أفضل لغة برمجة لأنظمة التداول الخوارزمية

أفضل لغة برمجة لأنظمة التداول الخوارزمية
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
التمويل الكمي لغة البرمجة.
منذ بضعة أسابيع، بدأت في إجراء بحثي عن التمويل الكمي. خلال هذا الوقت، يمكن أن تكتشف الكثير من الاشياء ومع تلك الاشياء، والكثير من الأسئلة جاء إلى ذهني. وهناك الكثير من الأخبار أو المجلات الاقتصادية / المجلات الكتابة عن هفت / التداول حسابي. معظمهم يقولون أن الشركات أو مطوري البرمجيات يفضلون استخدام C ++. في بعض المقالات، والكتاب يتحدثون عن جافا، C #، C أو حتى أسم. حاولت أن أجد سبب C ++، لكنني لم أكن ناجحا. هذا الموضوع لا يقدم إجابات أحتاجها (لماذا لا تزال لغة C ++ لغة شائعة جدا في التمويل الكمي؟)
وهنا أسئلتي: 1. لماذا C ++؟ أن بعض الشركات قد تستخدم أسم (ويمكنني أن أتخيل فقط أسم في هفت حيث ملي ثانية تلعب دورا)، وهذا أمر جيد. ولكن في تداول الترددات المتوسطة أو في الخوارزميات؟ هل هو بسبب السرعة؟ بحثت عن مكتبات التمويل الكمي ل C ++، ولكن لم أتمكن من العثور على الكثير. الشيء الوحيد هو كوانتليب، ماتليب و تا-ليب. ولكن لا أبيس مخطط / ليب أو الدروس. يبدو أن لا أحد يفعل الدروس. 2. لماذا بعض الناس يختارون جافا؟ وأنا أعلم، جافا لغة شعبية جدا ولديه الكثير من واجهات برمجة التطبيقات / ليب والمجتمع يتزايد. ولكن إذا كانت السرعة قد تلعب دورا، ثم جافا لا يمكن أن يكون أسرع (بسبب البيئة الافتراضية). أو انا مخطئ؟ 3. لماذا لا أحد يستخدم بيثون للتجارة متوسطة التردد أو ألغو التداول؟ بيثون لديها الكثير من أبيس / ليبس مثل ماتليب، تا-ليب، بيكتغراف. حسنا، لا بد لي من القول، بيثون ليست هي الأسرع. 4. في هذه المناقشة لماذا لا يزال C ++ لغة شعبية جدا في التمويل الكمي؟، يدعي بعض الناس أن C # قد يكون أفضل بكثير للتمويل الكمي النامية. هل هذا صحيح حقا؟ ماذا عن ليبس، واجهات برمجة التطبيقات، والبرامج التعليمية وغيرها؟
وسؤالي الأخير، ما هي الملكية الهامة لاختيار لغة للتمويل الكمي؟ أنا لا أتحدث عن أسم لأنها أسرع لغة وانها تستخدم لحسابات معقدة جدا التي يجب أن تكون سريعة. ولكن ماذا عن C ++، C #، بيثون وجافا؟ بالنسبة لي، من المهم أن يكون هناك ليب والبرامج التعليمية / أمثلة. وبداية، بدأت مع الثعبان، ولكن بعد كل ما قرأت، لست متأكدا من بيثون بعد الآن.
الناس على هذه المشكلة خاطئة لأنها دائما في نهاية المطاف مناقشة المزايا النظرية لهذه اللغات بدلا من الاستخدامات العملية لهذه اللغات.
هاسكل أنيقة ولها العديد من المزايا النظرية (لغة إيجاز، التعامد، تعدد الأشكال حدودي، أدتس، وظائف أعلى ترتيب، مترجم الذكية)، منذ حوالي 25 عاما، ولكن لا يزال ليس التيار السائد في مجال التمويل.
بيثون لغة قبيحة. وتعكس صيغة التصميم للتعبير عنها، ولكن قرارات التصميم مثل جيل، والكتابة الديناميكية، وجوه المنحى النموذج الخ هي بطبيعتها مكافحة مواز وعقود على الطريق عندما يكون لدينا مئات من النوى على كل معالج، وأطفالنا ذاهبون إلى تضحك على غموض و بقايا هذه اللغات (من بين أمور أخرى مثل الأقراص المرنة).
ولكن اليوم الجميع تقريبا سوف نشجعكم على التقاط بيثون. لماذا ا؟
ويتقرر مستقبل اللغة (أو أي تكنولوجيا، في هذا الشأن) في المستقبل من قبل مجتمعها، وثراء مكتباتها وأدوات التنمية والطبيعة الذاتية التي ترسيها المدونة القديمة في تلك اللغة، وأبدا مزاياها النظرية. يمكننا كتابة مقالات حول كيف نكره جافا؛ ومكتبة روت ومكتبة بوست؛ على شفاف شمل، ولكن هذه الأمور هنا للبقاء لأنها حققت كتلة حرجة من المستخدمين الذين هم على استعداد لبناء أدوات قوة الإنتاج أو المكتبات من حولهم. العشرات من اللغات الوظيفية مثل F # سيأتي ويذهب، ولكن C ++ سيبقى بالتأكيد تقريبا بسبب كمية هائلة من التعليمات البرمجية القديمة في C ++. الى جانب ذلك، C ++ '11 هو معلما كبيرا في فرز الحوادث المؤسفة النظرية على طول مسار التنمية لها.
بعض الخيارات التي سأتوجه إليها بحذر:
اللغات التي بنيت حول النماذج المتزامنة والوظيفية: سكالا، F #. أود أن أقول أن الاقتراب منه بحذر لأنه يستخدم في الإنتاج في دروببوإكس، الجير، برج البحوث، كريديت سويس الخ ولكن هذه اللغات قد اتخذت وقتا أطول بكثير للارتفاع إلى الاستخدام السائد مما كنت تتوقع منهم نظرا للاتجاهات الحالية في هندسة المعالج. من الصعب بالنسبة لي أن أقول لكم ما إذا كان أو لم يكن استثمار وقتك الآن في هذه اللغات سوف تسدد بالضبط 5 سنوات من الآن، ولكن يبدو أننا جميعا نتفق على أن هذه اللغات في نهاية المطاف سوف. اللغات الخاصة بالنطاق: جوليا. لسوء الحظ، جوليا الأسواق نفسها مع "C - سرعة الحلقات الداخلية العددية". فإنه يجذب نفس المجموعة الفرعية من حشد بايثون الذين سيجادلون مع هؤلاء المستخدمين جوليا أن هذا غير ذي صلة لأنها يمكن أن تنخفض دائما إلى سيثون. كلا الحشود تبني نموذج محكوم وجذب منخفضة المطورين الجودة. (أقول لسوء الحظ، لأن جوليا لديها عدد كبير من الأشياء التي لا يدركها الناس: مولتيمثودس نوع حدودي، كوروتينس متماثل، واجهات نظيفة مع اللغات الأجنبية، ليسب التأثيرات ودعم ميتابروغرامينغ الخ)
مع ذلك، أود تشجيع بعض الخيارات:
اللغات مع دعم الأخ الأكبر: اذهب، سويفت، C #. وبصرف النظر عن دعم جوجل، أصبح الذهاب شعبية جدا في الصين. وقد جعلت مايكروسوفت خطوة كبيرة إلى الأمام من خلال المصادر المفتوحة C #. والكثير من جودة عالية أدوات تطوير واجهة المستخدم تفرخ دائما حول اللغات الأساسية أبل. لغات تهدف إلى استبدال C / C ++ كلغة برمجة على مستوى النظم: D، نمرود. D بالفعل دعم الفيسبوك، ونيمرود يحتفظ التعبير عن بناء الجملة بيثون في حين تحقيق معايير مثيرة للإعجاب واستخدامها لبعض مشاريع البرمجة على مستوى النظم. ولكن حذار من أن كلا لا تزال تعتمد على نهج غ إلى إدارة الذاكرة.
