Trading System In C #

Trading Systems Was ist ein Trading System. A Handelssystem ist einfach eine Gruppe von spezifischen Regeln oder Parameter, die Ein-und Ausstieg Punkte für ein bestimmtes Eigenkapital bestimmen Diese Punkte, bekannt als Signale, sind oft in einem Diagramm in Echtzeit und prompt markiert Die sofortige Ausführung eines Handels. Hier sind einige der häufigsten technischen Analyse-Tools verwendet, um die Parameter der Handelssysteme zu konstruieren. Moving Mittelwerte MA. Relative Stärke. Bollinger Bands. Often, zwei oder mehr dieser Formen von Indikatoren werden kombiniert werden in Die Schaffung einer Regel Zum Beispiel verwendet das MA-Crossover-System zwei gleitende Durchschnittsparameter, die langfristige und kurzfristige, um eine Regel zu kaufen, wenn die kurzfristigen Kreuze über die langfristige und verkaufen, wenn das Gegenteil ist True In anderen Fällen verwendet eine Regel nur einen Indikator. Beispielsweise könnte ein System eine Regel haben, die jeden Kauf verbietet, es sei denn, die relative Stärke liegt über einem bestimmten Niveau. Aber es ist eine Kombination aus all diesen Regeln, die ein Handelssystem macht. MSFT Moving Average Cross-Over-System mit 5 und 20 Moving Averages. Weil der Erfolg des Gesamtsystems hängt davon ab, wie gut die Regeln durchführen, System-Trader verbringen Zeit Optimierung, um das Risiko zu steuern erhöhen die Menge pro Handel gewonnen und langfristig zu erreichen Stabilität Dies geschieht durch das Ändern verschiedener Parameter innerhalb jeder Regel Zum Beispiel, um das MA Crossover-System zu optimieren, würde ein Trader testen, um zu sehen, welche gleitenden Mittelwerte 10-Tage, 30-Tage, etc. am besten funktionieren und dann umsetzen. Aber Optimierung kann sich verbessern Ergebnisse nur durch eine kleine Marge - es ist die Kombination von Parametern verwendet, die letztlich bestimmen den Erfolg eines Systems. Advantages Also, warum sollten Sie wollen, um ein Trading-System. Es nimmt alle Emotionen aus dem Handel - Emotion wird oft zitiert als Einer der größten Mängel der einzelnen Investoren Investoren, die nicht in der Lage sind, mit Verlusten fertig zu werden, schätzen ihre Entscheidungen und am Ende Geld zu verlieren Durch die strikte Verfolgung eines vorentwickelten Systems können Systemhändlern auf die Notwendigkeit verzichten, Entscheidungen zu treffen, sobald das System entwickelt ist und Etabliert, ist der Handel nicht empirisch, weil es automatisiert ist Durch die Verringerung der menschlichen Ineffizienzen, können System-Trader Gewinne steigern. Es kann viel Zeit sparen - Sobald ein effektives System entwickelt und optimiert wenig bis keine Anstrengung ist erforderlich durch den Händler Computer sind Oft verwendet, um nicht nur die Signalgenerierung zu automatisieren, sondern auch den eigentlichen Handel, so dass der Trader von der Zeit für die Analyse und die Herstellung von Trades befreit wird. Es ist einfach, wenn Sie andere tun es für Sie - Brauchen Sie die ganze Arbeit für Sie getan Einige Unternehmen verkaufen Handelssysteme, die sie entwickelt haben Andere Unternehmen geben Ihnen die Signale, die von ihren internen Handelssystemen für eine monatliche Gebühr generiert werden. Seien Sie vorsichtig, obwohl - viele dieser Unternehmen sind betrügerisch Schauen Sie sich genau an, wenn die Ergebnisse, die sie rühmen, genommen wurden Immerhin ist es einfach, in der Vergangenheit zu gewinnen. Schauen Sie nach Firmen, die einen Versuch anbieten, mit dem Sie das System in Echtzeit ausprobieren können. Die Vorteile haben wir uns die Hauptvorteile der Arbeit mit einem Handelssystem angesehen, aber auch der Ansatz Hat seine Nachteile. Die Systeme sind komplex - das ist ihr größter Nachteil In den Entwicklungsstadien verlangen die Handelssysteme ein solides Verständnis der technischen Analyse, die Fähigkeit, empirische Entscheidungen zu treffen und eine gründliche Kenntnis davon, wie die Parameter funktionieren Aber auch wenn Sie sich nicht entwickeln Ihr eigenes Trading-System, es ist wichtig, mit den Parametern vertraut zu sein, aus denen sich derjenige zusammensetzt, den Sie verwenden. Das Erwerben all dieser Fähigkeiten kann eine Herausforderung sein. Sie müssen in der Lage sein, realistische Annahmen zu machen und das System effektiv zu nutzen - System-Trader müssen machen Realistische Annahmen über Transaktionskosten Diese bestehen aus mehr als Provisionskosten - der Unterschied zwischen dem Ausführungspreis und dem Fillpreis ist ein Teil der Transaktionskosten. Denken Sie daran, dass es oft unmöglich ist, die Systeme genau zu testen, was zu einer gewissen Unsicherheit führt Das System live Probleme, die auftreten, wenn simulierte Ergebnisse stark von den tatsächlichen Ergebnissen abweichen, sind als Schlupf bekannt. Der effektive Umgang mit Schlupf kann eine große Straßensperre für die Bereitstellung eines erfolgreichen Systems sein. Die Entwicklung kann eine zeitaufwändige Aufgabe sein - viel Zeit kann in die Entwicklung gehen Ein Handelssystem, um es laufen zu lassen und ordnungsgemäß zu arbeiten, ein Systemkonzept zu erarbeiten und es in die Praxis