately the language chosen for the backtesting will be determined by specific algorithmic needs as well as the range of libraries available in the language (more on that below). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen. Portfolio Construction and Risk Management The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of risky bets, but also minimise churn of the trades themselves, reducing transaction costs. Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system. The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio. Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C. MatLab also possesses extensively optimised matrix operations. Python utilises NumPySciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised) matrix library to carry this step out, so as not to bottleneck the trading system. Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies), increased correlations between asset classes, counter-party default, server outages, black swan events and undetected bugs in the trading code, to name a few. Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo stress tests. This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to throw hardware at the problem. Execution Systems The job of the execution system is to receive filtered trading signals from the portfolio construction and risk management components and send them on to a brokerage or other means of market access. For the majority of retail algorithmic trading strategies this involves an API or FIX connection to a brokerage such as Interactive Brokers. The primary considerations when deciding upon a language include quality of the API, language-wrapper availability for an API, execution frequency and the anticipated slippage. The quality of the API refers to how well documented it is, what sort of performance it provides, whether it needs standalone software to be accessed or whether a gateway can be established in a headless fashion (i. e. no GUI). In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API. I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason Most APIs will provide a C andor Java interface. It is usually up to the community to develop language-specific wrappers for C, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages (see below) such as CJava are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCPIP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy . Performance Considerations Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data IO, concurrencyparallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPySciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disknetwork latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk IO operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocationdeallocation as part of an objects implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in parallel. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrencymultithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 78, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading