Grunderna för algoritmisk handel: Begrepp och exempel En algoritm är en specifik uppsättning tydliga instruktioner som syftar till att utföra en uppgift eller process. Algoritmisk handel (automatiserad handel, blackbox trading eller helt enkelt algo-trading) är processen med att använda datorer som är programmerade att följa en definierad uppsättning instruktioner för att placera en handel för att generera vinst med en hastighet och frekvens som är omöjligt för en mänsklig näringsidkare. De definierade reglerna baseras på tid, pris, kvantitet eller någon matematisk modell. Bortsett från vinstmöjligheter för näringsidkaren gör algo-trading marknaderna mer likvida och gör handel mer systematisk genom att utesluta emotionella mänskliga effekter på handelsverksamheten. Antag att en näringsidkare följer dessa enkla handelsvillkor: Köp 50 aktier i ett lager när dess 50-dagars glidande medelvärde går över 200-dagars glidande genomsnitt Säljer aktier i aktierna när dess 50-dagars glidande medelvärde går under det 200-dagars glidande genomsnittet Med hjälp av denna uppsättning av två enkla instruktioner är det enkelt att skriva ett datorprogram som automatiskt kommer att övervaka aktiekursen (och de glidande medelindikatorerna) och placera köp - och säljordern när de definierade villkoren är uppfyllda. Näringsidkaren behöver inte längre hålla koll på levande priser och grafer eller lägga in orderen manuellt. Det algoritmiska handelssystemet gör det automatiskt för honom genom att korrekt identifiera handelsmöjligheten. (För mer om glidande medelvärden, se: Enkla rörliga genomsnittsvärden gör trenden uppe.) Algo-trading ger följande fördelar: Handlar utförda till bästa möjliga priser. Instant och exakt orderingång (därmed höga chanser att genomföras på önskade nivåer). tidsbestämd korrekt och omedelbart för att undvika betydande prisförändringar. Minskade transaktionskostnader (se exempel på genomförandebrist nedan). Samtidig automatiserad kontroll av flera marknadsförhållanden. Minskad risk för manuella fel vid placering av handel. Backtest algoritmen baserat på tillgänglig historisk och realtidsdata. möjligheter till misstag av mänskliga handlare baserade på känslomässiga och psykologiska faktorer Den största delen av dagens algohandel är HFT (High Frequency Trading), som försöker kapitalisera att placera ett stort antal order med mycket snabba hastigheter över flera marknader och flera beslut parametrar, baserat på förprogrammerade instruktioner. (För mer om handel med högfrekventa handelar, se: Strategier och hemligheter hos högfrekvenshandeln). Algo-trading används i många former av handels - och investeringsverksamhet, bland annat: Mid till långsiktiga investerare eller köpsidor (pensionsfonder , fonder, försäkringsbolag) som köper aktier i stora mängder men inte vill påverka lagerpriserna med diskreta investeringar i stor volym. Kortfristiga näringsidkare och sälja sidodeltagare (marknadsmäklare, spekulanter och arbitrageurs) dra nytta av automatiserad handelstillverkning, allmängiltagshjälpmedel för att skapa tillräcklig likviditet för säljare på marknaden. Systematiska handlare (trendföljare, parhandlare, hedgefonder etc.) finner det mycket effektivare att programmera sina handelsregler och låta programmet handla automatiskt. Algoritmisk handel ger ett mer systematiskt tillvägagångssätt för aktiv handel än metoder baserade på en mänsklig handlare intuition eller instinkt. Algoritmiska handelsstrategier Alla strategier för algoritmisk handel kräver en identifierad möjlighet som är lönsam när det gäller förbättrat resultat eller kostnadsminskning. Följande är vanliga handelsstrategier som används i algo-trading: De vanligaste algoritmiska handelsstrategierna följer trender i glidande medelvärden. kanalbrytningar. prisnivå rörelser och relaterade tekniska indikatorer. Dessa är de enklaste och enklaste strategierna för att genomföra genom algoritmisk handel, eftersom dessa strategier inte innebär att man gör några förutsägelser eller prisprognoser. Trader initieras baserat på förekomsten av önskvärda trender. som är enkla och raka att implementera genom algoritmer utan att komma in i komplexiteten av prediktiv analys. Ovanstående exempel på 50 och 200 dagars glidande medelvärde är en populär trendstrategi. (För mer om strategier för trendhandel, se: Enkla strategier för att kapitalisera på trender.) Att köpa ett dubbelt noterat lager till ett lägre pris på en marknad och samtidigt sälja det till ett högre pris på en annan marknad ger prisskillnaden som riskfri vinst eller arbitrage. Samma operation kan replikeras för aktier kontra futures instrument, eftersom prisskillnaderna existerar från tid till annan. Genomföra en algoritm för att identifiera sådana prisskillnader och placera orderna möjliggör lönsamma möjligheter på ett effektivt sätt. Indexfonder har definierat perioder av ombalansering för att få sina innehav i nivå med sina respektive referensindex. Detta skapar lönsamma möjligheter för algoritmiska handlare, som utnyttjar förväntad handel som erbjuder 20-80 basispoäng vinst beroende på antalet aktier i indexfonden, precis innan indexfonden ombalanseras. Sådana branscher initieras via algoritmiska handelssystem för snabb genomförande och bästa priser. Många bevisade matematiska modeller, som den delta-neutrala handelsstrategin, som tillåter handel på kombination av alternativ och dess underliggande säkerhet. där handeln placeras för att kompensera positiva och negativa delta så att portföljen delta hålls noll. Medelåtervändningsstrategin bygger på idén att de höga och låga priserna på en tillgång är ett temporärt fenomen som regelbundet återgår till deras medelvärde. Att identifiera och definiera ett prisklass och en implementeringsalgoritm baserad på det gör det möjligt att placera affärer automatiskt när priset på tillgången bryter in och ut ur sitt definierade intervall. Volymvägd genomsnittsprisstrategi bryter upp en stor order och släpper dynamiskt bestämda mindre bitar av ordern till marknaden med hjälp av aktiespecifika historiska volymprofiler. Syftet är att genomföra ordern nära Volymvägd Medelpris (VWAP) och därigenom dra nytta av genomsnittspriset. Tidsvägd genomsnittsprisstrategi bryter upp en stor order och släpper dynamiskt bestämda mindre bitar av ordern till marknaden med jämnt fördelade tidsluckor mellan start - och sluttid. Syftet är att genomföra ordern nära genomsnittskursen mellan start - och sluttiderna och därigenom minimera marknadseffekterna. Till dess att ordern är fullt fylld fortsätter denna algoritm att skicka delbeställningar, enligt det definierade deltagandekvoten och enligt volymen på marknaden. Den relaterade stegstrategin skickar order till en användardefinierad procentandel av marknadsvolymer och ökar eller minskar denna delaktighet när aktiekursen når användardefinierade nivåer. Strategin för genomförandet av underskottet syftar till att minimera genomförandekostnaden för en order genom att handla i realtidsmarknaden och därigenom spara på beställningskostnaden och dra nytta av möjlighetskostnaden för försenat genomförande. Strategin kommer att öka den riktade delaktighetsgraden när aktiekursen rör sig positivt och sänker den när aktiekursen rör sig negativt. Det finns några speciella klasser av algoritmer som försöker identifiera händelser på andra sidan. Dessa sniffningsalgoritmer, som till exempel används av en försäljningssida-marknadsförare, har den inbyggda intelligensen för att identifiera existensen av några algoritmer på köpsidan av en stor order. Sådan upptäckt genom algoritmer kommer att hjälpa marknadsmakaren att identifiera stora ordermöjligheter och möjliggöra för honom att dra nytta av att fylla orderna till ett högre pris. Detta identifieras ibland som high-tech front-running. (För mer om högfrekvent handel och bedrägliga rutiner, se: Om du köper aktier online, är du involverad i HFT.) Tekniska krav för algoritmisk handel Genomföra algoritmen med ett datorprogram är den sista delen, klubbad med backtesting. Utmaningen är att omvandla den identifierade strategin till en integrerad datoriserad process som har tillgång till ett handelskonto för beställning. Följande behövs: Datorprogrammeringskunskap för att programmera den nödvändiga handelsstrategin, anställda programmörer eller färdiga handelsprogramvaror Nätverksanslutning och tillgång till handelsplattformar för orderingång Tillgång till marknadsdata feeds som kommer att övervakas av algoritmen för möjligheter att placera order Förmågan och infrastrukturen att backtest systemet en gång byggt innan den går live på reala marknader Tillgängliga historiska data för backtesting, beroende på komplexiteten av regler som implementeras i algoritmen Här är ett omfattande exempel: Royal Dutch Shell (RDS) är listat på Amsterdam Fondbörs (AEX) och London Stock Exchange (LSE). Låter bygga en algoritm för att identifiera arbitrage möjligheter. Här är några intressanta observationer: AEX handlar i euro, medan LSE handlar i Sterling Pounds På grund av en timmes tidsskillnad öppnar AEX en timme tidigare än LSE, följt av att båda börserna handlar samtidigt för de närmaste timmarna och sedan endast handlar i LSE under Den sista timmen när AEX stängs Kan vi undersöka möjligheten till arbitragehandel på Royal Dutch Shell-börsen som är listad på dessa två marknader i två olika valutor Ett datorprogram som kan läsa aktuella marknadspriser Prismatningar från både LSE och AEX A-valutahastighet för GBP-EUR-växelkurs Beställa placeringsförmåga som kan styra ordern till rätt utbyte Backtestningskapacitet på historiska prismatningar Dataprogrammet ska utföra följande: Läs det inkommande prismatningen av RDS-lager från båda börserna Använda tillgängliga valutakurser . konvertera priset på en valuta till andra Om det finns en tillräckligt stor prissammanhang (diskontering av mäklarkostnaderna) som leder till ett lönsamt tillfälle, placerar du köpordern på lägre prissättning och säljarorder på högre prissättning. Om beställningarna