umzusetzen, beinhaltet viel Test, das eine Weile dauert. Historisches Backtesting dauert ein paar Minuten, aber Rücktests allein sind nicht ausreichend Systeme müssen auch Papier sein, das in real gehandelt wird Zeit, um die Zuverlässigkeit zu gewährleisten Schließlich kann Schlupf dazu führen, dass Händler mehrere Revisionen auf ihre Systeme machen, auch nach der Bereitstellung. Sie arbeiten Es gibt eine Reihe von Internet-Betrug im Zusammenhang mit dem Systemhandel, aber es gibt auch viele legitime, erfolgreiche Systeme Vielleicht die berühmtesten Beispiel ist das von Richard Dennis und Bill Eckhardt entwickelte und implementierte, die die ursprünglichen Schildkrötenhändler sind. Im Jahr 1983 hatten diese beiden einen Streit darüber, ob ein guter Trader geboren oder gemacht wurde. So nahmen sie einige Leute von der Straße und trainierten sie Auf ihrem mittlerweile berühmten Schildkröten-Trading-System Sie sammelten 13 Händler und landeten 80 jährlich in den nächsten vier Jahren Bill Eckhardt sagte einmal, jeder mit durchschnittlicher Intelligenz kann lernen, zu handeln Dies ist nicht Raketenwissenschaft Allerdings ist es viel einfacher zu lernen, was Sie sollten im Handel tun, als es zu tun Trading-Systeme werden immer beliebter bei professionellen Händlern, Fondsmanagern und einzelnen Investoren gleichermaßen - vielleicht ist dies ein Testament, wie gut sie arbeiten. Dealing mit Scams Wenn Sie ein Trading-System kaufen, Es kann schwierig sein, ein vertrauenswürdiges Geschäft zu finden. Aber die meisten Betrügereien können durch gesunden Menschenverstand entdeckt werden. Zum Beispiel ist eine Garantie von 2.500 Jahren eindeutig unverschämt, da es verspricht, dass man mit nur 5.000 125.000 in einem Jahr und dann durch Compoundierung für fünf Jahre machen könnte , 48,828,125,000 Wenn dies wahr wäre, würde der Schöpfer seinen Weg zu einem Milliardär sein. Andererseits bietet es aber schwierig zu dekodieren, aber ein häufiger Weg, um Betrügereien zu vermeiden, ist, Systeme zu suchen, die eine kostenlose Testversion anbieten So können Sie das System selbst testen Niemals blind vertrauen das Geschäft rühmt sich Es ist auch eine gute Idee, um andere zu kontaktieren, die das System verwendet haben, um zu sehen, ob sie ihre Zuverlässigkeit und Rentabilität bestätigen können. Conclusion Die Entwicklung eines effektiven Handelssystems ist durch Nr Bedeutet eine leichte Aufgabe Es erfordert ein solides Verständnis der vielen verfügbaren Parameter, die Fähigkeit, realistische Annahmen zu machen und die Zeit und Hingabe, um das System zu entwickeln. Allerdings, wenn entwickelt und eingesetzt richtig, ein Handelssystem kann viele Vorteile Es kann die Effizienz zu erhöhen, Freigeben Sie Zeit und, am wichtigsten, erhöhen Sie Ihre Gewinne. Trading Systems Entwerfen Sie Ihr System - Teil 1. Der vorhergehende Abschnitt dieses Tutorials betrachtete die Elemente, die ein Handelssystem bilden und diskutierten die Vor-und Nachteile der Verwendung eines solchen Systems in einem Live-Trading-Umfeld In diesem Abschnitt bauen wir auf diesem Wissen auf, indem wir untersuchen, welche Märkte sich besonders gut für den Systemhandel eignen. Wir werden dann die verschiedenen Gattungen der Handelssysteme genauer betrachten. Auf den verschiedenen Märkten Der Aktienmarkt ist vermutlich der häufigste Markt für den Handel, vor allem bei den Anfängern. In dieser Arena dominieren große Spieler wie Warren Buffett und Merrill Lynch, und traditionelle Wert - und Wachstumsinvestitionsstrategien sind bei weitem am häufigsten. Trotzdem haben viele Institutionen erheblich investiert In der Gestaltung, Entwicklung und Umsetzung von Handelssystemen Individuelle Investoren treten diesem Trend bei, obwohl langsam. Hier sind einige Schlüsselfaktoren, die bei der Verwendung von Handelssystemen in Aktienmärkten zu beachten sind. Die große Menge an verfügbaren Aktien ermöglicht es Händlern, Systeme auf vielen zu testen Verschiedene Arten von Aktien - alles von extrem volatilen außerbörslichen OTC-Aktien bis hin zu nicht-volatilen Blue-Chips. Die Effektivität von Handelssystemen kann durch die geringe Liquidität einiger Aktien begrenzt werden, vor allem OTC - und Pink-Sheet-Emissionen können in Gewinne eintreten Durch erfolgreiche Geschäfte und können Verluste erhöhen OTC und rosa Blatt Aktien oft zusätzliche Provision Gebühren. Die wichtigsten Handelssysteme verwendet werden, die nach Wert suchen - das heißt, Systeme, die unterschiedliche Parameter verwenden, um festzustellen, ob eine Sicherheit im Vergleich zu ihrer Vergangenheit unterbewertet ist Leistung, seine Kollegen oder den Markt im Allgemeinen. Foreign Exchange Markets Der Devisenmarkt oder Forex ist der größte und liquideste Markt der Welt Die Welt Regierungen, Banken und anderen großen Institutionen Handel Billionen von Dollar auf dem Forex-Markt jeder Tag Die Mehrheit der institutionellen Händler auf dem Forex verlassen sich auf Handelssysteme Das gleiche gilt für Einzelpersonen auf dem Forex, aber einige Handel auf der Grundlage von Wirtschaftsberichten oder Zinsauszahlungen. Hier sind einige Schlüsselfaktoren zu beachten