Linguagem de programação de negociação forex

MetaQuotes Language 5 Linguagem de programação para estratégias de negociação.
Como criar robôs comerciais e indicadores?
O MetaQuotes Language 5 (MQL5) é uma linguagem especializada de programação orientada a objetos de alto nível que permite a criação de robôs comerciais e indicadores técnicos. Baseia-se nos conceitos da conhecida e popular linguagem de programação C ++. No entanto, devido à sua estreita especialização, o MQL5 prospera em desafios de programação de mercado financeiro.
O MQL5 oferece inúmeras funções para análise de cotações, bem como indicadores, funções e ferramentas técnicas integradas que podem ajudá-lo a controlar posições de negociação. Devido a estas possibilidades da linguagem de programação, todas as operações de análise e comércio podem ser processadas inteiramente por essas aplicações MQL5.
Os programas MQL5 têm propriedades e propósitos diferentes:
A Trading Robot é uma aplicação projetada para análise de preços e negociação em mercados financeiros. Os robôs comerciais podem analisar a situação do mercado e executar as operações de negociação atribuídas com base nessa análise. Essa abrangência permite que os robôs comerciais ocupem completamente o lugar do ser humano ao negociar nos mercados financeiros.
Os campeonatos automáticos de negociação 2006-2018, obviamente, demonstram o poder ea auto-suficiência dos robôs comerciais. Durante cada uma das competições, centenas de Expert Advisors analisaram várias situações de mercado e executaram transações comerciais por um período de três meses. Os robôs comerciais provaram suas vantagens comerciais e analíticas em comparação com um humano.
Um indicador personalizado é um indicador técnico destinado exclusivamente à análise de moedas, ações e outras classes de ativos. Contrariamente aos indicadores técnicos incorporados, esse tipo de instrumentos pode ser criado por comerciantes e executar qualquer algoritmo. Os indicadores técnicos não têm acesso a funções de negociação e não podem executar operações de negociação.
Um script é um programa destinado a realizar ações específicas em um momento específico. Esses programas também acessam todas as funções analíticas e comerciais. Contrariamente aos Expert Advisors, os scripts executam transações comerciais apenas uma vez.
Uma biblioteca é um conjunto de funções personalizadas. Destina-se a armazenar e distribuir partes comuns de programas personalizados.
Aplicativos personalizados, que foram criados usando o MQL5, aumentam significativamente o potencial dos comerciantes ao usar a plataforma de negociação MetaTrader 5. Crie seus próprios robôs comerciais e indicadores técnicos para explorar novas possibilidades comerciais.

A linguagem de programação mais fácil para comerciantes.
Apresentando o TradeScript, nossa nova e poderosa linguagem de programação que permite aos comerciantes projetar sistemas de negociação sem experiência de programação prévia.
Para quem é?
O TradeScript é um componente de desenvolvimento projetado para desenvolvedores de software que desejam expandir o conjunto de recursos em seu aplicativo comercial fornecendo uma linguagem de script.
O TradeScript, como idioma, destina-se a comerciantes que precisam escrever suas próprias estratégias comerciais, mas não sabem como programar em linguagens de baixo nível, como C e C ++.
O TradeScript permite que os comerciantes desenvolvam sistemas de negociação rápida e sem esforço. É tão fácil como 1-2-3.
Com o TradeScript, você pode habilitar seu aplicativo comercial para executar scripts que fornecem alertas quando o preço de uma segurança (estoque, futuros ou forex) alcança uma nova alta, cruza uma média móvel ou reduz uma porcentagem definida, embora essas sejam apenas alguns exemplos. O TradeScript também pode escanear o mercado, gerar sinais comerciais, estratégias de negociação de back-test e muito mais.
Linguagens de programação de vetores.
Aplicativos comerciais mais populares, como o MetaStock & trade ;, TradeStation & trade ;, NinjaTrader & trade ;, MetaTrader & trade; e outros fornecem suas próprias linguagens de programação (como MQL4, MQL5, EasyLanguage, linguagem de script do MetaStock, etc.). Sem uma linguagem de programação, os comerciantes não conseguem desenvolver sistemas de negociação automatizados ou realizar back-testing de estratégias.
Uma linguagem de programação vetorial oferece flexibilidade extrema com uma curva mínima de aprendizado. Na verdade, em apenas cinco minutos, você pode começar a escrever com o TradeScript.
Então, o que é uma linguagem de programação vetorial e por que é tão fácil de aprender?
As linguagens de programação de vetor (também conhecidas como matriz ou linguagens multidimensionais) generalizam operações em escalares para serem aplicadas de forma transparente para vetores, matrizes e matrizes dimensionais superiores. A idéia por trás da programação vetorial é que as operações se aplicam de uma só vez a um conjunto inteiro de valores (um vetor ou campo). Isso permite que você pense e opere em agregados inteiros de dados, sem recorrer a laços explícitos de operações escalares individuais.
Em outras palavras, é semelhante ao macro idioma encontrado no Excel.
A linguagem de programação mais fácil para os comerciantes. O mais poderoso também.
Um exemplo: para calcular uma média móvel simples com base no preço médio de uma garantia em 30 dias, em uma linguagem de programação tradicional, como o BASIC, você precisaria escrever um programa semelhante ao código mostrado neste bloco de código.
Várias linhas de código seriam necessárias para criar o vetor "MedianAmedes". Mas com o TradeScript, você pode realizar a mesma coisa usando apenas uma linha de código como mostrado abaixo.
Para n = barra - 30 a barra.
mediana = (CLOSE + OPEN) / 2.
Média = Média + Média.
Médias médias (bar) = Média / 30.
E agora MedianAverage torna-se um novo vetor que contém a média móvel simples de 30 períodos do preço médio da segurança.
Não é incomum encontrar a linguagem de programação da matriz "one-liners" que requerem mais do que algumas páginas do código BASIC, Java ou C ++. O mesmo vale para a criação de sistemas de negociação para testes de volta e alertas comerciais.
O TradeScript foi originalmente projetado como uma linguagem de programação de alto desempenho para comerciantes de alta freqüência. Ele foi projetado para verificar mais de 100.000 ações com base em critérios técnicos complexos e retornar resultados instantâneos em menos de cinco milissegundos. Isso foi há mais de dez anos. Hoje é ainda mais rápido.
Voltar Testar estatísticas.
Além de um registro de comércio real, os resultados do teste de volta do TradeScript incluem mais de 24 resultados estatísticos: número total de negócios, número médio de negócios por período, número de negócios rentáveis, número de operações de perda, lucro total, perda total, lucro percentual, maior Lucro, maior perda, redução máxima, Drawdown máximo (Monte Carlo), índice mensal de valor agregado (VAMI), ROR mensal composto, desvio padrão, desvio padrão anualizado, desvio reverso, taxa de Sharpe, taxa Sharpe anual, razão Sortino, razão calmaria, e Sterling Ratio.
Solução de Desenvolvimento Rápido e Fácil.
Se você é um desenvolvedor de software, ficará surpreso ao saber que apenas leva cerca de 30 minutos para implementar o TradeScript em seu aplicativo comercial. O TradeScript vem com ajuda sensível ao contexto, e nosso Guia do Programador pode ser enviado com seu aplicativo. Adicionar um idioma de script ao seu aplicativo comercial não poderia ser mais fácil.
Comece com o TradeScript>
Implementação da plataforma de negociação M4.
O TradeScript é a linguagem de programação utilizada na nossa plataforma de negociação M4, onde executa negócios automatizados, processa alertas em tempo real, executa varreduras de estoque e sistemas de negociação de back-tests.
Disponível em C ++ e em versões C #.
O TradeScript está disponível em C ++ (x64 para melhor desempenho) e C # para desenvolver aplicativos da web. Ele vem com mais de 30 projetos de exemplo e suporte para desenvolvedores extensivos para ajudá-lo a implementar a biblioteca em seu projeto.