utförs som Önskad, arbitrage vinsten kommer att följa Enkel och lätt Men övningen av algoritmisk handel är inte så enkelt att underhålla och genomföra. Kom ihåg, om du kan placera en algo-genererad handel, så kan andra marknadsaktörer. Följaktligen fluktuerar priserna i milli - och till och med mikrosekunder. I det ovanstående exemplet, vad händer om din köphandel blir verkställd, men sälja handel, eftersom försäljningspriserna ändras när din order träffar marknaden. Du kommer att sluta sitta med en öppen position. göra din arbitrage strategi värdelös. Det finns ytterligare risker och utmaningar: till exempel riskerar systemfel, nätverksanslutningsfel, tidsintervaller mellan handelsorder och utförande, och viktigast av allt, ofullkomliga algoritmer. Ju mer komplexa en algoritm krävs, desto strängare backtesting behövs innan den tas i bruk. Kvantitativ analys av algoritmernas prestanda spelar en viktig roll och bör granskas kritiskt. Det är spännande att gå till automation med hjälp av datorer med en uppfattning att tjäna pengar utan problem. Men man måste se till att systemet är noggrant testat och att gränserna är nödvändiga. Analytiska handlare bör överväga att lära sig programmering och byggsystem på egen hand, för att vara övertygade om att implementera rätt strategier på idiotsäkert sätt. Försiktig användning och noggrann testning av algo-handel kan skapa lönsamma möjligheter. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En beställning att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-reglering (Internal Revenue Service) som tillåter utbetalningar av straff från ett IRA-konto. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. Skuldkvotskvoten är skuldkvoten som används för att mäta ett företags ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. En typ av ersättningsstruktur som hedgefondsförvaltare brukar använda i vilken del av ersättning som är prestationsbaserad. Mest programmeringssprog för algoritmiska handelssystem En av de vanligaste frågorna jag får i QS-brevlådan är Vad är det bästa programmeringsspråket för algoritmisk handel. Det korta svaret är att det inte finns något bra språk. Strategiparametrar, prestanda, modularitet, utveckling, elasticitet och kostnad måste alla övervägas. Denna artikel kommer att beskriva de nödvändiga komponenterna i en algoritmisk handelssystemarkitektur och hur beslut om implementering påverkar språkvalet. För det första kommer huvudkomponenterna i ett algoritmiskt handelssystem att övervägas, såsom forskningsverktygen, portföljoptimeraren, riskhanteraren och genomförandemotorn. Därefter granskas olika handelsstrategier och hur de påverkar systemets utformning. I synnerhet kommer frekvensen av handel och den sannolika handelsvolymen att diskuteras. När handelsstrategin har valts är det nödvändigt att arkitektera hela systemet. Detta inkluderar val av hårdvara, operativsystem och systemresistens mot sällsynta, potentiellt katastrofala händelser. Medan arkitekturen beaktas måste man ta hänsyn till prestanda - både för forskningsverktygen och för den levande exekveringsmiljön. Vad är handelssystemet Försök att göra Innan du bestämmer dig för det bästa språket som du ska skriva ett automatiserat handelssystem är det nödvändigt att definiera kraven. Kommer systemet att vara rent exekveringsbaserat Kommer systemet att kräva en riskhantering eller portföljbyggnadsmodul Ska systemet kräva en högpresterande backtester För de flesta strategier kan handelssystemet delas upp i två kategorier: Forskning och signalgenerering. Forskning handlar om utvärdering av en strategisk utveckling över historiska data. Processen att utvärdera en handelsstrategi över tidigare marknadsdata kallas backtesting. Datastorleken och den algoritmiska komplexiteten kommer att ha stor inverkan på beräkningsintensiteten hos backtestern. CPU-hastighet och samtidighet är ofta de begränsande faktorerna för att optimera forskningsutföringshastigheten. Signalgenerering handlar om att generera en uppsättning handelssignaler från en algoritm och skicka sådana order till marknaden, vanligtvis via en mäklare. För vissa strategier krävs en hög prestanda. IO-problem som nätverksbandbredd och latens är ofta den begränsande faktorn vid optimering av exekveringssystem. Således kan valet av språk för varje komponent i hela ditt system vara helt annorlunda. Typ, frekvens och volym av strategin Den typ av algoritmisk strategi som används kommer att ha en betydande inverkan på systemets utformning. Det kommer att vara nödvändigt att överväga att marknaderna handlas, anslutningen till externa datasäljare, frekvensen och volymen av strategin, avvägningen mellan enkel utveckling och prestandaoptimering, samt vilken anpassad hårdvara som helst, inklusive anpassad anpassning servrar, GPU eller FPGA som kan vara nödvändiga. Teknikvalen för en lågfrekvent amerikanska aktiestrategi kommer att vara väldigt annorlunda än en högfrekvent statistisk arbitragestrategihandel på terminsmarknaden. Före språkvalet