هل حقق أي من ما سبق كتلة حرجة من المطورين الجيدين؟ لا أعتقد ذلك. الحل الحقيقي بالنسبة لك هو أن لغة البرمجة حقا ليس من الصعب التقاط! ما هو أكثر أهمية هو أن تلتقط كيفية تصميم برنامج بدلا من لغة معينة. قضاء بعض الوقت مع 6 نماذج اللغة الرئيسية:
(C ++، C #، جافا) التجريد الوظيفي (ليسب، مل، F #) المواصفات التوضيحية (C ++ قوالب، هاسكل، برولوغ) التجريد سينتاكتيك (ليسب) التوازي (سيلك، سيسال، كلوجور، إرلانغ) (C #، F #، هاسكل، مخطط، رمز)
وكثيرا ما يستدعي التداول الكمي مفاهيم من هذه المجالات الأساسية الثلاثة:
الخوارزميات، وأنماط التصميم وهياكل البيانات: B - الأشجار، والقوائم تخطي، ميمويزاتيون، دب الخ نظم البرمجة: معالجة الذاكرة والتجميع والربط، كومة / كومة، ذاكرة التخزين المؤقت الخ قواعد البيانات: التطبيع، مرحلتين ارتكاب، النسخ المتماثل، تصميم الخ.
وإذا كنت تقترب من نهاية المطور الكمي من الطيف:
للأسف، ليس هناك إجابة صحيحة عن هذا السؤال، انها مثل ما يجب عليك قيادة السيارة في عطلة نهاية الأسبوع الخاص بك.
C ++ هي لغة شعبية في التمويل الكمي، ولكنها عادة (ولكن ليس دائما!) تستخدم فقط لبناء العمود الفقري التطبيق، مثل التسعير المشتقة. لماذا C ++؟ C ++ هو خيار جيد لأن C ++ هو منصة مستقلة، يمكننا أصلا بناء رمز تسعير الخيار لينكس، ماك، ويندوز الخ كوانتليب هو مثال جيد.
C # هو لغة أخرى شعبية جدا في مجال التمويل. يمكننا استخدام C # لإنشاء تطبيق التداول، تحليل بيانات شمل من بنك آخر، إنشاء خادم الويب الخ بالطبع، يمكننا أيضا القيام التسعير المشتقة في C # ولكننا قد لا تكون قادرة على تحسين الأداء. في C ++، يمكننا تقسيم أعباء العمل مع أوبنمب، فيكتوريس مونتي كارلو حلقات الخ وما إلى ذلك، أصعب مع C #.
C # بالتأكيد ليست لغة أفضل من C ++ في التمويل الكمي. انها حقا تتوقف على ما تريد القيام به. على سبيل المثال، لا أحد يستخدم C # لتداول ه.
لا يمكن لكل شخص في التمويل الكمي أن يفعل البرمجة الأساسية، ومعظمها لا. بيثون (إكسيل فل أو R) سيكون أفضل لغة بالنسبة لهم.
إذا كنت تريد أن تتعلم شيئا لعملك الأول، تبدأ مع C ++. محاولة لفهم كوانتليب.

QuantStart.
الانضمام إلى كوانتكاديمي بوابة العضوية الخاصة التي تلبي احتياجات التجزئة المتزايد بسرعة المجتمع تاجر الكمي. سوف تجد مجموعة من ذوي الخبرة مثل التفكير من التجار الكميون على استعداد للرد على أسئلة التداول الكمي الأكثر إلحاحا.
تحقق من بلدي يبوك على التداول الكمي حيث أنا يعلمك كيفية بناء مربحة استراتيجيات التداول المنهجي مع أدوات بايثون، من الصفر.
نلقي نظرة على بلدي الكتاب الاليكتروني الجديد على استراتيجيات التداول المتقدمة باستخدام تحليل سلسلة زمنية، والتعلم الآلي والإحصاءات بايزي، مع بيثون و R.
من قبل مايكل هالز مور في 26 يوليو 2013.
واحدة من الأسئلة الأكثر تواترا التي تلقيتها في كيس البريد قس هو "ما هي أفضل لغة البرمجة للتجارة الخوارزمية؟". الجواب القصير هو أنه لا توجد لغة "أفضل". يجب النظر في معايير الاستراتيجية، والأداء، نمطية، والتنمية، والمرونة والتكلفة. سوف توضح هذه المقالة المكونات الضرورية لهيكل نظام التداول الخوارزمي وكيف تؤثر القرارات المتعلقة بالتنفيذ على اختيار اللغة.
أولا، سيتم النظر في المكونات الرئيسية لنظام التداول الخوارزمي، مثل أدوات البحث، ومحفظة المحفظة، ومدير المخاطر ومحرك التنفيذ. وفي وقت لاحق، سيتم دراسة استراتيجيات التداول المختلفة وكيفية تأثيرها على تصميم النظام. على وجه الخصوص وتيرة التداول وحجم التداول المحتمل على حد سواء سيتم مناقشتها.
مرة واحدة وقد تم اختيار استراتيجية التداول، فمن الضروري لمهندس النظام بأكمله. وهذا يشمل اختيار الأجهزة، ونظام التشغيل (ق) ومرونة النظام ضد الأحداث النادرة، التي يحتمل أن تكون كارثية. وبينما يجري النظر في العمارة، يجب إيلاء الاعتبار الواجب للأداء - سواء لأدوات البحث أو لبيئة التنفيذ المباشر.
ما هو نظام التداول في محاولة للقيام به؟
قبل اتخاذ قرار بشأن "أفضل" اللغة التي لكتابة نظام التداول الآلي من الضروري تحديد المتطلبات. هل سيكون النظام قائما على التنفيذ فقط؟ هل يتطلب النظام إدارة مخاطر أو وحدة بناء محفظة؟ سوف يتطلب النظام باكتستر عالية الأداء؟ بالنسبة لمعظم الاستراتيجيات نظام التداول يمكن تقسيمها إلى فئتين: البحوث وتوليد إشارة.
وتتعلق البحوث بتقييم أداء الاستراتيجية على البيانات التاريخية. إن عملية تقييم إستراتيجية التداول على بيانات السوق السابقة تعرف باختصار. وسيكون حجم البيانات والتعقيد الخوارزمي لها تأثير كبير على كثافة الحسابية من باكتستر. سرعة وحدة المعالجة المركزية والتزامن غالبا ما تكون العوامل المحددة في تحسين سرعة تنفيذ البحث.
ويتعلق توليد الإشارة بتوليد مجموعة من إشارات التداول من خوارزمية وإرسال هذه الأوامر إلى السوق، وعادة عن طريق الوساطة. بالنسبة لبعض الإستراتیجیات، یلزم وجود مستوى عال من الأداء. قضايا الإدخال / الإخراج مثل عرض النطاق الترددي للشبكة والكمون غالبا ما تكون العامل المحدد في تحسين أنظمة التنفيذ. وبالتالي فإن اختيار اللغات لكل مكون من مكونات النظام بأكمله قد يكون مختلفا تماما.
نوع، وتيرة وحجم الاستراتيجية.
وسيكون لنوع الاستراتيجية الخوارزمية المستخدمة أثر كبير على تصميم النظام. وسوف يكون من الضروري النظر في الأسواق التي يجري تداولها، والاتصال ببائعي البيانات الخارجية، وتواتر وحجم الاستراتيجية، والمفاضلة بين سهولة التنمية وتحسين الأداء، فضلا عن أي أجهزة مخصصة، بما في ذلك العرف المشترك والخوادم، وحدات معالجة الرسومات أو فبغا التي قد تكون ضرورية.
خيارات التكنولوجيا لاستراتيجية منخفضة الأسهم الأسهم الولايات المتحدة سوف تختلف اختلافا كبيرا عن تلك التي من استراتيجية عالية التردد التحكيم الإحصائية التداول في سوق العقود الآجلة. قبل اختيار اللغة يجب تقييم العديد من بائعي البيانات التي تتعلق باستراتيجية في متناول اليد.
سيكون من الضروري النظر في الاتصال بالمورد، وهيكل أي واجهات برمجة تطبيقات، وتوقيت البيانات، ومتطلبات التخزين والمرونة في مواجهة البائع الذي يعمل دون اتصال. ومن الحكمة أيضا أن تمتلك إمكانية الوصول السريع إلى العديد من البائعين! ولجميع الأدوات المختلفة مخزونات تخزين خاصة بها، ومن الأمثلة على ذلك رموز شريط متعددة للأسهم وتاريخ انتهاء الصلاحية للعقود الآجلة (ناهيك عن أي بيانات أوتك محددة). ويتعين مراعاة ذلك في تصميم المنصة.