Cenários de desenvolvimento comuns.
O TradeScript é mais usado em um dos três cenários. Muitas vezes, é usado dentro de aplicativos de comércio de desktop, onde é incorporado no lado do cliente. Também é comumente usado no lado do servidor, onde executa estratégias para clientes finos, como aplicativos móveis e web. Outro cenário comum é onde o TradeScript é executado no lado do servidor, a fim de fornecer resultados de digitalização em tempo real para usuários da web e móveis.
Programação genética.
Um algoritmo genético pode ser integrado no TradeScript para criar um mecanismo autônomo de criação de sistemas comerciais. Verifique o nosso mecanismo de algoritmo genético Evo2, que vem com exemplos do TradeScript.
Estudo de caso.
O TradeScript é usado em várias aplicações comerciais populares, uma das quais é a plataforma WhenToTrade Cycles and Algorithm Gentic. O estudo de caso descreve como o TradeScript é implementado para realizar análise cíclica dos mercados.
O WhenToTrade Cycles e a GA Platform combinam análise técnica usando TradeScript e gráficos financeiros usando StockChartX com novos algoritmos para análise cíclica. A solução faz parte de um pacote de conhecimento completo e permite que os comerciantes apliquem as estratégias derivadas a todos os tipos de mercados e prazos.
Com o TradeScript, você pode:
Crie scripts automatizados de entrada de ordens Execute milhares de alertas simultâneas Crie testes de retorno e otimização de sistema de negociação Crie gráficos orientados por script e conselheiros especializados Obtenha resultados de fórmula em tempo real.
Por que escolher o módulo?
O Modulus é uma empresa de tecnologia financeira. Embora isso não pareça um diferencial real, é. Isso significa que nossas soluções são de nossos anos de experiência no setor de tecnologia financeira. Nossos produtos e serviços são fornecidos por desenvolvedores e engenheiros que possuem experiência de negociação de primeira mão. Todo mundo aqui no Modulus fala seu idioma.
Direitos autorais e cópia; 2002-2018 por Modulus Global, Inc., todos os direitos reservados.

Programação Advisor Advisor e # 8211; O antigo caminho para criar robôs Forex.
6 de setembro de 2017.
A programação do consultor especialista é o processo de criação de sistemas de negociação automatizados para uso no mercado cambial. Você precisará dominar MetaQuotes Language 4 (MQL4) ou MetaQuotes Language 5 (MQL5) para criar efetivamente robôs comerciais. Você precisará de centenas de horas para aprender tudo isso e, por causa desta programação personalizada, é considerada a maneira antiga de criar robôs Forex.
Negociar no mercado forex é um negócio muito lucrativo e todo comerciante aspira a encontrar uma maneira de fazer lucros consistentes. Como tal, a maioria dos comerciantes descobriu que os consultores especializados (robôs forex) são a melhor maneira de fazer lucros consistentes e superar os diversos riscos no mercado cambial.
Programação Expert Advisor.
As linguagens de programação do robô forex emprestam os conceitos de outros idiomas, como o idioma C ++. Portanto, ser excelente nas outras linguas de programação pode fazer de você um programador de consultor especializado competente.
Os robôs comerciais precisam ser programados e os comerciantes sem habilidades de programação suficientes ou dinheiro para contratar um programador nunca percebem os benefícios dos sistemas de negociação automatizados. Mas se você estiver em programação, então você pode se beneficiar do comércio automatizado grande momento.
Depois de identificar uma estratégia rentável, você pode usar o idioma de programação MQL4 ou MQL5 para escrever linhas de código que representam sua estratégia.
As línguas são muito versáteis e permitirão que você crie conselheiros especializados experientes para catapultar seu sucesso comercial.
Se você não é competente nas linguagens de programação do robô forex, você pode contratar um programador para traduzir suas estratégias comerciais em um robô.
Existem vários sites com programadores que você pode contratar para desenvolver um consultor especializado que se adapte às suas necessidades comerciais.
O site MQL5 para contratação de programadores.
Você também pode fazer uma verificação de antecedentes em sites como Forex Peace Army ou Forex Verified. Desta forma, você pode saber se o programador que deseja contratar ou um consultor especialista que deseja comprar é legítimo.
Site do Exército da Paz de Forex.
Site verificado Forex.
É importante notar que este método de criação de EAs que exige que você mestre uma linguagem de programação ou contratar um programador está envelhecendo e poucas pessoas ainda estão perseguindo.
A programação de aprendizagem é difícil e poucas pessoas conseguem dominar suas complexidades. Da mesma forma, contratar um programador é caro e você não tem certeza se o codificador irá manter suas instruções.
Conseqüentemente, para a programação de consultores especializados baratos e simples para o MetaTrader 5 ou 4, muitas pessoas estão recorrendo a construtores de consultores especializados e gerentes de consultores especializados. Com essas ferramentas, você pode criar um consultor especializado sem habilidades de programação ou outras habilidades técnicas.
O recente surgimento de construtores de EA e geradores de EA tornou o processo de criação de robôs forex rápido e sem complicações.
Em vez de dominar as linguagens de programação complicadas, você só precisa inserir as preferências da sua estratégia e o resto será completado em poucos minutos.
Mais ainda, usar o forex EA geradores é simples e é adequado para todos os tipos de comerciante - independentemente de ser um comerciante de curto prazo ou um comerciante de longo prazo.
O que é consultor especialista em Forex Trading?
Como sugerido acima, um consultor especialista em negociação forex refere-se a uma aplicação que permite a negociação sem mãos. Em vez de fazer o árduo trabalho de identificar oportunidades comerciais, colocar negócios, gerenciar negócios e sair de negócios, um robô forex irá salvá-lo do aborrecimento, permitindo que você gaste seu tempo em fazer outras atividades importantes.
Os consultores especializados tomarão decisões comerciais com base no algoritmo que você definiu nelas. Se você tem alguma estratégia comercial que pode ser programada, ela pode ser escrita em um aplicativo e usada para negociação ao vivo.
Expert Advisors na plataforma MT4.
Por exemplo, se você tiver uma estratégia que gere um sinal comercial sempre que duas médias móveis se cruzem, você pode codificá-lo em um robô comercial e esquecer o comércio manual.
Duas médias móveis cruzam-se.
Muitos comerciantes em todo o mundo estão confiando no comércio de robô para fazer lucros maciços do mercado cambial.
Ao contrário do comércio manual, o que obriga você a estar fisicamente presente e colado no seu computador, o comércio de consultores especializados não requer sua presença física, pois todo o trabalho duro será executado por você por uma máquina.
Outro benefício de usar consultores especializados na negociação forex é que eles não são vulneráveis ​​às emoções.
Exemplo de uma Forex EA.
Uma vez que os comerciantes também são seres humanos, que muitas vezes tendem a se apegar às emoções antes de tomar decisões, muitas vezes eles se acham fazendo decisões de negociação impulsionadas pela proficiência ou pelo medo.
No entanto, o Forex EAs são máquinas que não são vulneráveis ​​a quaisquer emoções. Os robôs são conectados para cumprir regras específicas, e só gerar sinais comerciais se as condições estabelecidas forem cumpridas, sem se decepcionar de perdas ou excessivamente alegres de vitórias.
Os robôs Forex também são capazes de reagir rapidamente a mudanças no mercado. Enquanto os comerciantes humanos podem passar alguns minutos ou mais tentando entender o que está ocorrendo no mercado, os robôs podem analisar instantaneamente os movimentos do mercado e fazer uma ordem sem adivinhar.
Por último, os sistemas de negociação automatizados não são propensos a erros humanos. Ser humano às vezes é equiparado a ser propenso ao erro, ao contrário das máquinas.