måste många dataleverantörer utvärderas som avser en strategi för hand. Det kommer att vara nödvändigt att överväga anslutning till säljaren, strukturen för alla API: er, aktuell data, lagringskrav och elasticitet i ansiktet av en leverantör som går offline. Det är också klokt att ha snabb tillgång till flera leverantörer. Olika instrument har alla sina egna lagringskällor, exempel på vilka inkluderar flera tickersymboler för aktier och utgångsdatum för terminer (förutom några specifika OTC-data). Detta måste ingå i plattformsdesignen. Frekvensen av strategin är sannolikt en av de största drivkrafterna för hur tekniken ska definieras. Strategier som använder data oftare än noggrann eller andra staplar kräver betydande hänsyn till prestanda. En strategi som överstiger andra stavar (dvs kryssningsdata) leder till en prestationsdriven design som det primära kravet. För högfrekventa strategier måste en betydande mängd marknadsdata lagras och utvärderas. Programvara som HDF5 eller kdb används vanligtvis för dessa roller. För att kunna bearbeta de omfattande datamängderna som behövs för HFT-applikationer, måste en omfattande optimerad backtester och exekveringssystem användas. CC (eventuellt med någon assembler) är sannolikt den starkaste språkkandidaten. Ultrahögfrekvensstrategier kommer nästan säkert att kräva anpassad hårdvara, till exempel FPGA, utbytessamlokalisering och kärnnätverksgränssnittsstämning. Forskningssystem Forskningssystem involverar vanligtvis en blandning av interaktiv utveckling och automatiserad skript. Den förra äger ofta rum inom en IDE som Visual Studio, MatLab eller R Studio. Det senare innebär omfattande numeriska beräkningar över många parametrar och datapunkter. Detta leder till ett språkval som ger en enkel miljö för att testa koden, men ger också tillräcklig prestanda för att utvärdera strategier över flera parameterdimensioner. Typiska IDE: er i detta utrymme inkluderar Microsoft Visual CC, som innehåller omfattande felsökningsverktyg, kodfärdigningsfunktioner (via Intellisense) och enkla översikter över hela projektstapeln (via databasen ORM, LINQ) MatLab. som är konstruerad för omfattande numerisk linjär algebra och vektoriserade operationer, men på ett interaktivt konsol sätt R Studio. som sveper R-statistikkonsolen i en fulländad IDE Eclipse IDE för Linux Java och C och semi-proprietary IDEs, som Enthought Canopy for Python, som inkluderar databaser för databehandling som NumPy. SciPy. scikit-lär och pandaer i en enda interaktiv (konsol) miljö. För numerisk backtesting är alla ovanstående språk lämpliga, men det är inte nödvändigt att använda en GUIIDE eftersom koden kommer att utföras i bakgrunden. Den primära övervägande i detta skede är den av körhastigheten. Ett sammanställt språk (som C) är ofta användbart om parametrarna för backtesting-parametrar är stora. Kom ihåg att det är nödvändigt att vara försiktig med sådana system, om så är fallet. Tolkade språk som Python använder ofta högpresterande bibliotek som NumPypandas för backtesting-steget för att upprätthålla en rimlig grad av konkurrenskraft med kompilerade ekvivalenter. I slutändan kommer det språk som valts för backtesting att bestämmas av specifika algoritmiska behov samt utbudet av bibliotek tillgängliga på språket (mer om det nedan). Språket som används för backtester och forskningsmiljöer kan dock vara helt oberoende av de som används i portföljkonstruktion, riskhantering och exekveringskomponenter, vilket kommer att ses. Portföljkonstruktion och riskhantering Komponenterna för portföljkonstruktion och riskhantering är ofta förbisedda av detaljhandelsalgoritmiska handlare. Detta är nästan alltid ett misstag. Dessa verktyg ger den mekanism med vilket kapital kommer att bevaras. De försöker inte bara minska antalet riskabla satsningar, utan minimerar också churnen i branschen, vilket minskar transaktionskostnaderna. Sofistikerade versioner av dessa komponenter kan ha en betydande inverkan på lönsamhetens kvalitet och konsistens. Det är enkelt att skapa stabila strategier, eftersom portföljbyggnadsmekanismen och riskhanteraren lätt kan modifieras för att hantera flera system. Således bör de betraktas som väsentliga komponenter vid början av utformningen av ett algoritmiskt handelssystem. Arbetet med portföljkonstruktionssystemet är att ta en uppsättning av önskade affärer och producera uppsättningen av verkliga verksamheter som minimerar klyftan, behåller exponeringar mot olika faktorer (t. ex. sektorer, tillgångsklasser, volatilitet etc.) och optimerar fördelningen av kapital till olika strategier i en portfölj. Portföljkonstruktion reduceras ofta till ett linjärt algebraproblem (såsom en matrisfaktorisering) och följaktligen är prestanda starkt beroende av effektiviteten hos den numeriska linjära algebraimplementationen som är tillgänglig. Vanliga bibliotek innehåller uBLAS. LAPACK och NAG för C. MatLab har också omfattande optimerade matrisoperationer. Python använder NumPySciPy för sådana beräkningar. En