bei der Verwendung von Handelssystemen auf dem Forex-Markt. Die Liquidität in diesem Markt - aufgrund des riesigen Volumens - macht Handelssysteme genauer und effektiver. Es gibt keine Provisionen in diesem Markt, nur Spreads Daher ist es viel einfacher, viele Transaktionen ohne Erhöhung der Kosten für die Höhe der Aktien oder Rohstoffe vorhanden, die Anzahl der zu handelnden Währungen ist begrenzt, aber wegen der Verfügbarkeit von exotischen Währungspaaren - also Währungen aus kleineren Ländern - ist die Reichweite in Bezug auf die Volatilität nicht unbedingt begrenzt. Die wichtigsten Handelssysteme, die in Forex verwendet werden, sind diejenigen, die Folgen Trends ein populäres Sprichwort auf dem Markt ist der Trend ist Ihr Freund oder Systeme, die kaufen oder verkaufen auf Ausbrüche Dies ist, weil ökonomische Indikatoren oft große Preisbewegungen auf einmal verursachen. Futures Equity, Forex und Rohstoffmärkte alle bieten Futures-Handel Dies Ist ein beliebtes Fahrzeug für den Systemhandel wegen der höheren Menge an Leverage verfügbar und die erhöhte Liquidität und Volatilität Allerdings können diese Faktoren schneiden beide Möglichkeiten, wie sie entweder verstärken können Ihre Gewinne oder verstärken Sie Ihre Verluste Aus diesem Grund ist die Verwendung von Futures in der Regel reserviert Für fortgeschrittene individuelle und institutionelle System-Trader Dies ist, weil Handelssysteme, die in der Lage sind, auf dem Futures-Markt zu profitieren, viel größere Anpassungen erfordern, mehr fortgeschrittene Indikatoren verwenden und viel länger dauern, um zu entwickeln So, Welches ist das beste Es s bis zu dem einzelnen Investor zu entscheiden, welcher Markt Eignet sich am besten für den Systemhandel - jeder hat seine eigenen Vor - und Nachteile Die meisten Menschen sind mit den Aktienmärkten vertraut, und diese Vertrautheit macht die Entwicklung eines Handelssystems einfacher. Allerdings ist Forex üblicherweise die überlegene Plattform, um Handelssysteme zu betreiben - vor allem Unter erfahrenen Händlern Darüber hinaus, wenn ein Händler beschließt, auf erhöhte Hebelwirkung und Volatilität zu profitieren, ist die Futures-Alternative immer offen Letztlich liegt die Wahl in den Händen des Systementwicklers. Typen von Trading Systems. Trend-Following Systems Die häufigste Methode Des Systemhandels ist das trendbasierende System In seiner fundamentalsten Form wartet dieses System einfach auf eine signifikante Preisbewegung, dann kauft oder verkauft er in dieser Richtung Diese Art von Systembanken auf die Hoffnung, dass diese Preisbewegungen den Trend beibehalten werden. Moving Durchschnittliche Systeme Häufig in der technischen Analyse verwendet wird ein gleitender Durchschnitt ist ein Indikator, der einfach zeigt den durchschnittlichen Preis eines Bestandes über einen Zeitraum von Zeit Das Wesentliche der Trends wird aus dieser Messung abgeleitet Die häufigste Art der Bestimmung der Ein-und Ausreise ist ein Crossover Die Logik Hinter diesem ist einfach ein neuer Trend ist etabliert, wenn der Preis über oder unter seinem historischen Preis liegt Durchschnittlicher Trend Hier ist ein Diagramm, das sowohl die Preis blaue Linie und die 20-Tage MA rote Linie von IBM. Breakout Systems Das grundlegende Konzept hinter diesem Typ Des Systems ist ähnlich wie bei einem gleitenden Durchschnittssystem Die Idee ist, dass bei einer neuen Hoch - oder Tiefstufe die Preisbewegung am ehesten in Richtung des Ausbruchs fortgesetzt wird. Ein Indikator, der bei der Ermittlung von Ausbrüchen verwendet werden kann, ist einfach Bollinger Band Overlay Bollinger Bands zeigen Durchschnittswerte von hohen und niedrigen Preisen, und Ausbrüche auftreten, wenn der Preis die Kanten der Bands trifft Hier ist ein Diagramm, das Preis blaue Linie und Bollinger Bands graue Linien von Microsoft. Disadvantages von Trend-Following Systems. Empirische Entscheidung - Making Required - Bei der Bestimmung von Trends gibt es immer ein empirisches Element, um die Dauer des historischen Trends zu betrachten. Zum Beispiel könnte der gleitende Durchschnitt für die letzten 20 Tage oder für die letzten fünf Jahre sein, so dass der Entwickler bestimmen muss, welcher ist Am besten für das System Andere Faktoren, die bestimmt werden sollen, sind die durchschnittlichen Höhen und Tiefen in Breakout-Systemen. Lagging Nature - Moving Mittelwerte und Breakout-Systeme werden immer zurückbleiben Mit anderen Worten, sie können niemals die genaue Top - oder Bottom-of-Trend beeinflussen Dies führt zwangsläufig dazu In einem Verfall von potenziellen Gewinnen, die manchmal erheblich sein können. Weberschaftswirkung - Unter den Marktkräften, die für den Erfolg von Trendfolgesystemen schädlich sind, gehört dies zu den häufigsten Die Whipswirkung tritt auf, wenn der gleitende Durchschnitt ein falsches erzeugt Signal - das heißt, wenn der Durchschnitt nur in Reichweite fällt, dann plötzlich umgekehrt Richtung Dies kann zu massiven Verlusten führen, es sei denn, effektive Stop-Verluste und Risikomanagement-Techniken eingesetzt werden. Sideways Märkte - Trend-Follow-Systeme sind von Natur aus in der Lage