Depois de construir uma estratégia em um robô, seguirá os comandos fornecidos, sem erros. Os seres humanos geralmente tendem a ser emocionais ao tomar decisões, algo que geralmente leva a erros comerciais e perdas.
Como escrever consultor especialista em MT4.
Programar um consultor especialista em MT4 é extenuante e imprevisível. Para um programador de consultor especializado para criar um robô de trabalho, levará de um dia a várias semanas.
No entanto, depois de passar muito tempo escrevendo a EA, isso não significa que dará resultados confiáveis ​​quando testados em relação a dados históricos. Esses robôs geralmente falham porque as regras de entrada e saída são predefinidas mesmo antes de sua programação começar.
Por outro lado, se você usar um gerador de Forex EA para programar um consultor especializado, não irá encontrar esses problemas.
O uso de um construtor Expert Advisor permitirá que você desenvolva um robô rapidamente, fornecendo resultados confiáveis ​​confiáveis. Além disso, você pode facilmente fazer melhorias no robô sem se preocupar em quebrar qualquer linha de código.
Sem habilidades de programação suficientes, é difícil perceber a escrita de um consultor especialista em MT4. A programação não é fácil e pode não ser adequada para todos.
Você precisa gastar centenas de horas praticando e comprando uma série de recursos diferentes para permitir que você domine como codificar.
Se você ainda está confiando na maneira antiga de criar robôs e, dependendo de documentos de pdf de programação especializada para o desenvolvimento de EAs, você está perdendo vários benefícios.
Com o avanço da tecnologia na atualidade, a criação de consultores especializados não é extenuante. E, você não precisa gastar muito tempo e dinheiro tentando aprender a programar o robô forex ou procurar um programador.
Consultor Especial Sem Indicador.
Usando programação personalizada, você pode criar um consultor especialista que os construtores e geradores de EA não podem produzir. Uma vez que você estará escrevendo as linhas de código você mesmo, você pode programar o robô forex com capacidades não disponíveis em outros lugares.
Por exemplo, você pode programar seu robô comercial para realizar estilos de negociação específicos, como a negociação da rede, hedge, martingale ou scalping. No entanto, a programação de tal EA exigirá mais esforço e habilidades técnicas especializadas.
Além de ter excelentes habilidades de programação, você também precisa ser excelente em seu estilo de negociação preferido. Se você seguir em frente e criar um robô tão avançado sem habilidades de negociação de nível especial, você pode acabar criando uma EA com dinheiro, o que pode levar a mais perdas. Então, dominar como programar um robô forex não é fácil.
Além disso, esses tipos de robôs geralmente são muito complicados para o usuário médio. Para que alguém os use, ele deve primeiro dominar as estratégias de negociação avançadas, algo que leva tempo e esforço.
Se você tentar negociar com robôs tão complicados sem habilidades de negociação suficientes, você poderia tomar decisões arriscadas, o que também poderia aumentar suas perdas.
Código fonte Forex Robot.
O código fonte do robô forex contém a lista de comandos que o EA usará para executar decisões comerciais. É o componente mais fundamental do seu robô comercial.
Um consultor especializado pode ter um ou mais códigos-fonte, dependendo da complexidade das instruções a serem executadas. Os programadores de consultores especializados podem incluir comentários no código-fonte para ajudar a aumentar sua legibilidade.
Considerando que os robôs comerciais complicados geralmente fazem referência a centenas ou milhares de linhas de código, é mais comum que robôs simples possam referir apenas algumas linhas de código.
Se o EA tiver vários arquivos de origem, ele pode ser organizado em várias seções. Se você tiver um único arquivo com várias funções e comandos, pode ser difícil encontrar algumas seções do código.
É muito importante ter a fonte do robô, independentemente do seu tipo ou complexidade. Pode ser contido em um documento de pdf de programação de consultor especialista. Desta forma, você pode facilmente alterar o código, se necessário.
Por exemplo, se uma plataforma de negociação for atualizada ou algumas mudanças significativas no mercado tiverem ocorrido, você pode facilmente fazer as atualizações.
Se estiver tentando o desempenho do seu robô forex sob condições simuladas de negociação forex e você não estiver satisfeito com seu desempenho, você pode voltar facilmente ao código-fonte e fazer as mudanças apropriadas. Sem ter o código fonte, pode ser difícil fazer essas melhorias.
Além disso, ter acesso ao código fonte do robô forex também permite que você faça uma contribuição significativa para a comunidade. Você pode compartilhar o código para ajudar outros alunos ou você pode reciclar algumas das suas porções para usar no desenvolvimento de sistemas de negociação automatizados mais poderosos.
Gerador de Forex EA.
O gerador Forex EA é a nova maneira de criar robôs comerciais confiáveis ​​sem exigir habilidades de programação ou outras habilidades técnicas.
Confiar na antiga maneira de criar robôs consome muito tempo e é bastante caro, especialmente se você está iniciando uma programação de consultor especializado com o MetaTrader.
Com um criador de EA, você apenas insere suas preferências de estratégia de negociação preferidas e o resto do processo é automaticamente completado para você - sem escrever uma única linha de código ou seguindo instruções complicadas em alguns especialistas em programação de MetaTrader 5 manual de pdf. Passar inúmeras horas aprendendo como construir um consultor especial também será desnecessário.
Importante, antes de usar um construtor de consultor especialista, você precisa realizar pesquisas preliminares para identificar sua estratégia de negociação. Você deve encontrar uma técnica que melhor represente suas características pessoais e estilo de negociação preferido.
Por exemplo, fatores como o apetite de risco, a quantidade de capital e os horários preferenciais para negociação são essenciais para se considerar uma estratégia. A sua estratégia escolhida precisa comercializar prudente e capaz de fazer lucros consistentes no mercado cambial.
Depois de ter desenvolvido uma idéia de estratégia, você pode inserir suas preferências no gerador do robô. A ferramenta baseada em linha possui recursos robustos para ajudá-lo a criar consultores especialistas confiáveis ​​em poucos minutos.
O construtor advisor perito do Forex Robot Academy é uma maneira fácil de criar robôs sem escrever uma única linha de código. É uma ferramenta inovadora e uma maneira melhor técnica de criação de robôs forex.
A ferramenta baseada em linha gerará os resultados anteriores do robô criado, permitindo que você determine sua rentabilidade. Se os resultados não forem satisfatórios, mesmo depois de experimentá-los em condições simuladas de negociação forex, você pode ajustar seus critérios comerciais até obter o que deseja.
Além disso, usar a ferramenta para criar robôs comerciais é muito mais rápido do que um programador. Você não precisará se preocupar com vírgulas sem saída ou outros erros de compilação de código; Tudo será automaticamente completado para você dentro de alguns minutos.
Aqui estão os principais componentes do gerador de forex EA.
Gerador: depois de inserir os parâmetros de estratégia preferidos, este componente fará o trabalho de criar uma estratégia automatizada para você. Você também receberá os resultados anteriores para verificar a rentabilidade do seu robô.
Componente do gerador no Forex Robot Factory.
Coleção: depois de gerar uma estratégia, ela é armazenada no componente Coleção. Desta forma, você pode ordená-los facilmente de acordo com seus requisitos preferidos. Editor: Antes de exportar suas estratégias programadas para uma plataforma de negociação, você pode usar o Editor para editá-las e garantir que elas fornecerão os resultados projetados nas condições de negociação ao vivo.
Componente Editor na Fábrica de Robots Forex.
Otimização: o gerador de forex EA tem várias ferramentas para ajudá-lo a maximizar o desempenho do seu robô criado. Os exemplos incluem testador de consultor especialista e testador de vários mercados. Relatório: Se você precisa de um relatório abrangente sobre o desempenho do seu consultor especializado, você pode obtê-lo nesta seção.
Componente de relatório no Forex Robot Factory.
Exportador: Com este componente, você pode implementar seu robô comercial de forma segura e segura em uma plataforma.
Conclusão.