ofta ombalanserad portfölj kräver ett sammanställt (och väloptimerat) matrisbibliotek för att utföra detta steg för att inte flaskhalsa handelssystemet. Riskhantering är en annan extremt viktig del av ett algoritmiskt handelssystem. Risken kan komma i många former: Ökad volatilitet (även om detta kan ses som önskvärt för vissa strategier), ökade korrelationer mellan tillgångsklasser, motpartsstandard, serveravbrott, svarta svanhändelser och oupptäckta fel i handelskoden, för att nämna en få. Riskhanteringskomponenter försöker förutse effekterna av överdriven volatilitet och korrelation mellan tillgångsklasser och deras efterföljande effekt (er) på handelskapital. Ofta minskar detta till en uppsättning statistiska beräkningar som Monte Carlo stresstester. Detta liknar mycket beräkningsbehoven hos en derivatprissättningsmotor och kommer som sådan att vara CPU-bunden. Dessa simuleringar är mycket parallella (se nedan) och det är i viss mån möjligt att kasta hårdvara vid problemet. Exekveringssystem Arbetet med exekveringssystemet är att ta emot filtrerade handelssignaler från portföljkonstruktion och riskhanteringskomponenter och vidarebefordra dem till mäklare eller annat sätt att komma åt marknaden. För majoriteten av detaljhandeln algoritmiska handelsstrategier innebär detta en API eller FIX-anslutning till en mäklare som Interactive Brokers. De primära övervägandena när man bestämmer sig för ett språk inkluderar kvaliteten på API: n, språkpaketets tillgänglighet för ett API, exekveringsfrekvens och förväntad glidning. Kvaliteten på API: n refererar till hur väl dokumenterad det är, vilken typ av prestanda det ger, om det behöver fristående programvara som ska nås eller huruvida en gateway kan etableras på ett huvudlöst sätt (dvs ingen GUI). När det gäller interaktiva mäklare måste Trader WorkStation-verktyget köras i en GUI-miljö för att kunna komma åt deras API. Jag var en gång tvungen att installera en Desktop Ubuntu-utgåva på en Amazon Cloud-server för att få tillgång till Interactive Brokers på distans, helt av den anledningen. De flesta API-erna kommer att ge ett C andor Java-gränssnitt. Det är vanligtvis upp till samhället att utveckla språkspecifika wrappers för C, Python, R, Excel och MatLab. Observera att med varje extra plugin som används (speciellt API wrappers) finns det utrymme för buggar att krypa in i systemet. Testa alltid pluggar av detta slag och se till att de är aktivt underhållna. En värdefull mätare är att se hur många nya uppdateringar av en kodbas har gjorts under de senaste månaderna. Exekveringsfrekvensen är av yttersta vikt i exekveringsalgoritmen. Observera att hundratals beställningar kan skickas varje minut och som sådan är prestanda kritisk. Slippage kommer att uppstå genom ett dåligt fungerande exekveringssystem och detta kommer att ha en dramatisk inverkan på lönsamheten. Statiskt typade språk (se nedan) som CJava är generellt optimala för utförande men det finns ett kompromiss i utvecklingstid, testning och enkel underhåll. Dynamiskt typade språk, som Python och Perl, är nu i allmänhet tillräckligt snabba. Se alltid till att komponenterna är modulerade (se nedan) så att de kan bytas ut när systemet vågar. Arkitektonisk planerings - och utvecklingsprocess Komponenterna i ett handelssystem, dess frekvens - och volymkrav har diskuterats ovan, men systeminfrastrukturen har ännu inte täcks. De som agerar som detaljhandlare eller arbetar i en liten fond kommer sannolikt att ha på sig många hattar. Det kommer att vara nödvändigt att täcka alfamodell, riskhantering och exekveringsparametrar, samt den slutliga implementeringen av systemet. Innan delving i specifika språk diskuteras utformningen av en optimal systemarkitektur. Separering av oro En av de viktigaste besluten som måste fattas i början är hur man skiljer sig från ett handelssystems bekymmer. I mjukvaruutveckling betyder detta i huvudsak hur man bryter upp de olika aspekterna av handelssystemet i separata modulära komponenter. Genom att exponera gränssnitt vid var och en av komponenterna är det enkelt att byta ut delar av systemet för andra versioner som stöder prestanda, tillförlitlighet eller underhåll, utan att ändra någon extern dependence-kod. Detta är den bästa praxisen för sådana system. För strategier vid lägre frekvenser rekommenderas sådana metoder. För ultrahögfrekvenshandel kan regelboken ignoreras på bekostnad av att tweaking systemet för ännu mer prestanda. Ett tätt kopplat system kan vara önskvärt. Att skapa en komponentkarta över ett algoritmiskt handelssystem är värt en artikel i sig. Ett optimalt tillvägagångssätt är emellertid att se till att det finns separata komponenter för historiska och realtidsmarknadsdataingångar, datalagring, API för dataåtkomst, backtester, strategiparametrar, portföljkonstruktion, riskhantering och automatiserade exekveringssystem. Till exempel, om den datalagring som används är för närvarande underpresterande, även vid betydande optimeringsnivåer, kan den bytas ut med minimala