zu machen Geld nur in Märkten, die tatsächlich Trend machen Allerdings bewegen sich die Märkte auch seitwärts in einem bestimmten Bereich für einen längeren Zeitraum. Extreme Volatility Mai auftreten - Gelegentlich können Trend-Follow-Systeme einige extreme Volatilität erleben, aber der Trader muss mit seinem bleiben Oder ihr System Die Unfähigkeit, dies zu tun, wird zu einem versicherten Misserfolg führen. Countertrend Systems Grundsätzlich ist das Ziel mit dem Gegensprechsystem, auf dem niedrigsten Tief zu kaufen und am höchsten zu verkaufen. Der Hauptunterschied zwischen diesem und dem Trendfolgesystem ist das Das Gegensprechsystem ist nicht selbstkorrigierend Mit anderen Worten, es gibt keine eingestellte Zeit, um Positionen zu verlassen, und dies führt zu einem unbegrenzten Nachteilpotential Arten von Countertrend-Systemen Viele verschiedene Arten von Systemen gelten als Gegensprechsysteme Die Idee hier ist, wenn Impuls zu kaufen In einer Richtung beginnt Fading Dies wird am häufigsten mit Oszillatoren berechnet. Zum Beispiel kann ein Signal erzeugt werden, wenn Stochastik oder andere relative Stärkeindikatoren unter bestimmte Punkte fallen. Es gibt andere Arten von Gegenstrends Handelssystemen, aber alle haben das gleiche grundlegende Ziel - Zu kaufen niedrig und verkaufen hoch. Die Vorteile von Countertrend Following Systems. E mpirische Entscheidungsfindung erforderlich - Zum Beispiel, einer der Faktoren, die der Systementwickler entscheiden muss, ist die Punkte, an denen die relativen Stärke Indikatoren verblassen. Extreme Volatility Mai auftreten - Diese Systeme können auch einige extreme Volatilität erleben und eine Unfähigkeit, mit dem System trotz dieser Volatilität zu bleiben, wird zu einem versicherten Ausfall führen. Unbegrenzter Nachteil - Wie bereits erwähnt, gibt es unbegrenztes Abwärtspotenzial, weil das System nicht selbstkorrigiert ist, gibt es keine festgelegte Zeit Zu beenden position. Conclusion Die wichtigsten Märkte, für die Handelssysteme geeignet sind, sind die Aktien-, Devisen - und Futures-Märkte Jeder dieser Märkte hat seine Vor - und Nachteile Die beiden Hauptgenres der Handelssysteme sind die Trendfolgen und die Gegensprechsysteme Trotz ihrer Unterschiede , Beide Arten von Systemen, in ihren Entwicklungsstadien, erfordern empirische Entscheidungsfindung seitens des Entwicklers Auch diese Systeme unterliegen extremen Volatilität und dies kann eine gewisse Ausdauer erfordern - es ist wichtig, dass der Systemhändler mit seinem System haftet Während dieser Zeiten In der folgenden Tranche, werden wir einen genaueren Blick auf, wie man ein Handelssystem entwerfen und diskutieren einige der Software, die System-Händler verwenden, um ihr Leben leichter machen. Best Programmiersprache für algorithmische Handelssysteme. Einer der häufigsten Fragen, die ich im QS-Postfach bekomme Was ist die beste Programmiersprache für den algorithmischen Handel Die kurze Antwort ist, dass es keine beste Sprache gibt. Strategy Parameter, Leistung, Modularität, Entwicklung, Resiliency und Kosten müssen in Betracht gezogen werden Dieser Artikel beschreibt die notwendigen Komponenten Einer algorithmischen Trading-System-Architektur und wie Entscheidungen in Bezug auf die Umsetzung beeinflussen die Wahl der Sprache. Zunächst werden die wichtigsten Komponenten eines algorithmischen Handelssystems betrachtet werden, wie die Forschungs-Tools, Portfolio-Optimierer, Risikomanager und Ausführungs-Engine Nachfolgend verschiedene Handelsstrategien Wird geprüft und wie sie sich auf die Gestaltung des Systems auswirken. Insbesondere wird die Häufigkeit des Handels und des wahrscheinlichen Handelsvolumens diskutiert. Wenn die Handelsstrategie ausgewählt wurde, ist es notwendig, das gesamte System zu architektieren Dies beinhaltet die Wahl der Hardware, Das Betriebssystem s und System-Resilienz gegen seltene, potenziell katastrophale Ereignisse Während die Architektur in Betracht gezogen wird, muss die Leistung berücksichtigt werden - sowohl für die Forschungs-Tools als auch für die Live-Ausführungsumgebung. Was ist das Trading-System zu tun. Vor der Entscheidung über die beste Sprache, mit der ein automatisiertes Handelssystem zu schreiben ist, ist es notwendig, die Anforderungen zu definieren Ist das System rein Ausführung basiert Wird das System ein Risikomanagement - oder Portfolio-Baumodul benötigen Wird das System einen leistungsstarken Backtester benötigen Für die meisten Strategien kann das Handelssystem in zwei Kategorien aufgeteilt werden. Forschung und Signalgenerierung. Forschung beschäftigt sich mit der Bewertung einer Strategieleistung über historische Daten Der Prozess der Auswertung einer Handelsstrategie gegenüber früheren Marktdaten ist als Backtesting bekannt. Die Datengröße und die algorithmische Komplexität Wird einen großen Einfluss auf die rechnerische Intensität der Backtester-CPU-Geschwindigkeit und Parallelität sind oft die begrenzenden Faktoren bei der Optimierung der Forschungs-Durchlauf-Geschwindigkeit. Signal-Generation ist mit der Erzeugung einer Reihe von Handelssignalen aus einem Algorithmus und Senden