A programação do consultor especialista é a maneira antiga de criar robôs forex. Usar esse método para programar EAs exige que você domine a programação avançada e passe várias horas escrevendo linhas complicadas de código, algo que é árduo e difícil de alcançar.
O uso de um gerador de forex EA é a maneira moderna de criar sistemas de negociação automáticos confiáveis ​​sem exigir habilidades avançadas de programação.
Você só precisa identificar uma idéia de estratégia de negociação e inseri-la na ferramenta do criador do robô, e o resto será completado automaticamente dentro de alguns minutos.

QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 26 de julho de 2018.
Uma das perguntas mais freqüentes que recebo no QS mailbag é "Qual é a melhor linguagem de programação para negociação algorítmica?". A resposta curta é que não existe um "melhor" idioma. Parâmetros de estratégia, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreve os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha do idioma.
Em primeiro lugar, serão considerados os principais componentes de um sistema de negociação algorítmico, como ferramentas de pesquisa, otimizador de portfólio, gerenciador de riscos e motor de execução. Posteriormente, serão examinadas diferentes estratégias de negociação e como elas afetam o design do sistema. Em particular, a freqüência de negociação e o provável volume de negociação serão discutidos.
Uma vez que a estratégia de negociação foi selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o (s) sistema (s) operacional (is) e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, deve-se ter em conta o desempenho, tanto para as ferramentas de pesquisa quanto para o ambiente de execução ao vivo.
Qual é o sistema de comércio tentando fazer?
Antes de decidir sobre o "melhor" idioma com o qual escrever um sistema de negociação automatizado, é necessário definir os requisitos. O sistema será puramente baseado em execução? O sistema exigirá um módulo de gerenciamento de risco ou construção de portfólio? O sistema exigirá um backtester de alto desempenho? Para a maioria das estratégias, o sistema comercial pode ser dividido em duas categorias: Pesquisa e geração de sinal.
A pesquisa está preocupada com a avaliação de um desempenho de estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação em relação aos dados anteriores do mercado é conhecido como backtesting. O tamanho dos dados e a complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade da CPU e a concorrência são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa.
A geração de sinal está preocupada com a geração de um conjunto de sinais de negociação a partir de um algoritmo e envio de ordens para o mercado, geralmente através de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. As questões de E / S, como a largura de banda da rede e a latência, muitas vezes são fatores limitantes na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bastante diferente.
Tipo, Frequência e Volume de Estratégia.
O tipo de estratégia algorítmica empregada terá um impacto substancial no design do sistema. Será necessário considerar os mercados comercializados, a conectividade com os fornecedores de dados externos, a freqüência e o volume da estratégia, o trade-off entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo customizado servidores, GPUs ou FPGAs que possam ser necessários.
As opções de tecnologia para uma estratégia de ações de baixa freqüência dos EUA serão muito diferentes das de uma negociação de estratégias de arbitragem estatística de alta freqüência no mercado de futuros. Antes da escolha do idioma, muitos fornecedores de dados devem ser avaliados que pertencem à estratégia em questão.
Será necessário considerar a conectividade com o fornecedor, a estrutura de todas as APIs, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor que está offline. Também é aconselhável possuir acesso rápido a vários fornecedores! Vários instrumentos têm todos os seus peculiaridades de armazenamento, exemplos dos quais incluem símbolos de ticker múltiplos para ações e datas de vencimento para futuros (sem mencionar nenhum dado OTC específico). Isso precisa ser incorporado ao design da plataforma.
A frequência da estratégia provavelmente será um dos maiores drivers de como a pilha de tecnologia será definida. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar, exigem uma consideração significativa em relação ao desempenho.
Uma estratégia que excede as barras segundo (isto é, dados de marca) leva a um design orientado a desempenho como o principal requisito. Para estratégias de alta freqüência, uma quantidade substancial de dados do mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb + é comumente usado para essas funções.
Para processar os extensos volumes de dados necessários para aplicações HFT, um sistema de backtester e execução extensivamente otimizado deve ser usado. C / C ++ (possivelmente com algum montador) é provável para o candidato a linguagem mais forte. As estratégias de ultra-alta freqüência certamente exigirão hardware personalizado, como FPGAs, co-localização de troca e ajuste de interface de rede / kernal.
Sistemas de pesquisa.
Os sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e script automatizado. O primeiro geralmente ocorre dentro de um IDE, como Visual Studio, MatLab ou R Studio. O último envolve cálculos numéricos extensos em vários parâmetros e pontos de dados. Isso leva a uma escolha de idioma que fornece um ambiente direto para testar código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetros.
Os IDE típicos neste espaço incluem Microsoft Visual C ++ / C #, que contém extensos utilitários de depuração, recursos de conclusão de código (via "Intellisense") e visões gerais diretas de toda a pilha do projeto (via o banco de dados ORM, LINQ); MatLab, que é projetado para uma grande variedade de álgebras lineares numéricas e operações vetoriais, mas de uma forma de console interativo; R Studio, que envolve o console de linguagem estatística R em um IDE de pleno direito; Eclipse IDE para Linux Java e C ++; e IDE semi-proprietários, como Enthought Canopy para Python, que incluem bibliotecas de análise de dados, como NumPy, SciPy, scikit-learn e pandas em um único ambiente interativo (console).
Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar uma GUI / IDE, pois o código será executado "em segundo plano". A principal consideração nesta fase é a velocidade de execução. Um idioma compilado (como C ++) geralmente é útil se as dimensões do parâmetro backtest forem grandes. Lembre-se de que é necessário desconfiar de tais sistemas se for esse o caso!
Idiomas interpretados, como Python, muitas vezes fazem uso de bibliotecas de alto desempenho, como NumPy / pandas para a etapa de teste, para manter um grau razoável de competitividade com equivalentes compilados. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades algorítmicas específicas, bem como o intervalo de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, o idioma utilizado para o backtester e os ambientes de pesquisa podem ser completamente independentes dos usados ​​na construção de portfólio, gerenciamento de riscos e componentes de execução, como será visto.
Construção de carteiras e gerenciamento de riscos.
A construção do portfólio e os componentes de gerenciamento de riscos são muitas vezes ignorados pelos comerciantes algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não só tentam aliviar o número de apostas "arriscadas", mas também minimizam o churn dos próprios negócios, reduzindo os custos de transação.
Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É direto criar um estável de estratégias, pois o mecanismo de construção do portfólio e o gerenciador de riscos podem ser facilmente modificados para lidar com múltiplos sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de comércio algorítmico.
O trabalho do sistema de construção de carteiras é levar um conjunto de trades desejados e produzir o conjunto de negócios reais que minimizam o churn, manter exposições a vários fatores (como setores, classes de ativos, volatilidade, etc.) e otimizar a alocação de capital para vários estratégias em um portfólio.
A construção do portfólio geralmente se reduz a um problema de álgebra linear (como uma fatoração da matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação de álgebra linear numérica disponível. As bibliotecas comuns incluem uBLAS, LAPACK e NAG para C ++. O MatLab também possui operações de matriz amplamente otimizadas. Python utiliza NumPy / SciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca de matriz compilada (e bem otimizada!) Para executar esta etapa, de modo a não engarrafar o sistema de comércio.
O gerenciamento de riscos é outra parte extremamente importante de um sistema de comércio algorítmico. O risco pode vir de várias formas: aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias!), Aumento de correlações entre classes de ativos, contraparte padrão, interrupções do servidor, eventos de "cisnes negros" e erros não detectados no código comercial, para nomear alguns.
Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e a correlação entre as classes de ativos e seus efeitos (s) subsequentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como Monte Carlo "testes de estresse". Isso é muito semelhante às necessidades computacionais de um mecanismo de preços de derivativos e, como tal, será vinculado à CPU. Essas simulações são altamente paralelizáveis ​​(veja abaixo) e, até certo ponto, é possível "lançar hardware no problema".