omskrivningar till datainnehållet eller dataåtkomst API. Så långt som backtester och efterföljande komponenter är det ingen skillnad. En annan fördel med separerade komponenter är att det tillåter en mängd olika programmeringsspråk att användas i det övergripande systemet. Det finns ingen anledning att vara begränsad till ett enda språk om kommunikationsmetoden för komponenterna är språkoberoende. Detta kommer att vara fallet om de kommunicerar via TCPIP, ZeroMQ eller något annat språkoberoende protokoll. Som ett konkret exempel, överväga att ett backtesting system skrivs i C för antal crunching prestanda, medan portföljhanteraren och exekveringssystemen är skrivna i Python med SciPy och IBPy. Prestanda Överväganden Prestanda är ett viktigt övervägande för de flesta handelsstrategier. För högre frekvensstrategier är det den viktigaste faktorn. Prestanda täcker ett brett spektrum av problem, som algoritmisk exekveringshastighet, nätverksfördröjning, bandbredd, data IO, konkurrenscyparallelism och skalning. Var och en av dessa områden omfattas individuellt av stora läroböcker, så den här artikeln kommer bara att skrapa ytan på varje ämne. Arkitektur och språkval kommer nu att diskuteras med avseende på deras effekter på prestanda. Den rådande visdom som framgår av Donald Knuth. en av fäderna för datavetenskap, är att för tidig optimering är roten till allt ont. Detta är nästan alltid fallet - förutom när man bygger en högfrekvent handelsalgoritm För dem som är intresserade av lägre frekvensstrategier är ett gemensamt förhållningssätt att bygga ett system på det enklaste sättet och bara optimera när flaskhalsar börjar dyka upp. Profileringsverktyg används för att avgöra var flaskhalsar uppstår. Profiler kan göras för alla faktorer som anges ovan, antingen i en MS Windows eller Linux-miljö. Det finns många operativsystem och språkverktyg tillgängliga för att göra det, liksom tredje part verktyg. Språkvalet kommer nu att diskuteras i samband med prestanda. C, Java, Python, R och MatLab innehåller alla högpresterande bibliotek (antingen som en del av deras standard eller externt) för grundläggande datastruktur och algoritmiskt arbete. C-fartyg med Standard Template Library, medan Python innehåller NumPySciPy. Vanliga matematiska uppgifter finns i dessa bibliotek och det är sällan bra att skriva en ny implementering. Ett undantag är om det krävs mycket anpassad hårdvaruarkitektur och en algoritm använder sig extensivt av egna tillägg (till exempel anpassade cacher). Men ofta återuppfinning av hjulavfallet som kan användas bättre utveckla och optimera andra delar av handelsinfrastrukturen. Utvecklingstiden är extremt dyrbar, särskilt i samband med ensamutvecklare. Latency är ofta ett problem med exekveringssystemet eftersom forskningsverktygen oftast ligger på samma maskin. För det första kan latens förekomma vid flera punkter längs exekveringsbanan. Databaser måste konsulteras (disknetwork latency), signaler måste genereras (operativsystem, kärnmeddelande latens), handel signaler skickas (NIC latens) och order behandlas (växelsystem interna latens). För högre frekvensoperationer är det nödvändigt att bli väl bekant med kärnoptimering samt optimering av nätverksöverföring. Detta är ett djupt område och ligger väsentligt bortom artikelns räckvidd men om en UHFT-algoritm är önskad, var då medveten om det djup av kunskap som krävs. Caching är väldigt användbar i verktyget för en kvantitativ handelsutvecklare. Caching avser begreppet lagring av ofta åtkomstad data på ett sätt som möjliggör högre prestanda åtkomst, på bekostnad av dataens potentiella stavhet. Ett vanligt användningsfall uppstår i webbutveckling när man tar data från en diskbaserad relationsdatabas och lägger den i minnet. Eventuella efterföljande förfrågningar om uppgifterna behöver inte träffas i databasen, så prestationsvinster kan vara betydande. För handelssituationer kan caching vara mycket fördelaktigt. Till exempel kan nuvarande status för en strategiportfölj lagras i en cache tills den är ombalanserad, så att listan inte behöver regenereras på varje slinga i handelsalgoritmen. Sådan regenerering är sannolikt en hög CPU - eller disk-IO-operation. Caching är dock inte utan egna problem. Regenerering av cacherdata på en gång, på grund av cachelagrings volatilitet, kan innebära en betydande efterfrågan på infrastruktur. Ett annat problem är hundhoppning. där flera generationer av en ny cache kopia utförs under extremt hög belastning, vilket leder till kaskadfel. Dynamisk minnesallokering är en dyr operation vid programkörning. Det är således absolut nödvändigt att applikationer med högre prestandahandel är väl medvetna om hur minnet tilldelas och fördelas under programflödet. Nyare språkstandarder som Java, C och Python utför alla automatiska sopor. som hänför sig till deallokering av dynamiskt tilldelat minne när objekt går ur räckvidd. Skräpsamling är extremt användbar under utveckling eftersom det minskar fel och hjälpmedelläsbarhet. Det är