ومن المرجح أن يكون تكرار الاستراتيجية واحدا من أكبر العوامل الدافعة لكيفية تحديد كومة التكنولوجيا. الاستراتيجيات التي تستخدم بيانات أكثر تواترا من الحانات بدقة أو الثانية تتطلب اهتماما كبيرا فيما يتعلق بالأداء.
وتؤدي الاستراتيجية التي تتجاوز الحدود الثانية (أي بيانات القراد) إلى تصميم مدعوم بالأداء باعتباره الشرط الأساسي. وبالنسبة للاستراتيجيات ذات التردد العالي، سيلزم تخزين كمية كبيرة من بيانات السوق وتقييمها. برامج مثل HDF5 أو كدب + تستخدم عادة لهذه الأدوار.
من أجل معالجة كميات واسعة من البيانات اللازمة لتطبيقات هفت، يجب أن تستخدم على نطاق واسع باكتستر ونظام التنفيذ. C / C ++ (ربما مع بعض المجمع) من المرجح أن أقوى مرشح اللغة. وسوف تتطلب استراتيجيات فائقة التردد تقريبا تقريبا الأجهزة المخصصة مثل فبغاس، وتبادل المشاركة في الموقع وضبط شبكة النواة / شبكة.
نظم البحوث.
نظم البحوث عادة ما تنطوي على مزيج من التنمية التفاعلية والنصوص الآلي. وغالبا ما يحدث الأول داخل إيد مثل فيسوال ستوديو، ماتلاب أو R ستوديو. ويشمل هذا الأخير حسابات عددية واسعة النطاق على العديد من المعلمات ونقاط البيانات. وهذا يؤدي إلى اختيار اللغة توفير بيئة مباشرة لاختبار التعليمات البرمجية، ولكن أيضا يوفر أداء كافيا لتقييم الاستراتيجيات على أبعاد متعددة المعلمة.
تتضمن إيد النموذجية في هذا المجال ميكروسوفت فيسوال C ++ / C #، الذي يحتوي على أدوات مساعدة التصحيح واسعة، قدرات اكتمال التعليمات البرمجية (عبر "إنتليسنز") ومحات عامة مباشرة من كومة المشروع بأكمله (عبر قاعدة البيانات أورم، لينق)؛ ماتلاب، الذي صمم لالجبر العددي واسعة النطاق وعمليات فيكتوريسد، ولكن بطريقة وحدة التحكم التفاعلية؛ R ستوديو، الذي يلتف وحدة تحكم اللغة الإحصائية R في إيد كاملة؛ إكليبس إيد لينوكس جافا و C ++؛ و إيدس شبه الملكية مثل إينوهت الستارة لبيثون، والتي تشمل مكتبات تحليل البيانات مثل نومبي، سسيبي، سكيت-تعلم والباندا في بيئة تفاعلية واحدة (وحدة التحكم).
ل باكتستينغ العددية، جميع اللغات المذكورة أعلاه هي مناسبة، على الرغم من أنه ليس من الضروري استخدام واجهة المستخدم الرسومية / إيد كما سيتم تنفيذ التعليمات البرمجية "في الخلفية". الاعتبار الرئيسي في هذه المرحلة هو سرعة التنفيذ. غالبا ما تكون اللغة المترجمة (مثل C ++) مفيدة إذا كانت أبعاد معلمة باكتستينغ كبيرة. تذكر أنه من الضروري أن نكون حذرين من هذه الأنظمة إذا كان هذا هو الحال!
وغالبا ما تستفيد اللغات المفترضة مثل بيثون من المكتبات عالية الأداء مثل نومبي / بانداس لخطوة الاختبار المسبق، من أجل الحفاظ على درجة معقولة من القدرة التنافسية مع معادلات مجمعة. في نهاية المطاف سيتم تحديد اللغة المختارة لل باكتستينغ من قبل الاحتياجات الخوارزمية محددة وكذلك مجموعة من المكتبات المتاحة في اللغة (أكثر على ذلك أدناه). ومع ذلك، فإن اللغة المستخدمة لباكتستر والبيئات البحثية يمكن أن تكون مستقلة تماما عن تلك المستخدمة في بناء محفظة، وإدارة المخاطر ومكونات التنفيذ، كما سيتبين.
إدارة المحفظة وإدارة المخاطر.
وغالبا ما يتم تجاهل مكونات بناء المحفظة وإدارة المخاطر من قبل تجار التجزئة الخوارزمية. هذا هو دائما تقريبا خطأ. وتوفر هذه الأدوات الآلية التي سيتم من خلالها الحفاظ على رأس المال. فهي لا تحاول فقط التخفيف من عدد الرهانات "المحفوفة بالمخاطر"، بل إنها تقلل أيضا من تقلبات الصفقات نفسها، مما يقلل من تكاليف المعاملات.
ويمكن أن يكون للإصدارات المتطورة من هذه المكونات تأثير كبير على نوعية وربحية الربحية. فمن السهل لخلق استراتيجيات مستقرة حيث يمكن بسهولة تعديل آلية بناء محفظة ومدير المخاطر للتعامل مع أنظمة متعددة. ومن ثم ينبغي اعتبارها عناصر أساسية في بداية تصميم نظام تجاري حسابي.
وظيفة نظام بناء محفظة هو اتخاذ مجموعة من الصفقات المطلوبة وإنتاج مجموعة من الصفقات الفعلية التي تقلل من زبد، والحفاظ على التعرض لعوامل مختلفة (مثل القطاعات وفئات الأصول والتقلب وغيرها) وتحسين تخصيص رأس المال لمختلف استراتيجيات في محفظة.
غالبا ما يقلل بناء الحافظة من مشكلة الجبر الخطي (مثل معامل المصفوفة)، وبالتالي يعتمد الأداء بشكل كبير على فعالية تنفيذ الجبر الخطي العددي المتوفر. وتشمل المكتبات الشائعة أوبلاس، لاباك و ناغ ل C ++. ماتلاب تمتلك أيضا عمليات مصفوفة الأمثل على نطاق واسع. يستخدم بيثون نومبي / سسيبي لمثل هذه الحسابات. وستتطلب المحفظة التي تمت إعادة توازنها بشكل متكرر مكتبة مصفوفة مجمعة (ومثبتة بشكل جيد!) لتنفيذ هذه الخطوة، حتى لا تعيق نظام التداول.
إدارة المخاطر جزء آخر مهم للغاية من نظام التداول الخوارزمي. يمكن أن تأتي المخاطر في أشكال عديدة: زيادة التقلبات (على الرغم من أن هذا قد يكون مرغوبا فيه لاستراتيجيات معينة!)، وزيادة الارتباطات بين فئات الأصول، والتخلف عن الطرف المقابل، وانقطاعات الخادم، وأحداث "البجعة السوداء"، والبق غير المكتشفة في قانون التداول، على سبيل المثال لا الحصر.
وتسعى مكونات إدارة المخاطر إلى التنبؤ بآثار التقلبات المفرطة والروابط بين فئات األصول وتأثيرها الالحق على رأس المال المتداول. في كثير من الأحيان هذا يقلل إلى مجموعة من الحسابات الإحصائية مثل مونت كارلو "اختبارات الإجهاد". وهذا يشبه إلى حد كبير الاحتياجات الحسابية لمحرك تسعير المشتقات وعلى هذا النحو سوف تكون مرتبطة بو. هذه المحاكاة هي موازية للغاية (انظر أدناه)، وإلى حد ما، فمن الممكن "رمي الأجهزة في المشكلة".
أنظمة التنفيذ.
وتتمثل مهمة نظام التنفيذ في تلقي إشارات تجارية مصفاة من مكونات بناء المحفظة وإدارة المخاطر وإرسالها إلى وساطة أو أي وسيلة أخرى للوصول إلى الأسواق. بالنسبة لمعظم استراتيجيات التداول خوارزمية التجزئة وهذا ينطوي على اتصال أبي أو فيكس إلى الوساطة مثل وسطاء التفاعلية. الاعتبارات الأساسية عند اتخاذ قرار بشأن لغة تشمل جودة أبي، توفر اللغة المجمع ل أبي، وتيرة التنفيذ والانزلاق المتوقع.