Sistemas de Execução.
O trabalho do sistema de execução é receber sinais de negociação filtrados dos componentes de construção de portfólio e gerenciamento de riscos e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação algorítmica de varejo, isso envolve uma conexão API ou FIX para uma corretora, como Interactive Brokers. As considerações primárias ao decidir sobre um idioma incluem a qualidade da API, a disponibilidade do idioma para uma API, a freqüência de execução e o deslizamento antecipado.
A "qualidade" da API refere-se ao quão bem documentado é, qual o tipo de desempenho que ele fornece, se ele precisa de um software autônomo para ser acessado ou se um gateway pode ser estabelecido de forma sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa ser executada em um ambiente GUI para acessar sua API. Uma vez, tive que instalar uma edição do Desktop Ubuntu em um servidor de nuvem da Amazon para acessar os corretores interativos de forma remota, apenas por esse motivo!
A maioria das APIs fornecerá uma interface C ++ e / ou Java. Geralmente, é de responsabilidade da comunidade desenvolver wrappers específicos do idioma para C #, Python, R, Excel e MatLab. Note-se que, com cada plugin adicional utilizado (especialmente os wrappers da API), há possibilidades de insetos no sistema. Sempre testar plugins desse tipo e garantir que eles sejam ativamente mantidos. Um indicador valioso é ver quantas novas atualizações de uma base de código foram feitas nos últimos meses.
A frequência de execução é de extrema importância no algoritmo de execução. Note que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. Slippage será incorrido através de um sistema de execução mal executado e isso terá um impacto dramático sobre a rentabilidade.
Os idiomas estaticamente digitados (veja abaixo), como C ++ / Java, geralmente são ótimos para execução, mas há um trade-off em tempo de desenvolvimento, testes e facilidade de manutenção. Idiomas dinamicamente digitados, como Python e Perl, geralmente são geralmente "rápidos o suficiente". Certifique-se sempre de que os componentes foram projetados de forma modular (veja abaixo) para que eles possam ser "trocados" à medida que o sistema se reduz.
Processo de Planejamento e Desenvolvimento Arquitetônico.
Os componentes de um sistema de comércio, seus requisitos de freqüência e volume foram discutidos acima, mas a infraestrutura do sistema ainda não foi coberta. Aqueles que atuam como comerciante de varejo ou que trabalham em um fundo pequeno provavelmente estarão "vestindo muitos chapéus". Será necessário cobrir o modelo alfa, o gerenciamento de riscos e os parâmetros de execução, bem como a implementação final do sistema. Antes de aprofundar linguagens específicas, o design de uma arquitetura de sistema ideal será discutido.
Separação de preocupações.
Uma das decisões mais importantes que devem ser tomadas no início é como "separar as preocupações" de um sistema comercial. No desenvolvimento de software, isso significa essencialmente como dividir os diferentes aspectos do sistema de negociação em componentes modulares separados.
Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que ajudem o desempenho, confiabilidade ou manutenção, sem modificar nenhum código de dependência externo. Esta é a "melhor prática" para esses sistemas. Para estratégias em frequências mais baixas, tais práticas são aconselhadas. Para a negociação de alta freqüência, o livro de regras pode ser ignorado à custa de ajustar o sistema para ainda mais desempenho. Um sistema mais acoplado pode ser desejável.
Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ótima é garantir que haja componentes separados para as entradas de dados de mercado históricos e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros de estratégia, construção de portfólio, gerenciamento de riscos e sistemas de execução automatizada.
Por exemplo, se o armazenamento de dados em uso estiver atualmente com desempenho inferior, mesmo em níveis significativos de otimização, ele pode ser trocado com reescrituras mínimas para a ingesta de dados ou API de acesso a dados. Até o ponto em que o backtester e os componentes subsequentes estão em causa, não há diferença.
Outro benefício de componentes separados é que permite que uma variedade de linguagens de programação sejam usadas no sistema geral. Não é necessário restringir a um único idioma se o método de comunicação dos componentes for independente de linguagem. Este será o caso se estiverem se comunicando via TCP / IP, ZeroMQ ou algum outro protocolo independente de linguagem.
Como um exemplo concreto, considere o caso de um sistema de backtesting que está sendo escrito em C ++ para o desempenho do "crunching", enquanto o gerenciador de portfólio e os sistemas de execução são escritos em Python usando SciPy e IBPy.
Considerações sobre o desempenho.
O desempenho é uma consideração significativa para a maioria das estratégias comerciais. Para estratégias de maior freqüência, é o fator mais importante. O "Desempenho" cobre uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, E / S de dados, simultaneidade / paralelismo e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto este artigo apenas arranhará a superfície de cada tópico. A escolha da arquitetura e da linguagem agora será discutida em termos de seus efeitos sobre o desempenho.
A sabedoria prevalecente, como afirmou Donald Knuth, um dos pais da Ciência da Computação, é que "a otimização prematura é a raiz de todo o mal". Este é quase sempre o caso - exceto quando se forma um algoritmo de negociação de alta freqüência! Para aqueles que estão interessados ​​em estratégias de baixa freqüência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os estrangulamentos começam a aparecer.
Ferramentas de perfil são usadas para determinar onde surgem os estrangulamentos. Perfis podem ser feitos para todos os fatores listados acima, em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e de idioma disponíveis para isso, bem como utilitários de terceiros. A escolha da linguagem agora será discutida no contexto da performance.
C ++, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (como parte do padrão ou externo) para estrutura básica de dados e trabalho algorítmico. C ++ é fornecido com a Biblioteca de modelos padrão, enquanto o Python contém NumPy / SciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação.
Uma exceção é se uma arquitetura de hardware altamente personalizada é necessária e um algoritmo está fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a "reinvenção da roda" desperdiça o tempo que pode ser melhor gasto no desenvolvimento e otimização de outras partes da infra-estrutura de negociação. O tempo de desenvolvimento é extremamente precioso especialmente no contexto dos únicos desenvolvedores.
A latência é muitas vezes uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão localizadas na mesma máquina. Para o primeiro, a latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de disco / rede), os sinais devem ser gerados (sistema operacional, latência de mensagens do kernal), sinais comerciais enviados (latência NIC) e pedidos processados ​​(latência interna dos sistemas de troca).
Para operações de maior freqüência, é necessário familiarizar-se intimamente com a otimização do kernal, além de otimizar a transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado então esteja ciente da profundidade do conhecimento necessário!
O cache é muito útil no conjunto de ferramentas de um desenvolvedor de negócios quantitativo. O armazenamento em cache refere-se ao conceito de armazenar dados freqüentemente acessados ​​de uma maneira que permita um acesso de alto desempenho, em detrimento do potencial estancamento dos dados. Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional com respaldo de disco e colocá-lo na memória. Quaisquer pedidos subseqüentes para os dados não precisam "acessar o banco de dados" e, portanto, os ganhos de desempenho podem ser significativos.
Para situações de negociação, o cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até ser reequilibrado, de modo que a lista não precisa ser regenerada em cada ciclo do algoritmo de negociação. Essa regeneração provavelmente será uma alta CPU ou operação de E / S de disco.
No entanto, o armazenamento em cache não está sem os seus próprios problemas. A regeneração de dados de cache de uma só vez, devido à natureza volátil do armazenamento de cache, pode colocar uma demanda significativa na infraestrutura. Outra questão é o empilhamento de cães, onde múltiplas gerações de uma nova cópia de cache são realizadas sob uma carga extremamente alta, o que leva a uma falha em cascata.
A alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de maior desempenho comercial sejam conscientes de como a memória está sendo alocada e desalocada durante o fluxo do programa. Novos padrões de linguagem, como Java, C # e Python, todos executam a coleta automática de lixo, que se refere à desalocação da memória alocada dinamicamente quando os objetos ficam fora do escopo.