emellertid ofta suboptimalt för vissa högfrekventa handelsstrategier. Anpassad skräpsamling är ofta önskad för dessa fall. I Java, till exempel, genom att ställa in skräpkollektor och högkonfiguration, är det möjligt att få hög prestanda för HFT-strategier. C tillhandahåller inte en inbyggd sopsamlare och så är det nödvändigt att hantera all minnesallokeringsallokering som en del av en objektimplementering. Medan potentiellt fel benägen (potentiellt leder till danglingpekare) är det extremt användbart att ha finkorrigerad kontroll över hur föremål uppträder på högen för vissa applikationer. När du väljer ett språk, var noga med att studera hur sopsamlare fungerar och om det kan modifieras för att optimera för ett visst användningsfall. Många operationer i algoritmiska handelssystem är mottagliga för parallellisering. Detta avser begreppet att utföra flera programmatiska operationer samtidigt, dvs parallellt. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrencymultithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 78, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative TradingAs purely a computer scientist youre in the perfect position to get started in algorithmic trading. This is something Ive witnessed firsthand at Quantiacs1. where scientists and engineers are able to jump right into automated trading without any prior experience. In other words, programming chops are the main ingredient needed to get started. To get a general understanding of what challenges await you afterduring the creation of an algorithmic trading system, check out this Quora post . Building a trading system from the ground up will require some background knowledge, a trading platform, market data, and market access. While not a requirement, choosing a single trading platform that provides most of these resources will help you get up to speed fast. That being said, the skills you develop will be transferable to any programming language and almost any platform. Believe it or not, building automated trading strategies isnt predicated on being a market expert. Nonetheless, learning basic market mechanics will help you discover profitable trading strategies. Options, Futures, and Other Derivates by John C. Hull - Great first book for entering quantitative finance, and approaching it from the mathematics side. Quantitative Trading by Ernie Chan - Ernie Chan provides the best introductory book for quantitative trading and walks you through the process of creating trading algorithms in MATLAB and Excel. Algorithmic Trading of Futures via Machine Learning - A 5-page breakdown of applying a simple machine learning model to commonly used technical analysis indicators. Heres an aggregated reading list PDF with a full breakdown of books, videos, courses, and trading forums. The best way to learn is by doing, and in the case of automated trading that comes down to charting and coding. A good starting point is existing examples of trading systems and existing exhibits of technical analysis techniques. Moreover, a skilled computer scientist has the additional edge of being able to apply machine learning to algorithmic trading. Here are some of those resources: TradingView - A fantastic visual charting platform on its own, TradingView is a great playground for getting comfortable with technical analysis. It has the added benefit of allowing you to script trading strategies and browse other peoples trade ideas. Automated Trading Forum - Great online community for posting beginner questions and finding answers to common quant issues when just getting started. Quant forums are a great place to become immersed in strategies, tools, and techniques. YouTube Seminar on trading ideas with working code samples on Github . Machine Learning: More presentations on automated trading can be found at the Quantiacs Quant Club . Most people from a scientific background (whether thats computer science or engineering) have had exposure to Python or MATLAB, which happen to be popular languages for quantitative finance. Quantiacs has created an open source toolbox that provides backtesting and 15 years of historical market data for free. The best part is everything is built on both Python and MATLAB giving you the choice of what to develop your system with. Heres a sample trend-following trading strategy in MATLAB. This is all the code needed to run an automated trading system, showcasing both the power of MATLAB and the Quantiacs Toolbox. Quantiacs lets you trade 44 futures and all the stocks of the SampP 500. In addition, a variety of additional libraries such as TensorFlow are supported. (Disclaimer: I work at Quantiacs) Once youre ready to make money as a quant, you can join the latest Quantiacs automated trading contest, with a total of 2,250,000 in investments available: Can you compete with the best quants 29.1k Views middot View Upvotes middot Not for Reproduction This answer has been completely re-written Here are 6 main knowledge base for building