تشير "جودة" واجهة برمجة التطبيقات إلى مدى توثيقها بشكل جيد، ونوع الأداء الذي توفره، وما إذا كانت تحتاج إلى برنامج مستقل يمكن الوصول إليه أو ما إذا كان يمكن إنشاء بوابة بطريقة بدون رأس (أي واجهة المستخدم الرسومية). في حالة الوسطاء التفاعليين، يجب أن تعمل أداة ترادر ​​وركستاتيون في بيئة واجهة المستخدم الرسومية من أجل الوصول إلى واجهة برمجة التطبيقات الخاصة بهم. كان لي مرة واحدة لتثبيت طبعة سطح المكتب أوبونتو على خادم سحابة الأمازون للوصول إلى وسطاء التفاعلية عن بعد، بحتة لهذا السبب!
توفر معظم واجهات برمجة التطبيقات واجهة C ++ و / أو جافا. وعادة ما يصل إلى المجتمع لتطوير مغلفات لغة محددة ل C #، بايثون، R، إكسل وماتلاب. لاحظ أنه مع كل الإضافات الإضافية المستخدمة (وخاصة أبي مغلفات) هناك مجال للخلل لزحف إلى النظام. دائما اختبار الإضافات من هذا النوع وضمان الحفاظ عليها بنشاط. مقياس جدير بالاهتمام هو معرفة عدد التحديثات الجديدة التي تم إجراؤها على كودباس في الأشهر الأخيرة.
تردد التنفيذ هو في غاية الأهمية في خوارزمية التنفيذ. لاحظ أن المئات من الطلبات قد يتم إرسالها كل دقيقة، وعلى هذا النحو من الأهمية بمكان. سوف يتم تكبد الانزلاق من خلال نظام التنفيذ سيئة الأداء وهذا سيكون له تأثير كبير على الربحية.
تعتبر اللغات التي تمت كتابتها إحصائيا (انظر أدناه) مثل C ++ / جافا بشكل عام مثالية للتنفيذ ولكن هناك مفاضلة في وقت التطوير والاختبار وسهولة الصيانة. اللغات التي يتم كتابتها ديناميكيا، مثل بيثون و بيرل هي الآن بشكل عام "سريع بما فيه الكفاية". تأكد دائما من تصميم المكونات بطريقة نمطية (انظر أدناه) بحيث يمكن "تبديلها" خارجا كما موازين النظام.
التخطيط المعماري وعملية التنمية.
وقد نوقشت أعلاه مكونات نظام تجاري، ومتطلباته من حيث التردد والحجم، غير أنه لم يتم بعد تغطية الهياكل الأساسية للنظام. أولئك الذين يعملون كمتاجر التجزئة أو يعملون في صندوق صغير من المرجح أن "يرتدي قبعات كثيرة". وسوف يكون من الضروري أن تغطي نموذج ألفا، وإدارة المخاطر والتنفيذ المعلمات، وأيضا التنفيذ النهائي للنظام. قبل مناقشة لغات محددة، سيتم مناقشة تصميم بنية النظام الأمثل.
فصل الشواغل.
ومن أهم القرارات التي يجب اتخاذها في البداية كيفية "فصل الشواغل" عن نظام تجاري. في تطوير البرمجيات، وهذا يعني أساسا كيفية تفريق مختلف جوانب النظام التجاري إلى مكونات وحدات منفصلة.
من خلال تعريض الواجهات في كل من المكونات من السهل مبادلة أجزاء من النظام للنسخ الأخرى التي تساعد على الأداء، والموثوقية أو الصيانة، دون تعديل أي رمز التبعية الخارجية. وهذه هي "أفضل الممارسات" لهذه النظم. وبالنسبة للاستراتيجيات في الترددات المنخفضة، ينصح بهذه الممارسات. فبالنسبة لتداول الترددات العالية جدا، قد يكون من الضروري تجاهل قاعدة البيانات على حساب التغيير والتبديل في النظام للحصول على المزيد من الأداء. قد يكون من المرغوب فيه نظام أكثر إحكاما.
إن إنشاء خريطة مكونة لنظام التداول الخوارزمي يستحق مقالا في حد ذاته. ومع ذلك، فإن النهج الأمثل هو التأكد من وجود مكونات منفصلة للمدخلات بيانات السوق التاريخية والحقيقية، وتخزين البيانات، أبي الوصول إلى البيانات، باكتستر، معايير الاستراتيجية، بناء محفظة وإدارة المخاطر وأنظمة التنفيذ الآلي.
على سبيل المثال، إذا كان مخزن البيانات قيد الاستخدام حاليا ضعيفا، حتى عند مستويات كبيرة من التحسين، يمكن تبديله مع الحد الأدنى من إعادة الكتابة إلى ابتلاع البيانات أو أبي الوصول إلى البيانات. بقدر ما باكتستر والمكونات اللاحقة المعنية، ليس هناك فرق.
فائدة أخرى من المكونات فصل هو أنه يسمح لمجموعة متنوعة من لغات البرمجة لاستخدامها في النظام العام. ليست هناك حاجة إلى أن تقتصر على لغة واحدة إذا كانت طريقة الاتصال من مكونات اللغة مستقلة. وسوف يكون هذا هو الحال إذا كانوا التواصل عبر تكب / إب، زيرومق أو بعض بروتوكول آخر اللغة مستقلة.
وكمثال ملموس، يجب النظر في حالة نظام باكتستينغ الذي كتب في C ++ لأداء "طحن عدد"، في حين تتم كتابة مدير محفظة ونظم التنفيذ في بيثون باستخدام سسيبي و إبي.
اعتبارات الأداء.
الأداء هو اعتبار كبير لمعظم استراتيجيات التداول. لاستراتيجيات تردد أعلى هو العامل الأكثر أهمية. "الأداء" يغطي مجموعة واسعة من القضايا، مثل سرعة التنفيذ الخوارزمية، الكمون الشبكة، عرض النطاق الترددي، I / O البيانات، التزامن / التوازي والتحجيم. كل من هذه المجالات هي التي تغطيها بشكل فردي الكتب المدرسية الكبيرة، لذلك هذه المادة سوف تخدش فقط سطح كل موضوع. سيتم الآن مناقشة الهندسة المعمارية واختيار اللغة من حيث آثارها على الأداء.
الحكمة السائدة كما ذكر دونالد نوث، أحد آباء علوم الحاسوب، هو أن "التحسين المبكر هو جذر كل الشر". هذا هو الحال دائما تقريبا - إلا عند بناء خوارزمية التداول عالية التردد! بالنسبة لأولئك الذين يرغبون في استراتيجيات التردد المنخفض، نهج مشترك هو بناء نظام في أبسط طريقة ممكنة وتحسين فقط كما تبدأ الاختناقات في الظهور.
وتستخدم أدوات التنميط لتحديد أين تنشأ الاختناقات. يمكن أن تكون ملامح لجميع العوامل المذكورة أعلاه، إما في بيئة ويندوز أو لينوكس. هناك العديد من أنظمة التشغيل وأدوات اللغة المتاحة للقيام بذلك، فضلا عن المرافق طرف ثالث. وسيتم الآن مناقشة اختيار اللغة في سياق الأداء.
C ++ و جافا و بيثون و R و ماتلاب كلها تحتوي على مكتبات عالية الأداء (إما كجزء من معيارها أو خارجيا) لبنية البيانات الأساسية والعمل الخوارزمي. C ++ السفن مع مكتبة قالب قياسي، في حين يحتوي بيثون نومبي / سسيبي. المهام الرياضية المشتركة هي التي يمكن العثور عليها في هذه المكتبات ونادرا ما تكون مفيدة لكتابة تنفيذ جديد.
ويتمثل أحد الاستثناءات في ما إذا كانت معمارية الأجهزة عالية التخصيص مطلوبة، وأن الخوارزمية تستخدم استخداما موسعا للملحقات الخاصة (مثل مخابئ مخصصة). ومع ذلك، في كثير من الأحيان "إعادة اختراع العجلة" الوقت النفايات التي يمكن أن تنفق بشكل أفضل تطوير وتحسين أجزاء أخرى من البنية التحتية التجارية. وقت التطوير ثمين للغاية وخاصة في سياق المطورين الوحيد.