A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz erros e ajuda a legibilidade. No entanto, muitas vezes é sub óptimo para certas estratégias de negociação de alta freqüência. A coleta de lixo personalizada é muitas vezes desejada para esses casos. Em Java, por exemplo, ao ajustar a configuração do coletor de lixo e do heap, é possível obter alto desempenho para as estratégias de HFT.
C ++ não fornece um coletor de lixo nativo e, portanto, é necessário lidar com toda a alocação / desalocação de memória como parte da implementação de um objeto. Embora potencialmente propenso a erros (potencialmente levando a ponteiros pendurados), é extremamente útil ter um controle fino de como os objetos aparecem no heap para determinadas aplicações. Ao escolher um idioma, certifique-se de estudar como funciona o coletor de lixo e se ele pode ser modificado para otimizar um caso de uso específico.
Muitas operações em sistemas de negociação algorítmica são favoráveis ​​à paralelização. Isso se refere ao conceito de realização de múltiplas operações programáticas ao mesmo tempo, ou seja, em "paralelo". Os algoritmos denominados "embarassingly paralelos" incluem etapas que podem ser computadas totalmente independentemente de outras etapas. Certas operações estatísticas, como as simulações de Monte Carlo, são um bom exemplo de algoritmos embarazosa paralelos, pois cada sorteio aleatório e subsequente operação do caminho podem ser computados sem o conhecimento de outros caminhos.
Outros algoritmos são apenas parcialmente paralelizados. As simulações de dinâmica de fluidos são um exemplo, onde o domínio da computação pode ser subdividido, mas, em última instância, esses domínios devem se comunicar entre si e, portanto, as operações são parcialmente seqüenciais. Os algoritmos paralisáveis ​​estão sujeitos à Lei de Amdahl, que fornece um limite superior teórico para o aumento de desempenho de um algoritmo paralelizado quando sujeito a processos separados em $ N $ (por exemplo, em um núcleo ou fio de CPU).
A paralelização tornou-se cada vez mais importante como um meio de otimização, uma vez que as velocidades do clock do processador estagnaram, já que os processadores mais novos contêm muitos núcleos com os quais realizar cálculos paralelos. O aumento do hardware de gráficos de consumo (predominantemente para videogames) levou ao desenvolvimento de Unidades de processamento gráfico (GPUs), que contém centenas de "núcleos" para operações altamente concorrentes. Tais GPUs são agora muito acessíveis. Os quadros de alto nível, como o CUDA da Nvidia, levaram a uma adoção generalizada na academia e nas finanças.
Esse hardware de GPU geralmente é apenas adequado para o aspecto de pesquisa de financiamento quantitativo, enquanto que outros equipamentos mais especializados (incluindo matrizes de portas programáveis ​​em campo - FPGAs) são usados ​​para (U) HFT. Atualmente, a maioria dos langauges modernos suporta um grau de concorrência / multithreading. Assim, é direto otimizar um backtester, pois todos os cálculos são geralmente independentes dos outros.
O dimensionamento em engenharia e operações de software refere-se à capacidade do sistema de lidar consistentemente com o aumento de cargas sob a forma de solicitações maiores, maior uso do processador e maior alocação de memória. Na negociação algorítmica, uma estratégia pode escalar se pode aceitar quantidades maiores de capital e ainda produzir retornos consistentes. A pilha de tecnologia de negociação escala se pode suportar maiores volumes de comércio e latência aumentada, sem bloqueio de estrangulamento.
Enquanto os sistemas devem ser projetados para dimensionar, muitas vezes é difícil prever de antemão, onde um gargalo irá ocorrer. O registro, o teste, o perfil e o monitoramento rigorosos ajudarão grandemente em permitir que um sistema seja dimensionado. As próprias línguas são muitas vezes descritas como "inesquecíveis". Isso geralmente é o resultado de uma informação errônea, e não de um fato difícil. É a pilha de tecnologia total que deve ser verificada quanto à escalabilidade, e não ao idioma. Claramente, certas línguas têm maior desempenho do que outras em casos de uso específicos, mas um idioma nunca é "melhor" do que outro em todos os sentidos.
Um meio de gerenciar a escala é separar as preocupações, como afirmado acima. A fim de introduzir ainda a capacidade de lidar com "picos" no sistema (ou seja, uma volatilidade súbita que desencadeia uma série de trades), é útil criar uma "arquitetura de filas de mensagens". Isso simplesmente significa colocar um sistema de fila de mensagens entre os componentes para que as ordens sejam "empilhadas" se um determinado componente não conseguir processar muitos pedidos.
Em vez de pedidos de perda, eles simplesmente são mantidos em uma pilha até que a mensagem seja tratada. Isso é particularmente útil para enviar trocas para um mecanismo de execução. Se o motor está sofrendo em latência intensa, ele irá fazer backup de trades. Uma fila entre o gerador de sinal comercial e a API de execução aliviará essa questão à custa de uma possível destruição comercial. Um bem respeitado corretor de fila de mensagens de código aberto é RabbitMQ.
Hardware e sistemas operacionais.
O hardware que executa sua estratégia pode ter um impacto significativo na rentabilidade do seu algoritmo. Esta não é uma questão restrita aos comerciantes de alta freqüência. Uma má escolha em hardware e sistema operacional pode levar a uma falha na máquina ou reiniciar no momento mais inoportuno. Assim, é necessário considerar onde sua candidatura irá residir. A escolha é geralmente entre uma máquina de mesa pessoal, um servidor remoto, um provedor de "nuvem" ou um servidor co-localizado em troca.
As máquinas de mesa são simples de instalar e administrar, especialmente com sistemas operacionais mais novos e amigáveis, como o Windows 7/8, o Mac OSX eo Ubuntu. Os sistemas de desktop possuem algumas desvantagens significativas, no entanto. O principal é que as versões dos sistemas operacionais projetados para máquinas de mesa provavelmente irão requerer reinicialização / remendo (e muitas vezes no pior dos tempos!). Eles também usam mais recursos computacionais pela virtude de exigir uma interface gráfica do usuário (GUI).
Utilizar hardware em um ambiente doméstico (ou escritório local) pode levar à conectividade com a internet e aos problemas de tempo de atividade. O principal benefício de um sistema de desktop é que a potência computacional significativa pode ser comprada pela fração do custo de um servidor dedicado remoto (ou sistema baseado em nuvem) de velocidade comparável.
Um servidor dedicado ou uma máquina baseada em nuvem, muitas vezes mais caro do que uma opção de desktop, permite uma infra-estrutura de redundância mais significativa, como backups automatizados de dados, a capacidade de garantir de forma mais direta o tempo de atividade e monitoramento remoto. Eles são mais difíceis de administrar, pois exigem a capacidade de usar recursos de logon remoto do sistema operacional.
No Windows, isto é geralmente através do GUI Remote Desktop Protocol (RDP). Em sistemas baseados em Unix, a linha de comando Secure SHell (SSH) é usada. A infraestrutura de servidor baseada em Unix é quase sempre baseada em linha de comando, o que imediatamente faz com que as ferramentas de programação baseadas em GUI (como MatLab ou Excel) sejam inutilizáveis.
Um servidor co-localizado, como a frase é usada nos mercados de capitais, é simplesmente um servidor dedicado que se encontra dentro de uma troca para reduzir a latência do algoritmo de negociação. Isso é absolutamente necessário para certas estratégias de negociação de alta freqüência, que dependem de baixa latência para gerar alfa.
O aspecto final para a escolha do hardware e a escolha da linguagem de programação é a independência da plataforma. Existe a necessidade do código para executar vários sistemas operacionais diferentes? O código foi projetado para ser executado em um tipo específico de arquitetura de processador, como o Intel x86 / x64 ou será possível executar em processadores RISC, como os fabricados pela ARM? Essas questões serão altamente dependentes da frequência e do tipo de estratégia implementada.