solcher Aufträge auf den Markt, in der Regel betroffen Über eine Vermittlung Für bestimmte Strategien ist ein hohes Maß an Leistung erforderlich IO-Themen wie Netzwerkbandbreite und Latenz sind oft der begrenzende Faktor bei der Optimierung von Ausführungssystemen So kann die Wahl der Sprachen für jede Komponente Ihres Gesamtsystems ganz anders sein. Typ, Frequenz Und Volumen der Strategie. Die Art der algorithmischen Strategie eingesetzt wird einen wesentlichen Einfluss auf die Gestaltung des Systems Es wird notwendig sein, die Märkte gehandelt werden, die Konnektivität zu externen Datenanbietern, die Häufigkeit und das Volumen der Strategie, der Handel - zwischen der Leichtigkeit der Entwicklung und der Leistungsoptimierung, sowie jeder benutzerdefinierten Hardware, einschließlich co-lokalisierter benutzerdefinierter Server, GPUs oder FPGAs, die notwendig sein könnten. Die Technologieoptionen für eine niederfrequente US-Aktienstrategie werden sich deutlich von denen unterscheiden Eine hochfrequente statistische Arbitrage-Strategie Handel auf dem Futures-Markt Vor der Wahl der Sprache müssen viele Datenverkäufer ausgewertet werden, die sich auf eine Strategie zur Hand beziehen. Es wird notwendig sein, die Konnektivität mit dem Anbieter, die Struktur von APIs, die Aktualität zu betrachten Der Daten, Speicheranforderungen und Resilienz im Angesicht eines Verkäufers, der offline geht Es ist auch klug, schnellen Zugriff auf mehrere Anbieter zu besitzen. Verschiedene Instrumente haben alle ihre eigenen Speicherquirks, Beispiele dafür sind mehrere Tickersymbole für Aktien und Verfallsdaten für Futures Nicht zu erwähnen, spezifische OTC-Daten Dies muss in die Plattform-Design berücksichtigt werden. Frequenz der Strategie ist wahrscheinlich einer der größten Treiber, wie die Technologie-Stack definiert werden Strategien, die Daten häufiger als minutely oder zweitens Bars benötigen erhebliche Berücksichtigung in Bezug auf Leistung. Eine Strategie, die zweitens Stäbe übersteigt, dh Tick-Daten führt zu einem leistungsgesteuerten Design als primäre Anforderung Für Hochfrequenz-Strategien muss eine beträchtliche Menge an Marktdaten gespeichert und ausgewertet werden. Software wie HDF5 oder kdb werden häufig verwendet Für diese Rollen. Um die umfangreichen Datenmengen für HFT-Anwendungen zu verarbeiten, muss ein weitgehend optimiertes Backtester - und Ausführungssystem CC verwendet werden, mit einigen Assembler ist wahrscheinlich der stärkste Sprachkandidat. Ultra-Hochfrequenz-Strategien werden mit Sicherheit sicherlich benutzerdefiniert sein Hardware wie FPGAs, Austausch-Co-Location und Kern-Netzwerk-Interface-Tuning. Research Systems. Research-Systeme beinhalten in der Regel eine Mischung aus interaktiver Entwicklung und automatisierte Scripting Das ehemalige findet oft in einer IDE wie Visual Studio, MatLab oder R Studio Letzteres beinhaltet Umfangreiche numerische Berechnungen über zahlreiche Parameter und Datenpunkte Dies führt zu einer Sprachwahl, die eine einfache Umgebung bietet, um Code zu testen, bietet aber auch eine ausreichende Leistung, um Strategien über mehrere Parameterdimensionen zu bewerten. Typische IDEs in diesem Raum sind Microsoft Visual CC, das umfangreiches Debugging enthält Utilities, Code-Completion-Funktionen über Intellisense und einfache Übersichten des gesamten Projektstapels über die Datenbank ORM, LINQ MatLab, die für umfangreiche numerische lineare Algebra und vektorisierte Operationen ausgelegt ist, aber in einer interaktiven Konsolenart R Studio, die die R-Statistik-Konsole einschließt Eine vollwertige IDE Eclipse IDE für Linux Java und C und semi-proprietäre IDEs wie Enthought Canopy für Python, die Datenanalyse-Bibliotheken wie NumPy SciPy Scikit-Learn und Pandas in einer einzigen interaktiven Konsolenumgebung enthalten. Für numerische Backtesting, alle Der oben genannten Sprachen sind geeignet, obwohl es nicht notwendig ist, eine GUI-IDE zu verwenden, da der Code im Hintergrund ausgeführt wird. Die Hauptbetrachtung in diesem Stadium ist die der Ausführungsgeschwindigkeit Eine kompilierte Sprache wie C ist oft nützlich, wenn der Backtesting-Parameter Dimensionen sind groß Denken Sie daran, dass es notwendig ist, vor solchen Systemen vorsichtig zu sein, wenn dies der Fall ist. Interpreted Sprachen wie Python verwenden oft Hochleistungsbibliotheken wie NumPy Pandas für den Backtesting-Schritt, um einen angemessenen Grad zu halten Wettbewerbsfähigkeit mit kompilierten Äquivalenten Letztlich wird die für das Backtesting gewählte Sprache durch spezifische algorithmische Bedürfnisse sowie die Bandbreite der Bibliotheken, die in der Sprache mehr dazu verfügbar sind, bestimmt. Allerdings kann die Sprache, die für den Backtester und die Forschungsumgebungen verwendet wird, völlig unabhängig sein Verwendet in der Portfolio-Konstruktion, Risikomanagement und Ausführung Komponenten, wie zu sehen ist. Portfolio Bau und Risikomanagement. Die Portfolio-Bau-und Risikomanagement-Komponenten werden oft von Einzelhandels-Algorithmus-Händler übersehen Dies ist fast immer ein Fehler Diese Werkzeuge bieten den Mechanismus, durch