وكثيرا ما يكون الكمون مشكلة في نظام التنفيذ حيث أن أدوات البحث عادة ما تكون موجودة على نفس الجهاز. بالنسبة إلى السابق، يمكن أن يحدث الكمون عند نقاط متعددة على طول مسار التنفيذ. يجب استشارة قواعد البيانات (زمن الاستجابة للقرص / الشبكة)، يجب إنشاء إشارات (التشغيل المؤقت، زمن استجابة الرسائل)، وإشارات التجارة المرسلة (زمن استجابة نيك) والأوامر المعالجة (زمن الاستجابة الداخلي للتبادل).
لعمليات تردد أعلى من الضروري أن تصبح مألوفة على نحو وثيق مع التحسين الأمثل، فضلا عن الأمثل لنقل الشبكة. هذا هو منطقة عميقة و هو إلى حد كبير خارج نطاق هذه المادة ولكن إذا كان المطلوب خوارزمية أوفت ثم يكون على بينة من عمق المعرفة المطلوبة!
التخزين المؤقت مفيد جدا في مجموعة أدوات مطور التداول الكمي. التخزين المؤقت يشير إلى مفهوم تخزين البيانات التي يتم الوصول إليها بشكل متكرر بطريقة تسمح بالوصول إلى الأداء العالي، على حساب احتمال عدم دقة البيانات. تحدث حالة الاستخدام الشائعة في تطوير الويب عند أخذ البيانات من قاعدة بيانات علائقية تدعمها الأقراص ووضعها في الذاكرة. أي طلبات لاحقة للبيانات لا تضطر إلى "ضرب قاعدة البيانات" وبالتالي مكاسب الأداء يمكن أن تكون كبيرة.
للتداول حالات التخزين المؤقت يمكن أن تكون مفيدة للغاية. على سبيل المثال، يمكن تخزين الحالة الحالية لمحفظة إستراتيجية في ذاكرة التخزين المؤقت حتى يتم إعادة توازنها، بحيث لا تحتاج القائمة إلى إعادة توليدها عند كل حلقة من خوارزمية التداول. من المرجح أن يكون هذا التجميع وحدة المعالجة المركزية عالية أو القرص I / O العملية.
ومع ذلك، التخزين المؤقت لا يخلو من القضايا الخاصة بها. تجديد بيانات ذاكرة التخزين المؤقت في كل مرة، ويرجع ذلك إلى طبيعة فوليلي تخزين ذاكرة التخزين المؤقت، يمكن أن تضع طلبا كبيرا على البنية التحتية. وثمة مسألة أخرى هي تكديس الكلاب، حيث يتم تنفيذ أجيال متعددة من نسخة مخبأ جديدة تحت حمولة عالية للغاية، الأمر الذي يؤدي إلى فشل سلسلة.
تخصيص الذاكرة الديناميكية عملية مكلفة في تنفيذ البرامج. وبالتالي فمن الضروري لتطبيقات التداول أداء أعلى أن تكون على علم جيد كيف يتم تخصيص الذاكرة وإلغاء تخصيصها أثناء تدفق البرنامج. معايير اللغة الأحدث مثل جافا و C # و بيثون جميعها تؤدي إلى جمع القمامة التلقائي، الذي يشير إلى إلغاء تخصيص الذاكرة التي يتم تخصيصها ديناميكيا عندما تخرج الكائنات من النطاق.
جمع القمامة مفيد للغاية أثناء التطوير لأنه يقلل من الأخطاء ويساعد القراءة. ومع ذلك، فإنه غالبا ما يكون دون المستوى الأمثل لبعض استراتيجيات التداول عالية التردد. عادة ما تكون هناك حاجة لجمع القمامة المخصصة لهذه الحالات. في جافا، على سبيل المثال، من خلال ضبط جامع القمامة وتكوين كومة الذاكرة المؤقتة، فمن الممكن الحصول على أداء عال لاستراتيجيات هفت.
C ++ لا توفر جامع القمامة الأصلي ولذلك فمن الضروري التعامل مع جميع تخصيص الذاكرة / ديالوكاتيون كجزء من تنفيذ كائن. في حين يحتمل أن يكون عرضة للخطأ (يحتمل أن يؤدي إلى مؤشرات التعلق) من المفيد للغاية أن يكون التحكم الدقيق الحبيبات لكيفية ظهور الكائنات على كومة لتطبيقات معينة. عند اختيار لغة تأكد من دراسة كيفية عمل جامع القمامة وما إذا كان يمكن تعديلها لتحسين حالة استخدام معينة.
العديد من العمليات في أنظمة التداول الخوارزمية هي قابلة للتوازي. وهذا يشير إلى مفهوم تنفيذ عمليات برمجية متعددة في نفس الوقت، أي في "موازية". وتشمل ما يسمى بالخوارزميات "الموازية بشكل محرج" خطوات يمكن حسابها بشكل مستقل تماما عن الخطوات الأخرى. بعض العمليات الإحصائية، مثل محاكاة مونتي كارلو، هي مثال جيد للخوارزميات المتوازية بشكل محرج حيث يمكن حساب كل سحب عشوائي وعملية المسار اللاحقة دون معرفة مسارات أخرى.
الخوارزميات الأخرى هي موازية جزئيا فقط. ديناميات السوائل المحاكاة هي مثل هذا المثال، حيث مجال الحساب يمكن تقسيمها، ولكن في نهاية المطاف يجب أن هذه المجالات التواصل مع بعضها البعض، وبالتالي فإن العمليات هي متتابعة جزئية. تخضع الخوارزميات المتوازية لقانون أمدال، الذي يوفر الحد الأعلى النظري لزيادة أداء خوارزمية متوازية عندما يخضع لعمليات $ N $ منفصلة (على سبيل المثال، على وحدة المعالجة المركزية الأساسية أو مؤشر الترابط).
أصبح باراليليساتيون أهمية متزايدة كوسيلة للتحسين منذ ركض سرعة المعالج على مدار الساعة، كما تحتوي على أحدث المعالجات العديد من النوى التي لإجراء حسابات موازية. وقد أدى ارتفاع أجهزة الرسومات الاستهلاكية (في الغالب لألعاب الفيديو) إلى تطوير وحدات المعالجة الرسومية (غبوس)، التي تحتوي على مئات من "النوى" لعمليات متزامنة للغاية. وأصبحت وحدات معالجة الجرافيك هذه بأسعار معقولة جدا. وقد أدت الأطر الرفيعة المستوى، مثل أطر نفيديا، إلى اعتماد واسع النطاق في الأوساط الأكاديمية والمالية.
هذه الأجهزة غبو عادة ما تكون مناسبة فقط للجانب البحثي من التمويل الكمي، في حين يتم استخدام الأجهزة الأخرى أكثر تخصصا (بما في ذلك الميدان بوابة برمجة صفائف - فبغاس) ل (U) هفت. في الوقت الحاضر، معظم اللغات الحديثة تدعم درجة من التزامن / تعدد المواضيع. وبالتالي فمن مباشرة لتحسين باكتستر، لأن جميع الحسابات مستقلة بشكل عام عن الآخرين.
يشير التحجيم في هندسة البرمجيات والعمليات إلى قدرة النظام على التعامل مع الأحمال المتزايدة باستمرار في شكل طلبات أكبر، واستخدام المعالج العالي والمزيد من تخصيص الذاكرة. في التداول الخوارزمي استراتيجية قادرة على نطاق إذا كان يمكن قبول كميات أكبر من رأس المال، ولا تزال تنتج عائدات متسقة. جداول تكديس تكنولوجيا التداول إذا كان يمكن أن تحمل حجم التجارة أكبر وزيادة الكمون، دون الاختناقات.
في حين يجب أن تصمم النظم على نطاق واسع، غالبا ما يكون من الصعب التنبؤ مسبقا حيث سيحدث عنق الزجاجة. وسيساعد قطع الأشجار، والاختبار، والتنميط، والرصد على نحو كبير في السماح للنظام بتوسيع نطاقه. وغالبا ما توصف اللغات نفسها بأنها "غير قابلة للتغيير". وهذا عادة ما يكون نتيجة للتضليل، وليس الحقيقة الصعبة. هذا هو إجمالي كومة التكنولوجيا التي ينبغي التأكد من قابلية، وليس اللغة. ومن الواضح أن لغات معينة لها أداء أكبر من غيرها في حالات الاستخدام على وجه الخصوص، ولكن لغة واحدة هي "أفضل" أبدا من أي معنى آخر.