Resiliência e Testes.
Uma das melhores maneiras de perder muito dinheiro na negociação algorítmica é criar um sistema sem resiliência. Isso se refere à durabilidade do sistema quando sujeito a eventos raros, como falências de corretagem, volatilidade súbita em excesso, tempo de inatividade em toda a região para um provedor de servidor em nuvem ou a exclusão acidental de um banco de dados de negociação inteiro. Anos de lucro podem ser eliminados em segundos com uma arquitetura mal projetada. É absolutamente essencial considerar questões como debugging, testes, logging, backups, alta disponibilidade e monitoramento como componentes principais do seu sistema.
É provável que, em qualquer aplicativo de negociação quantitativo personalizado razoavelmente complicado, pelo menos 50% do tempo de desenvolvimento serão gastos em depuração, teste e manutenção.
Quase todas as linguagens de programação são enviadas com um depurador associado ou possuem alternativas de terceiros bem respeitadas. Em essência, um depurador permite a execução de um programa com inserção de pontos de interrupção arbitrários no caminho do código, que interrompe temporariamente a execução para investigar o estado do sistema. O principal benefício da depuração é que é possível investigar o comportamento do código antes de um ponto de falha conhecido.
A depuração é um componente essencial na caixa de ferramentas para analisar erros de programação. No entanto, eles são mais amplamente utilizados em linguagens compiladas, como C ++ ou Java, pois linguagens interpretadas, como Python, geralmente são mais fáceis de depurar devido a menos declarações LOC e menos verbosas. Apesar desta tendência, o Python é enviado com o pdb, que é uma ferramenta de depuração sofisticada. O Microsoft Visual C ++ IDE possui amplos utilitários de depuração de GUI, enquanto que para o programador de linha de comando Linux C ++, o depurador gdb existe.
O teste no desenvolvimento de software refere-se ao processo de aplicação de parâmetros e resultados conhecidos a funções, métodos e objetos específicos dentro de uma base de código, para simular o comportamento e avaliar múltiplos caminhos de código, ajudando a garantir que um sistema se comporta como deveria. Um paradigma mais recente é conhecido como Test Driven Development (TDD), onde o código de teste é desenvolvido contra uma interface especificada sem implementação. Antes da conclusão da base de código real, todos os testes falharão. À medida que o código é escrito para "preencher os espaços em branco", os testes eventualmente passarão, em que ponto o desenvolvimento deve cessar.
O TDD requer um design de especificação detalhado e abrangente, bem como um grau de disciplina saudável para realizar com sucesso. Em C ++, o Boost fornece uma estrutura de teste de unidade. Em Java, a biblioteca JUnit existe para cumprir a mesma finalidade. O Python também possui o módulo unittest como parte da biblioteca padrão. Muitas outras línguas possuem estruturas de teste de unidade e muitas vezes existem várias opções.
Em um ambiente de produção, o log sofisticado é absolutamente essencial. Logging refere-se ao processo de saída de mensagens, com vários graus de gravidade, em relação ao comportamento de execução de um sistema em um arquivo ou banco de dados plano. Os logs são uma "primeira linha de ataque" ao procurar o comportamento inesperado do tempo de execução do programa. Infelizmente, as falhas de um sistema de registro tendem a ser descobertas apenas após o fato! Tal como acontece com os backups discutidos abaixo, um sistema de registro deve ser devidamente considerado ANTES de projetar um sistema.
Tanto o Microsoft Windows quanto o Linux possuem uma extensa capacidade de registro do sistema e as linguagens de programação tendem a ser enviadas com bibliotecas de registro padrão que cobrem a maioria dos casos de uso. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.
While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.
Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric.
System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case.
Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering!
It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment?
Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I 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 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 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 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 plugins/libraries (some free, some commercial) for nearly any quantitative research domain.
There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools "play well" with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned.
MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive.
Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C++ and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats.
The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process.
Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce.
Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C++ in order to improve execution speeds, but it requires some experience in multi-language programming.
While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer.
I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C++ and R. The maturity, community size, ability to "dig deep" if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C++) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend.
Batteries Included?
The header of this section refers to the "out of the box" capabilities of the language - what libraries does it contain and how good are they? This is where mature languages have an advantage over newer variants. C++, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms.
C++ is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms "for free". Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance).
Outside of the standard libraries, C++ makes use of the Boost library, which fills in the "missing parts" of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the 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.
Conclusão.
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.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever para a lista de e-mails QuantStart:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.

Forex trading programming language

Ainda tem uma pergunta? Peça o seu próprio!
To survive in the age of robots, it is necessary to learn a programming language that makes your trading algorithms smarter and not just faster. Having knowledge of a popular programming language is the building block to becoming a professional algorithmic trader. It is not just enough if a person has a love for numbers. Professionals need to put the logic using numbers into a software program to perform a successful transaction. Programming languages are an important contributing factor for trading systems . To build a concrete trading platform - knowledge of various programming languages is a must as it helps control the volatile and multi-faceted market conditions.
For people who wish to thrive in the competitive market of quantitative trading programming expertise in Python, C++ or Java is a must. The core concepts behind using these programming languages for algorithmic trading are same. If an individual acquires expertise in any one language then switching over to the other programming language for algorithmic trading should not be a tough task.
With rapid advancements in technology every day - it is difficult for programmers to learn all the programming languages. One of the most common questions that we receive at QuantInsti is “Which programming language should I learn for algorithmic trading?” The answer to this question is that there is nothing like a “BEST” language for algorithmic trading. There are many important concepts taken into consideration in the entire trading process before choosing a programming language – cost, performance, resiliency, modularity and various other trading strategy parameters.
Each programming language has its own pros and cons and a balance between the pros and cons based on the requirements of the trading system will affect the choice of programming language an individual might prefer to learn. Every organization has a different programming language based on their business and culture.
What kind of trading system will you use? Are you planning to design an execution based trading system? Are you in need of a high-performance back tester?
Based on answers to all these questions, once can decide on which programming language is the best for algorithmic trading. However, to answer the above questions let’s explore the various programming languages used for algorithmic trading with a brief understanding of the pros and cons of each.
Researchers and Quant traders require a scripting language to build a prototype of the code. Python for trading has huge significance in the overall trading process as it find applications in prototyping quant models particularly in quant trading groups in banks and hedge funds. Most of the quant traders prefer Python algorithmic trading as it helps them build their own data connectors, execution mechanisms, backtesting, risk and order management, walk forward analysis and optimization testing modules.
Algorithmic trading developers are often confused whether to choose an open source technology or a commercial/proprietary technology. Before deciding on this it is important to consider the activity of the community surrounding a particular programming language, the ease of maintenance, ease of installation, documentation of the language and the maintenance costs. Python for trading has become a preferred choice recently as Python is an open source and all the packages are free for commercial use.
Python algorithmic trading has gained traction in the quant finance community as it makes it easy to build intricate statistical models with ease due to the availability of sufficient scientific libraries like Pandas, NumPy, PyAlgoTrade, Pybacktest and more.
Parallelization and huge computational power of Python trading give scalability to the portfolio. Algorithmic trading python makes it easier to write and evaluate algo trading structures because of its functional programming approach. The code can be easily extended to dynamic algorithms for trading. Python can be used to develop some great trading platforms where using C or C++ is a hassle and time-consuming job. Trading with Python is an ideal choice for people who want to become pioneers with dynamic algo trading platforms. For individuals new to algorithmic trading, python code is easily readable and accessible. So, if you are stepping into the world of algorithmic trading then QuantInsti’s executive program will help you implement your strategies in the live environment through Python trading platforms. It is comparatively easier to fix new modules to Python language and make it expansive. The existing modules also make it easier for algo traders to share functionality amongst different programs by decomposing them into individual modules which can be applied to various trading architectures. When using Python for trading it requires fewer lines of code due to the availability of extensive libraries. Quant traders can skip various steps which other languages like C or C++ might require. This brings down the overall cost of maintaining the trading system. With a wide range of scientific libraries in Python, algorithmic traders can perform any kind of data analysis at an execution speed that is comparable to compiled languages like C++.