die Kapital wird bewahrt Sie versuchen nicht nur, die Anzahl der riskanten Wetten zu lindern, sondern auch die Churn of the Trades selbst zu reduzieren und die Transaktionskosten zu reduzieren. Hochentwickelte Versionen dieser Komponenten können einen signifikanten Einfluss auf die Qualität und die Konsequenz der Profitabilität haben. Es ist unkompliziert Schaffen einen Stab von Strategien, da der Portfolio-Konstruktionsmechanismus und der Risikomanager leicht modifiziert werden können, um mehrere Systeme zu behandeln. So sollten sie zu Beginn der Gestaltung eines algorithmischen Handelssystems als wesentliche Komponenten betrachtet werden. Die Aufgabe des Portfolio-Bausystems ist zu nehmen Eine Reihe von gewünschten Trades und produzieren die Menge der tatsächlichen Trades, die Churn minimieren, halten Belichtungen zu verschiedenen Faktoren wie Sektoren, Asset-Klassen, Volatilität etc. und optimieren die Zuweisung von Kapital zu verschiedenen Strategien in einem Portfolio. Portfolio-Konstruktion reduziert sich oft auf eine lineare Algebra-Problem wie eine Matrix-Faktorisierung und damit Leistung hängt stark von der Effektivität der numerischen linearen Algebra-Implementierung ab. Gemeinsame Bibliotheken beinhalten uBLAS LAPACK und NAG für C MatLab besitzt auch weitgehend optimierte Matrixoperationen Python nutzt NumPy SciPy für solche Berechnungen Ein häufig neu ausgewogenes Portfolio Wird eine kompilierte und gut optimierte Matrixbibliothek erfordern, um diesen Schritt auszuführen, um den Handelssystem nicht zu verschränken. Das Risikomanagement ist ein weiterer äußerst wichtiger Teil eines algorithmischen Handelssystems. Das Risiko kann in vielen Formen kommen. Erhöhte Volatilität, obwohl dies als gesehen werden kann Wünschenswert für bestimmte Strategien, erhöhte Korrelationen zwischen Assetklassen, Gegenpartei-Default, Server-Ausfälle, Black-Swan-Events und unentdeckte Bugs im Handelscode, um einige zu nennen. Risk Management-Komponenten versuchen und erwarten die Auswirkungen von übermäßiger Volatilität und Korrelation zwischen Asset Klassen und deren Folgeeffekte auf Handelskapital Häufig reduziert sich das auf eine Reihe statistischer Berechnungen wie Monte Carlo Stresstests. Dies entspricht den rechnerischen Bedürfnissen einer Derivatpreismaschine und wird daher CPU-gebunden. Diese Simulationen sind sehr parallelisierbar Siehe unten und bis zu einem gewissen Grad ist es möglich, Hardware auf das Problem zu werfen. Execution Systems. Die Aufgabe des Ausführungssystems ist es, gefilterte Handelssignale aus dem Portfolio Bau-und Risikomanagement-Komponenten zu erhalten und senden sie an eine Vermittlung oder Andere Mittel des Marktzugangs Für die Mehrheit der Einzelhandels-algorithmischen Handelsstrategien beinhaltet dies eine API - oder FIX-Verbindung zu einem Brokerage wie Interactive Brokers. Die primären Überlegungen bei der Entscheidung über eine Sprache beinhalten die Qualität der API, die Sprache-Wrapper-Verfügbarkeit für eine API, die Ausführung Häufigkeit und die erwartete Schlupf. Die Qualität der API bezieht sich auf, wie gut dokumentiert es ist, welche Art von Leistung, die es bietet, ob es Standalone-Software benötigt, um zugegriffen werden oder ob ein Gateway kann in kopfloser Weise dh keine GUI In der Fall von Interactive Brokers, muss das Trader WorkStation-Tool in einer GUI-Umgebung ausgeführt werden, um auf ihre API zuzugreifen. Ich musste einmal eine Desktop Ubuntu Edition auf einen Amazon Cloud Server installieren, um interaktive Broker remote zugreifen zu können. Nur aus diesem Grund. Die meisten APIs Wird eine C - und Java-Schnittstelle zur Verfügung stellen. Es ist normalerweise Aufgabe der Community, sprachspezifische Wrapper für C, Python, R, Excel und MatLab zu entwickeln. Beachten Sie, dass bei jedem zusätzlichen Plugin, das speziell API-Wrapper verwendet wird, die Möglichkeit besteht, System Immer testen Plugins dieser Art und sicherzustellen, dass sie aktiv gepflegt werden Ein lohnender Messgerät ist zu sehen, wie viele neue Updates zu einer Codebasis in den letzten Monaten gemacht wurden. Execution Frequenz ist von größter Bedeutung in der Ausführung Algorithmus Beachten Sie, dass Hunderte von Aufträgen können Wird jede Minute gesendet werden und als solche Leistung ist kritisch Schlupf wird durch eine schlecht durchführende Ausführung System entstehen und dies wird einen dramatischen Einfluss auf die Rentabilität. Statisch-typisierte Sprachen siehe unten wie C Java sind in der Regel optimal für die Ausführung, aber es ist ein Kompromiss in Entwicklungszeit, Test und Wartungsfreundlichkeit Dynamisch typisierte Sprachen wie Python und Perl sind jetzt in der Regel schnell genug. Sorgen Sie immer dafür, dass die Komponenten modular aufgebaut sind, siehe unten, damit sie ausgetauscht werden können System-Skalen. Architektonische Planung und Entwicklung Prozess. Die Komponenten eines Handelssystems, seine Häufigkeit und Volumen Anforderungen wurden oben diskutiert, aber System-Infrastruktur noch nicht abgedeckt werden diejenigen, die als Einzelhändler oder arbeiten in einem kleinen Fonds wird