إحدى وسائل إدارة المقياس هي فصل المخاوف، كما ذكرنا سابقا. من أجل زيادة القدرة على التعامل مع "المسامير" في النظام (أي التقلبات المفاجئة التي تؤدي إلى مجموعة كبيرة من الصفقات)، فمن المفيد إنشاء "بنية الطابور رسالة". هذا يعني ببساطة وضع نظام طابور الرسائل بين المكونات بحيث تكون الأوامر "مكدسة" إذا كان مكون معين غير قادر على معالجة العديد من الطلبات.
بدلا من أن يتم فقدان الطلبات يتم الاحتفاظ بها ببساطة في كومة حتى يتم التعامل مع الرسالة. هذا مفيد بشكل خاص لإرسال الصفقات إلى محرك التنفيذ. إذا كان المحرك يعاني تحت الكمون الثقيل ثم فإنه سيتم النسخ الاحتياطي الصفقات. وهناك طابور بين مولد إشارة التجارة و أبي التنفيذ تخفيف هذه المسألة على حساب احتمال انزلاق التجارة. 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 (, 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. هناك مزايا وعيوب لكلا النهجين. 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.
استنتاج.
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.
مجرد بدء مع التداول الكمي؟
3 أسباب الاشتراك في قائمة كوانتستارت:
1. دروس التداول الكمي.
سوف تحصل على إمكانية الوصول الفوري إلى دورة مجانية 10 جزء معبأة مع تلميحات ونصائح لمساعدتك على البدء في التداول الكمي!
2. جميع أحدث المحتوى.
كل أسبوع سوف نرسل لك التفاف من كل نشاط على كوانتستارت لذلك عليك أن لا يفوتون وظيفة مرة أخرى.
ريال مدريد، وقابلة للتنفيذ نصائح التداول الكمي مع أي هراء.

Best programming language for algorithmic trading systems.
But still no makeup Herbalife again nowhere to go.
In this post, there is no logic.
هم. كاك راس نا يوتو تيمو دومالا، وهو تاكوج تاكوج آخر شيكارنويج، سباسيبو!
Even if you don’t succeed in having normal erection you should not stop trying! Just don’t give up!
You are not the only person that suffers from you erectile dysfunction. Your wife is affected too.
Very amusing opinion.
Older men have the highest suicide rate in the world due to problems with masculine health.
Impotence ruins more families than adultery! Isn’t it a reason to take care of your sexual health?
Best Programming Language for Algorithmic Trading Systems?
By Michael Halls-Moore on July 26th, 2013.
One of the most frequent questions I receive in the QS mailbag is "What is the best programming language for algorithmic trading?". The short answer is that there is no "best" language. Strategy parameters, performance, modularity, development, resiliency and cost must all be considered. This article will outline the necessary components of an algorithmic trading system architecture and how decisions regarding implementation affect the choice of language.
Firstly, the major components of an algorithmic trading system will be considered, such as the research tools, portfolio optimiser, risk manager and execution engine. Subsequently, different trading strategies will be examined and how they affect the design of the system. In particular the frequency of trading and the likely trading volume will both be discussed.
Once the trading strategy has been selected, it is necessary to architect the entire system. This includes choice of hardware, the operating system(s) and system resiliency against rare, potentially catastrophic events. While the architecture is being considered, due regard must be paid to performance - both to the research tools as well as the live execution environment.
What Is The Trading System Trying To Do?
Before deciding on the "best" language with which to write an automated trading system it is necessary to define the requirements. Is the system going to be purely execution based? Will the system require a risk management or portfolio construction module? Will the system require a high-performance backtester? For most strategies the trading system can be partitioned into two categories: Research and signal generation.
Research is concerned with evaluation of a strategy performance over historical data. The process of evaluating a trading strategy over prior market data is known as backtesting . The data size and algorithmic complexity will have a big impact on the computational intensity of the backtester. CPU speed and concurrency are often the limiting factors in optimising research execution speed.
Signal generation is concerned with generating a set of trading signals from an algorithm and sending such orders to the market, usually via a brokerage. For certain strategies a high level of performance is required. I/O issues such as network bandwidth and latency are often the limiting factor in optimising execution systems. Thus the choice of languages for each component of your entire system may be quite different.
Type, Frequency and Volume of Strategy.
The type of algorithmic strategy employed will have a substantial impact on the design of the system. It will be necessary to consider the markets being traded, the connectivity to external data vendors, the frequency and volume of the strategy, the trade-off between ease of development and performance optimisation, as well as any custom hardware, including co-located custom servers, GPUs or FPGAs that might be necessary.
The technology choices for a low-frequency US equities strategy will be vastly different from those of a high-frequency statistical arbitrage strategy trading on the futures market. Prior to the choice of language many data vendors must be evaluated that pertain to a the strategy at hand.
It will be necessary to consider connectivity to the vendor, structure of any APIs, timeliness of the data, storage requirements and resiliency in the face of a vendor going offline. It is also wise to possess rapid access to multiple vendors! Various instruments all have their own storage quirks, examples of which include multiple ticker symbols for equities and expiration dates for futures (not to mention any specific OTC data). This needs to be factored in to the platform design.
Frequency of strategy is likely to be one of the biggest drivers of how the technology stack will be defined. Strategies employing data more frequently than minutely or secondly bars require significant consideration with regards to performance.
A strategy exceeding secondly bars (i. e. tick data) leads to a performance driven design as the primary requirement. For high frequency strategies a substantial amount of market data will need to be stored and evaluated. Software such as HDF5 or kdb+ are commonly used for these roles.
In order to process the extensive volumes of data needed for HFT applications, an extensively optimised backtester and execution system must be used. C/C++ (possibly with some assembler) is likely to the strongest language candidate. Ultra-high frequency strategies will almost certainly require custom hardware such as FPGAs, exchange co-location and kernal/network interface tuning.
Research systems typically involve a mixture of interactive development and automated scripting. The former often takes place within an IDE such as Visual Studio, MatLab or R Studio. The latter involves extensive numerical calculations over numerous parameters and data points. This leads to a language choice providing a straightforward environment to test code, but also provides sufficient performance to evaluate strategies over multiple parameter dimensions.
Typical IDEs in this space include Microsoft Visual C++/C#, which contains extensive debugging utilities, code completion capabilities (via "Intellisense") and straightforward overviews of the entire project stack (via the database ORM, LINQ ); MatLab. which is designed for extensive numerical linear algebra and vectorised operations, but in an interactive console manner; R Studio. which wraps the R statistical language console in a fully-fledged IDE; Eclipse IDE for Linux Java and C++; and semi-proprietary IDEs such as Enthought Canopy for Python, which include data analysis libraries such as NumPy. SciPy. scikit-learn and pandas in a single interactive (console) environment.
For numerical backtesting, all of the above languages are suitable, although it is not necessary to utilise a GUI/IDE as the code will be executed "in the background". The prime consideration at this stage is that of execution speed. A compiled language (such as C++) is often useful if the backtesting parameter dimensions are large. Remember that it is necessary to be wary of such systems if that is the case!
Interpreted languages such as Python often make use of high-performance libraries such as NumPy/pandas for the backtesting step, in order to maintain a reasonable degree of competitiveness with compiled equivalents. Ultimately the language chosen for the backtesting will be determined by specific algorithmic needs as well as the range of libraries available in the language (more on that below). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen.
Portfolio Construction and Risk Management.
The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of "risky" bets, but also minimise churn of the trades themselves, reducing transaction costs.
Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system.
The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio.
Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C++. MatLab also possesses extensively optimised matrix operations. Python utilises NumPy/SciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised!) matrix library to carry this step out, so as not to bottleneck the trading system.
Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies!), increased correlations between asset classes, counter-party default, server outages, "black swan" events and undetected bugs in the trading code, to name a few.
Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo "stress tests". This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to "throw hardware at the problem".
The job of the execution system is to receive filtered trading signals from the portfolio construction and risk management components and send them on to a brokerage or other means of market access. For the majority of retail algorithmic trading strategies this involves an API or FIX connection to a brokerage such as Interactive Brokers. The primary considerations when deciding upon a language include quality of the API, language-wrapper availability for an API, execution frequency and the anticipated slippage.
The "quality" of the API refers to how well documented it is, what sort of performance it provides, whether it needs standalone software to be accessed or whether a gateway can be established in a headless fashion (i. e. no GUI). In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API. I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason!