Drawback of Using Python in Algorithmic Trading.
Just like every coin has two faces, there are some drawbacks of using Python for trading. However, the pros of using python for trading exceed the drawbacks making it a supreme choice of programming language for algorithmic trading platforms.
In python, every variable is considered as an object, so every variable will store unnecessary information like size, value and reference pointer. Usually, the size of python variables is 3 times more than the size of C language variables. When storing millions of variables if memory management is not done effectively, it could lead to memory leaks and performance bottlenecks.
Algorithmic Trading – Python vs. C++
A compiled language like C++ is often an ideal programming language choice if the backtesting parameter dimensions are large. However, Python makes use of high-performance libraries like Pandas or NumPy for backtesting to maintain competitiveness with its compiled equivalents. Python or C++ – the language to be used for backtester and research environments will be decided based on the requirements of the algorithm and the available libraries. Choosing C++ or Python will depend on the trading frequency. Python trading language is ideal for 5-minute bars but when moving down time sub-second time frames this might not be an ideal choice. If speed is a distinctive factor to compete with your competent then using C++ is a better choice than using Python for Trading. C++ is complicated language, unlike Python which even beginners can easily read, write and learn.
Trading systems evolve with time and any programming language choices will evolve along with them. If you want to enjoy the best of both the worlds in algorithmic trading i. e. benefits of a general purpose programming language and powerful tools of the scientific stack – choose an algorithmic trading course that introduces python trading platforms.
Seems like there is a lot to be learned. Isn’t it? Get started on your journey and enroll now for our algorithmic trading course ‘Executive Programme in Algorithmic Trading’ to design a masterpiece.
You can also check out our interactive course, ‘ Python for Trading ‘, you’ll get hands-on experience on Python coding. You’ll get to code your own strategy and backtest it as well plus a joint certification from QuantInsti and MCX.
This is almost a question I want to ask but also would like to answer.
This is quite a long answer and doesn't really say "Hey this is the best" because there is no best, only compromises/decisions to get something that would suit you and your problem space.
There are a couple of factors you would take into consideration:
how productive you are in the language how good is the language ecosystem for your problem space how fast it is and how much of a consideration it is compared to the first factors.
1. How productive you are in the language?
Some languages are easier to learn than others. Python being dynamic is very easy to pick up and get running with. Java or C#, are probably a bit more complex to pick up and start working with as they have some more conventions in terms of structuring code etc that you need to understand. C++ is then probably an order of magnitude harder as you have more lower level concerns you need to contemplate.
Thinking about that you need to consider, how important is all the low level stuff to what you are trying to achieve? If its to make money, and you don't really care what a pointer or reference and want to deal with low level stuff then get closer to a language like python (Dynamic scripting language).
Moving on from that kind of list there are a plethora of other options:
Haskell, Scala, Erlang, OCaml et al..
Object Orientated languages that bridge the gap between C++ and Java:
And more Science Orientated languages like:
R, Matlab, Octave, Julia.
Depending on how you click with these languages you will find starting to code up an Algo incredibly easy or terribly hard. As we see in the next factor this is also a function of the ecosystem and help network for the language in the problem space you are working in.
I wanted to get peoples opinions on the suitability of these other options but I fear I have probably answered my own question later on in this answer.
2. How good is the language ecosystem for your problem space?
I really like the sound of Julia as a replacement to python but some questions arise:
1. how good is the packages/libraries to help solve my problem space.
I really don't want to have write lots of code to do simple stuff as the basis of my algo. You need good libraries to help you do things fast, why re-invent the wheel?
2. How many other people are using this language to do something similar? Check stackoverflow and such like. If you can't find people asking the same questions in the language of your choice chances are you'll be doing it solo and writing everything to suit yourself. If that's how you roll then I don't think you would asking this question.
3. How Fast is the Language Overall and does that matter a lot to your Algo and Market?
Speed is always a concern people cite when they want to use C++ or some naturally low level language. But factoring in you are a beginner and you want to be productive quickly, learning C++ might be overkill.
Most languages can be pretty fast when you optimise them or know what you are doing. Loading in and processing data is normally the most time consuming part of most computer programs. If you want to test on EOD (End Of Day) data then using a higher level language would be good as you can write in a high enough level language that you are productive quickly in but still give you a fast enough run time.
If the runtime of your testing system is tolerable and you are running millions of test to data mine then upto a minute may be manageable for you, I don't know as your answer is very vague and in general vague questions get vague answers.
The higher the resolution of the data or the faster you need to make decisions then you drop to type-safe languages with some kind of garbage collection then finally down to C++ style stuff where you do all that yourself and you are more concerned with where the next line of code is in the cache of the CPU to be executed as fast as possible when the next point of data comes in you have to action.
So in reality you have to go and find out for yourself, what suits you, your problem space and your current knowledge level of programming in general. If you don't know a flatmap from a for loop then you will have a lot more to do in learning the basics of a language so go for something high level with good packages and support (python is probably the best in that respect) and as you get better or your algorithms get more time sensitive move down the stack of options.
I have made a lot of assumptions about your real intentions, background and skill levels in this answer and that's what trading and programming are about as well: Trade offs between speed, ease of use and the assumptions you make at the start of a project. Inevitably you will be wrong and will have made the wrong decisions but you need to start out somewhere but you will learn from those mistakes (just like in trading) and hopefully move on and learn more in the next iteration of development or language/platform you choose.
Depends on your goal.
Most algorithmic developers for trading systems need to do backtesting, access data sets, do studies, revisions, and more revisions to the model. This modelling lends itself to Python more and more these days. This is the whole reason that I learned Python.
Over the years I have seen, and developed trading systems in a number of programming languages from C, C++, Java, Python, Perl, and Visual Basic. They each have their advantages. But for the most part the language was chosen by the lead technologist. Often the decision was “because that is what I am best at” or “because I want to learn that.”
This is my technology decision criteria:
How fast do I need to be during runtime? The faster it is the more I lean towards C/C++ How fast does my startup/recovery need to be? I once used a FIX order routing engine that could take as much as 20 minutes to restart intraday as the recovery was soooooo slow. If it went down after market open, then I really didn’t want to restart it anyway. How often will the model be changing? The more I am backtesting changes to the model, the more I will likely use Python. How will the system present itself visually? What level of complexity am I willing to accept? The more technology, the more likely to break is my working theory. Who will support it? If they can’t be trained in support than your trading system is likely to cost you massively in trade errors. What APIs will I be using? The Market Data API and Order Routing API often dictate the language.
Currently I am developing algos on CloudQuant which uses Python.
C++ is often used for real time trading applications, becuse it's really fast, but you might spend a lot of time writing your trading system with it and to mantain. Java is much more 'user friendly' as well as Python, they are a better choice if you prefer to have less complex code to deal with and they can manage real time data with no problems at all.
Python is a great tool also for data analysis and for research, it has great packages such as numpy, pandas, and scikit learn for Machine learning. I also would suggest to give a look at R, it has a simple IDE RStudio and for statistical analysis and plotting is perhaps one of the best (free) tool.
You could also look at some web platforms for algorithmic trading, Quantopian uses Python and Quantconnect C#, you can run backtests and live trading with their respective brokers.
The solution i developped for my customers mainly uses C++, firstly because it's fast, and secondly because that not particularly harder than any other language. You can find the C++ SDK i'm coding right here quotek. io/quotek-sdk-2.2. (documentation here: Welcome to Quotek SDK documentation! )
You can also get an overview of the whole quotek solution by visiting our website: Quotek, algotrading made easy.