wahrscheinlich tragen Viele Hüte Es wird notwendig sein, das Alpha-Modell, das Risikomanagement und die Ausführungsparameter zu decken, und auch die endgültige Implementierung des Systems. Bevor wir uns in spezifische Sprachen verwandeln, wird die Gestaltung einer optimalen Systemarchitektur diskutiert. Separation of Concerns. One of the Wichtigste Entscheidungen, die zu Beginn getroffen werden müssen, ist, wie man die Anliegen eines Handelssystems trennen kann. In der Softwareentwicklung bedeutet dies im Wesentlichen, wie man die verschiedenen Aspekte des Handelssystems in separate modulare Komponenten zerlegt Komponenten ist es einfach, Teile des Systems für andere Versionen auszutauschen, die Leistung, Zuverlässigkeit oder Wartung unterstützen, ohne irgendeinen externen Abhängigkeitscode zu ändern. Dies ist die beste Praxis für solche Systeme Für Strategien bei niedrigeren Frequenzen werden solche Praktiken empfohlen Für den Hochfrequenzhandel Das Regelwerk muss auf Kosten der Optimierung des Systems für noch mehr Leistung ignoriert werden Ein stärker gekoppeltes System kann wünschenswert sein. Das Erstellen einer Komponentenkarte eines algorithmischen Handelssystems ist einen Artikel an sich wert. Allerdings ist ein optimaler Ansatz zu machen Sicher gibt es separate Komponenten für die historischen und Echtzeit-Marktdateneingaben, Datenspeicherung, Datenzugriffs-API, Backtester, Strategieparameter, Portfolio-Konstruktion, Risikomanagement und automatisierte Ausführungssysteme. Zum Beispiel, wenn der verwendete Datenspeicher derzeit unterdurchschnittlich ist , Auch bei signifikanten Optimierungsstufen, kann es mit minimaler Umschreibung auf die Datenaufnahme oder Datenzugriffs-API ausgetauscht werden. So weit wie der Backtester und nachfolgende Komponenten betroffen sind, gibt es keinen Unterschied. Ein weiterer Vorteil von getrennten Komponenten ist, dass es erlaubt Eine Vielzahl von Programmiersprachen, die im Gesamtsystem verwendet werden sollen Es besteht keine Notwendigkeit, auf eine einzige Sprache beschränkt zu sein, wenn die Kommunikationsmethode der Komponenten sprachunabhängig ist. Dies ist der Fall, wenn sie über TCP IP, ZeroMQ oder andere kommunizieren Sprachunabhängiges Protokoll. Als ein konkretes Beispiel betrachten wir den Fall eines Backtesting-Systems, das in C für die Zahl Crunching-Performance geschrieben wird, während die Portfolio-Manager und Ausführungs-Systeme in Python mit SciPy und IBPy. Performance Überlegungen geschrieben werden. Performance ist eine bedeutende Überlegung Für die meisten Handelsstrategien Für höhere Frequenzstrategien ist es der wichtigste Faktor Leistung umfasst eine breite Palette von Themen wie algorithmische Ausführungsgeschwindigkeit, Netzwerklatenz, Bandbreite, Daten IO, Parallelität Parallelität und Skalierung Jeder dieser Bereiche sind einzeln von großen Lehrbüchern abgedeckt , So wird dieser Artikel nur die Oberfläche jedes Themas kratzen Architektur und Sprachwahl wird nun in Bezug auf ihre Auswirkungen auf die Leistung diskutiert werden. Die vorherrschende Weisheit, wie von Donald Knuth einer der Väter der Informatik, ist, dass vorzeitige Optimierung ist die Wurzel aller Bösen Dies ist fast immer der Fall - außer beim Aufbau eines hochfrequenten Trading-Algorithmus Für diejenigen, die an niedrigeren Frequenzstrategien interessiert sind, ist ein gemeinsamer Ansatz, ein System auf die einfachste Weise zu bauen und nur zu optimieren, wenn Engpässe beginnen zu erscheinen. Profiling tools are used to determine where bottlenecks arise Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment There are many operating system and language tools available to do so, as well as third party utilities Language choice will now be discussed in the context of performance. C , Java, Python, R and MatLab all contain high-performance libraries either as part of their standard or externally for basic data structure and algorithmic work C ships with the Standard Template Library, while Python contains NumPy SciPy Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions such as custom caches However , often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine For the former, latency can occur at multiple points along the execution path Databases must be consulted disk network latency , signals must be generated operating syste, kernal messaging latency , trade signals sent NIC latency and orders processed exchange systems internal latency. For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required. Caching is very useful in the toolkit of a quantitative trading developer Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesn t 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 doesn t provide a native garbage collector and so it is necessary to handle all memory allocation deallocation as part of an object s 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, ie 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 Amdahl s Law which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes eg 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 Nvidia s CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware including Field-Programmable Gate Arrays - FPGAs are used for U HFT Nowadays, most modern langauges support a degree of concurrency multithreading Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking. While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale Languages themselves are often described as unscalable This is usually the result of misinformation, rather than hard fact It is the total technology stack that should be ascertained for scalability, not the language Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above In order to further introduce the ability to handle spikes in the system ie sudden volatility which triggers a raft of trades , it is useful to create a message queuing architecture This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled This is particularly useful for sending trades to an execution engine If the engine is suffering under heavy latency then it will back up trades A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage A well-respected open source message queue broker is RabbitMQ. Hardware and Operating Systems. The hardware running your strategy can have a significant impact on the profitability of your algorithm This is not an issue restricted to high frequency traders either A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment Thus it is necessary to consider where your application will reside The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7 8 , Mac OSX and Ubuntu Desktop systems do possess some significant drawbacks, however The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots patching and often at the worst of times They also use up more computational resources by the virtue of requiring a graphical user interface GUI. Utilising hardware in a home or local office environment can lead to internet connectivity and power uptime problems The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server or cloud based system of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol RDP In Unix-based systems the command-line Secure SHell SSH is used Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools such as MatLab or Excel to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86 x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing. One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database Years of profits can be eliminated within seconds with a poorly-designed architecture It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point. Debugging is an essential component in the toolbox for analysing programming errors However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements Despite this tendency Python does ship with the pdb which is a sophisticated debugging tool The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should A more recent paradigm is known as Test Driven Development TDD , where test code is developed against a specified interface with no implementation Prior to the completion of the actual codebase all tests will fail As code is written to fill in the blanks , the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully In C , Boost provides a unit testing framework In Java, the JUnit library exists to fulfill the same purpose Python also has the unittest module as part of the standard library Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database Logs are a first line of attack when hunting for unexpected program runtime behaviour Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now All aspects of the system should be considered for monitoring System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices volume, sudden rapid drawdowns and account exposure for different sectors markets should also be continuously monitored Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method email, SMS, automated phone call depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager However, as a sole trading developer, these metrics must be established as part of the larger design Many solutions for monitoring exist proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system Consider the following two questions 1 If an entire production database of market data and trading history was deleted without backups how would the research and execution algorithm be affected 2 If the trading system suffers an outage for an extended period with open positions how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering. It is imperative to put in place a system for backing up data and also for testing the restoration of such data Many individuals do not test a restore strategy If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment. Similarly, high availability needs to be baked in from the start Redundant infrastructure even at additional expense must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems I 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 eg 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 ie 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, 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. 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.