Most APIs will provide a C++ and/or Java interface. It is usually up to the community to develop language-specific wrappers for C#, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months.
Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability.
Statically-typed languages (see below) such as C++/Java are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally "fast enough". Always make sure the components are designed in a modular fashion (see below) so that they can be "swapped out" out as the system scales.
Architectural Planning and Development Process.
The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be "wearing many hats". It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed.
Separation of Concerns.
One of the most important decisions that must be made at the outset is how to "separate the concerns" of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components.
By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the "best practice" for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable.
Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems.
For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference.
Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCP/IP, ZeroMQ or some other language-independent protocol.
As a concrete example, consider the case of a backtesting system being written in C++ for "number crunching" performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy .
Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. "Performance" covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data I/O, concurrency/parallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance.
The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that "premature optimisation is the root of all evil". This is almost always the case - except when building a high frequency trading algorithm! For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear.
Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance.
C++, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C++ ships with the Standard Template Library, while Python contains NumPy/SciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation.
One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often "reinvention of the wheel" wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers.
Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disk/network latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency).
For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required!
Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to "hit the database" and so performance gains can be significant.
For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesn't need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk I/O operation.
However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure.
Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C# and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope .
Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies.
C++ 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, i. e in "parallel". So-called "embarassingly parallel" algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths.
Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahl's Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to $N$ separate processes (e. g. on a CPU core or thread ).
Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of "cores" for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as 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 (i. e. sudden volatility which triggers a raft of trades), it is useful to create a "message queuing architecture". This simply means placing a message queue system between components so that orders are "stacked up" if a certain component is unable to process many requests.
Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ .
Hardware and Operating Systems.
The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a "cloud" provider or an exchange co-located server.
Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times!). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI).
Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed.
A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system.
In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable.
A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha.
The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems? Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM? These issues will be highly dependent upon the frequency and type of strategy being implemented.
Resilience and Testing.
One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system.
It is likely that in any reasonably complicated custom quantitative trading application at least 50% of development time will be spent on debugging, testing and maintenance.
Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point .
Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists.
Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease.
TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options.
In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed.
Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.
While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.
Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (, 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.
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. هناك مزايا وعيوب لكلا النهجين. 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.
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 .
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.
Mike is the founder of QuantStart and has been involved in the quantitative finance industry for the last five years, primarily as a quant developer and later as a quant trader consulting for hedge funds.

اختيار حق التداول البرمجيات خوارزمية.
أثناء استخدام التداول الخوارزمي، يثق التجار بأموالهم التي اكتسبوها بشق الأنفس إلى برنامج التداول الذي يستخدمونه. الجزء الصحيح من برامج الكمبيوتر مهم جدا لضمان التنفيذ الفعال والدقيق للأوامر التجارية. البرمجيات الخاطئة، أو واحدة دون الميزات المطلوبة، قد يؤدي إلى خسائر فادحة. تبحث هذه المقالة في الأمور الرئيسية التي يجب أخذها في الاعتبار لاختيار البرنامج المناسب للتداول الحسابي. (للمزيد، انظر: أساسيات التداول الحسابي: المفاهيم والأمثلة.)
[يعتمد برنامج التداول الخوارزمي على فهم عميق للتحليل الفني. بعد كل شيء، غالبا ما تستخدم المؤشرات الفنية كمدخلات لهذه الأنظمة التجارية. توفر دورة التحليل الفني إنفستوبيديا نظرة عامة متعمقة في كيفية تحديد الأنماط الفنية والاتجاهات والإشارات والمؤشرات التي تدفع سلوك الأسعار. مع أكثر من خمس ساعات من الفيديو حسب الطلب، والتمارين، والمحتوى التفاعلي، سوف تتعلم جميع الأشكال الرئيسية للتحليل الفني ودراسات حالة الوصول تبين كيف يتم استخدامها.]
A سريعة التمهيدي لتجارة الخوارزمية.
وتعرف الخوارزمية على أنها مجموعة محددة من التعليمات خطوة بخطوة لإكمال مهمة معينة. سواء كانت لعبة الكمبيوتر بسيطة ولكنها تسبب الادمان مثل باك مان أو جدول البيانات التي تقدم عددا كبيرا من الوظائف، يتبع كل برنامج مجموعة محددة من التعليمات على أساس خوارزمية الكامنة.
التداول الخوارزمي هو عملية استخدام برنامج كمبيوتر يتبع مجموعة محددة من التعليمات لوضع أمر تجاري. والهدف من برنامج التداول حسابي هو تحديد حيوي الفرص المربحة ووضع الصفقات من أجل توليد الأرباح بسرعة وتيرة من المستحيل أن تتطابق مع تاجر البشري. وبالنظر إلى مزايا الدقة العالية وسرعة التنفيذ بسرعة البرق، اكتسبت أنشطة التداول على أساس خوارزميات الكمبيوتر شعبية هائلة. (للمزيد، انظر: إيجابيات وسلبيات أنظمة التداول الآلي.)
من يستخدم البرمجيات التداول حسابي؟
وتهيمن على التداول الخوارزمي شركات تجارية كبيرة، مثل صناديق التحوط، ومصارف الاستثمار، والشركات التجارية المملوكة. وبالنظر إلى وفرة الموارد المتاحة نظرا لحجمها الكبير، فإن هذه الشركات تقوم عادة ببناء برامجها التجارية الخاصة، بما في ذلك نظم تجارية كبيرة مع مراكز بيانات مخصصة وموظفي دعم.
على المستوى الفردي، التجار ذوي الخبرة والكوانت يستخدمون التداول الخوارزمي. تجار التداول، الذين هم أقل دهاء التكنولوجيا، قد شراء برامج التداول الجاهزة لتلبية احتياجات التداول حسابي. يتم تقديم البرنامج إما من قبل وسطاء أو شراؤها من مقدمي طرف ثالث. كوانتس لديها معرفة جيدة من كل من التجارة والبرمجة الكمبيوتر، وأنها تطوير برامج التداول من تلقاء نفسها. (للمزيد، انظر: كوانتس: ماذا يفعلون وكيف تطورت.)
خوارزمية التداول البرمجيات - بناء أو شراء؟
هناك طريقتان للوصول إلى برامج التداول الحسابية: بناء أو شراء.
شراء البرامج الجاهزة يوفر الوصول السريع وفي الوقت المناسب، في حين بناء الخاصة بك يسمح المرونة الكاملة لتخصيص لاحتياجاتك. غالبا ما يكون برنامج التداول الآلي مكلفا للشراء وقد يكون مليئا بالثغرات التي قد تؤدي، إذا تم تجاهلها، إلى خسائر. قد تؤدي التكاليف المرتفعة إلى تحقيق الأرباح الفعلية من مشروع التداول الخوارزمي. من ناحية أخرى، وبناء البرمجيات التداول خوارزمية لوحدك يأخذ الوقت والجهد والمعرفة العميقة، وأنها لا تزال قد لا تكون مضمونة.
المخاطر التي ينطوي عليها التداول التلقائي عالية جدا، والتي يمكن أن تؤدي إلى خسائر كبيرة. بغض النظر إذا قرر المرء أن يشتري أو يبني، يصبح من المهم أن تكون على دراية بالسمات الأساسية المطلوبة.
الميزات الرئيسية من البرمجيات التداول الخوارزمية.
توافر بيانات السوق والشركة: تم تصميم جميع خوارزميات التداول للعمل على بيانات السوق في الوقت الحقيقي وأسعار الأسعار. يتم تخصيص بعض البرامج أيضا لحساب بيانات أساسيات الشركة مثل نسب إبس و بي. أي برنامج تداول حسابي يجب أن يكون في الوقت الحقيقي تغذية بيانات السوق، فضلا عن تغذية بيانات الشركة. وينبغي أن يكون متوفرا كمنظمة في النظام أو ينبغي أن يكون له حكم يتيح الاندماج بسهولة من مصادر بديلة. الاتصال بأسواق مختلفة: التجار الذين يبحثون عن عمل عبر أسواق متعددة يجب أن يلاحظوا أن كل تبادل قد يوفر تغذية البيانات الخاصة به في شكل مختلف، مثل تكب / إب، مولتيكاست أو فيكس. يجب أن يكون برنامجك قادرا على قبول الخلاصات بتنسيقات مختلفة. وثمة خيار آخر هو الذهاب مع بائعي البيانات طرف ثالث مثل بلومبرغ ورويترز، التي تجميع بيانات السوق من التبادلات المختلفة وتوفيره في شكل موحد لإنهاء العملاء. يجب أن يكون برنامج التداول الخوارزمي قادرا على معالجة هذه الخلاصات المجمعة حسب الحاجة. الكمون: أصغر كلمة من هذه القائمة هو العامل الأكثر أهمية ل ألغو التداول. الكمون هو تأخير الوقت أدخلت في حركة نقاط البيانات من تطبيق واحد إلى الآخر. النظر في التسلسل التالي للأحداث. ويستغرق الأمر 0.2 ثانية للحصول على عرض أسعار يأتي من التبادل إلى مركز بيانات بائع البرامج (دس)، و 0.3 ثانية من مركز البيانات للوصول إلى شاشة التداول الخاصة بك، و 0.1 ثانية لبرنامج التداول الخاص بك لمعالجة هذا الاقتباس المستلم، 0.3 ثانية ل فإنه لتحليل ووضع التجارة، 0.2 ثانية لأمر التجارة الخاصة بك للوصول إلى وسيط الخاص بك، 0.3 ثانية للوسيط الخاص بك لتوجيه طلبك إلى الصرف.
إجمالي الوقت المنقضي = 0.2 + 0.3 + 0.1 + 0.3 + 0.2 + 0.3 = إجمالي 1.4 ثانية.
في عالم التداول الديناميكي اليوم، فإن الاقتباس السعر الأصلي قد تغير عدة مرات خلال هذه الفترة 1.4 ثانية. هذا التأخير يمكن أن يجعل أو كسر مشروع التداول الخوارزمية. يحتاج المرء إلى إبقاء هذا الكمون إلى أدنى مستوى ممكن لضمان حصولك على أحدث المعلومات ودقتها دون أي فجوة زمنية.
وقد خفض الكمون إلى ميكروثانية، وينبغي بذل كل محاولة لإبقائها منخفضة قدر الإمكان في نظام التداول. وتشمل بعض التدابير وجود اتصال مباشر إلى تبادل للحصول على البيانات بشكل أسرع من خلال القضاء على بائع بين؛ من خلال تحسين خوارزمية التداول الخاص بك بحيث يستغرق أقل من 0.1 + 0.3 = 0.4 ثانية للتحليل واتخاذ القرارات؛ أو عن طريق القضاء على وسيط وإرسال مباشرة الصفقات إلى الصرف لإنقاذ 0.2 ثانية.
كونفيغورابيليتي والتخصيص: معظم البرمجيات التداول خوارزمية تقدم القياسية خوارزميات التجارة المضمنة، مثل تلك التي تستند إلى كروس من المتوسط ​​المتحرك لمدة 50 يوما (ما) مع ماجستير لمدة 200 يوم. قد يرغب المتداول في التجربة عن طريق التحول إلى ما 20 يوما مع ما 100 يوم. ما لم يقدم البرنامج مثل هذا التخصيص من المعلمات، قد تكون مقيدة التاجر من قبل الوظائف الإضافية المضمنة. سواء شراء أو بناء، يجب أن يكون برنامج التداول على درجة عالية من التخصيص و كونفيغورابيليتي. وظائف لكتابة البرامج المخصصة: ماتلاب، بيثون، C ++، جافا، و بيرل هي لغات البرمجة الشائعة المستخدمة لكتابة برامج التداول. معظم البرامج التجارية التي تباع من قبل البائعين طرف ثالث يوفر القدرة على كتابة البرامج المخصصة الخاصة بك داخله. وهذا يسمح للتاجر لتجربة ومحاولة أي مفهوم التداول انها تتطور. ومن الواضح أن البرنامج الذي يوفر الترميز بلغة البرمجة التي تختارها هو المفضل. (لمزيد من المعلومات، انظر: أنظمة التداول الترميز: مقدمة). باكتستينغ الميزة على البيانات التاريخية: محاكاة الاختبار الخلفي ينطوي على اختبار استراتيجية التداول على البيانات التاريخية. ويقوم بتقييم االستراتيجية والربحية لالستراتيجية على البيانات السابقة، ويصدق عليها للنجاح) أو الفشل أو أي تغييرات مطلوبة (. هذه الميزة الإلزامية تحتاج أيضا أن تكون مصحوبة توفر البيانات التاريخية، والتي يمكن إجراء الاختبار الخلفي. التكامل مع واجهة التداول: برنامج التداول الخوارزمية يضع الصفقات تلقائيا استنادا إلى حدوث المعايير المطلوبة. يجب أن يكون البرنامج الاتصال اللازمة لشبكة وسيط (ق) لوضع التجارة أو اتصال مباشر إلى تبادل لإرسال أوامر التجارة. بلوغ-n-بلاي التكامل: قد يكون المتداول في وقت واحد باستخدام محطة بلومبرغ لتحليل سعره، محطة وسيط لوضع الصفقات، وبرنامج ماتلاب لتحليل الاتجاه. واعتمادا على الاحتياجات الفردية، ينبغي أن يكون لبرنامج التداول الخوارزمي التكامل السهل في التوصيل والتشغيل وواجهات برمجة التطبيقات المتاحة عبر أدوات التداول الشائعة الاستخدام. وهذا يضمن قابلية، فضلا عن التكامل. منصة البرمجة المستقلة: عدد قليل من لغات البرمجة تحتاج منصات مخصصة. على سبيل المثال، قد يتم تشغيل إصدارات معينة من C ++ فقط على أنظمة تشغيل محددة، بينما قد يتم تشغيل بيرل عبر جميع أنظمة التشغيل. أثناء بناء أو شراء البرمجيات التجارية، ينبغي إعطاء الأفضلية لبرامج التداول التي هي منصة مستقلة ويدعم لغات مستقلة منصة. أنت لا تعرف أبدا كيف سوف تتطور التداول الخاص بك بضعة أشهر أسفل الخط. الاشياء تحت غطاء محرك السيارة: يقول المثل الشائع، "حتى قرد يمكن النقر على زر الماوس لوضع التجارة". الاعتماد على أجهزة الكمبيوتر لا ينبغي أن يكون أعمى. هو التاجر الذي يجب أن نفهم ما يجري تحت غطاء محرك السيارة. في حين شراء برامج التداول، ينبغي للمرء أن يسأل وقتا طويلا للذهاب من خلال وثائق مفصلة التي تبين المنطق الأساسي لبرنامج التداول خوارزمية معينة. تجنب أي برامج التداول التي هي مربع أسود كامل والتي تدعي أنها آلة سرية صناعة الشعر.
في حين أن بناء البرمجيات، تكون واقعية حول ما كنت تنفذ وتكون واضحة حول السيناريوهات حيث يمكن أن تفشل. تماما باكتست قبل وضعه للاستخدام مع المال الحقيقي.
من أين نبدأ؟
جميع برامج التداول خوارزمية الجاهزة عادة ما تقدم إصدارات محدودة وظائف مجانية محاكمة أو فترات محاكمة محدودة مع وظيفة كاملة. استكشفها بالكامل خلال هذه التجارب قبل شراء أي شيء. لا تنسى أن تذهب من خلال الوثائق المتاحة بالتفصيل.
لبناء واحد، مصدر حر جيد لاستكشاف التداول الخوارزمية هو كوانتوبيان. ويقدم منصة على الانترنت لاختبار وتطوير التداول حسابي. يمكن للأفراد محاولة وتخصيص أي خوارزمية موجودة أو كتابة واحدة جديدة تماما. كما يوفر منصة المدمج في برنامج التداول خوارزمية ليتم اختبارها ضد بيانات السوق.
الخط السفلي.
برنامج التداول الخوارزمية مكلفة لشراء وصعبة لبناء بنفسك. شراء الجاهزة منها يوفر الوصول السريع وفي الوقت المناسب، وبناء الخاصة بك يسمح المرونة الكاملة لتخصيص لاحتياجاتك. قبل المغامرة مع المال الحقيقي، يجب على المرء أن يفهم تماما وظيفة أساسية من شراء أو بناء البرمجيات التجارية خوارزمية. قد يكون الفشل في القيام بذلك خسارة مكلفة يصعب استردادها.