algorithmic trading systems. You should be acquainted with all of them in order to build effective trading systems. Some of the terms used may be slightly technical, but you should be able to understand them by Googling. Note: (Most of) these do not apply if you want to do High-Frequency Trading 1. Market Theories You need to understand how the market works. More specifically, you should understand market inefficiencies, relationships between different assetsproducts and price behaviour. Trading ideas stem from market inefficiencies. You will need to know how to evaluate market inefficiencies that give you a trading edge versus those that doesnt. Designing effective robots entails understanding how automated trading systems work. Essentially, an algorithmic trading strategy consists of 3 core components: 1) Entries, 2) Exits and 3) Position sizing. Youll need to design these 3 components in relation to the market inefficiency you are capturing (and no, this is not a straightforward process). You dont need to know advanced math (although it will help if you aim to build more complex strategies). Good critical thinking skills and a decent grasp on statistics will take you very far. Design involves backtesting (testing for trading edge and robustness) and optimisation (maximising performance with minimal curve fitting). Youll need to know how to manage a portfolio of algorithmic trading strategies too. Strategies can be complementary or conflicting this may lead to unplanned increases in risk exposure or unwanted hedging. Capital allocation is important too do you split capital equally during regular intervals or reward the winners with more capital If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 4. Data Management Garbage in garbage out. Inaccurate data leads to inaccurate test results. We need reasonably clean data for accurate testing. Cleaning data is a trade-off between cost and accuracy. If you want more accurate data, you need to spend more time (time money) cleaning it. Some issues that cause dirty data include missing data, duplicate data, wrong data (bad ticks). Other issues that leads to misleading data include dividends, stock splits and futures rollovers etc. 5. Risk Management There are 2 main types of risk: Market risk and Operational risk. Market risk involves risk related to your trading strategy. Does it consider worst case scenarios What if a black swan event like World War 3 happens Have you hedged away unwanted risk Is your position sizing too high In addition to managing market risk, you need to look at operational risk. System crash, loss of internet connect, poor execution algorithm (leading to poorly executed prices, or missed trades due to inability to handle requoteshigh slippage) and theft by hackers are very real issues. 6. Live Execution Backtesting and live trading are very different. Youll need to select proper brokers (MM vs STP vs ECN). Forex Market News with Forex Trading Forums amp Forex Brokers Reviews is your best friend, read broker reviews there. You need proper infrastructure (secure VPN and downtime handling etc) and evaluation procedures (monitor your robots performance and analyse them in relation to market inefficiencybacktestsoptimisations) to manage your robot throughout its lifetime. You need to know when to intervene (modifyupdateshutdownturn on your robots) and when not to. Evaluation and Optimization of Trading Strategies Pardo (Great insights on methods on building and testing trading strategies) Trade your way to Financial Freedom Van K Tharp (Ridiculous-Click bait title aside, this book is a great overview to mechanical trading systems) Quantitative Trading Ernest Chan (Great introduction to algo trading on a retail level.) Trading and Exchanges: Market Microstructure for Practitioners Larry Harris (Market microstructure is the science of how exchanges function and what actually happens when a trade is placed. It is important to know this information even though you are just starting out) Algorithmic Trading amp DMA Barry Johnson (Shed light on banks execution algorithms. This is not directly applicable your algo trading but it is good to know) The Quants Scott Patterson (War stories of some top quants. Good as a bedtime read) Quantopian (Code, research, and discuss ideas with the community. Uses Python) Fundamentals of Algo Trading Algo Trading101 (Disclaimer: I own this sitecourse. Learn robot design theories, market theories and coding. Uses MQL4) - Join the challenge (Learn trading concepts and backtesting theories. They recently developed their own backtesting and trading platform so this part is still new to me. But their knowledge base on trading concepts are good.) Recommended BlogsForums (these includes finance, trading and algo trading forums): Recommended Programming Languages: If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 17.1k Views middot View Upvotes middot Not for Reproduction If investment is a process, then the logical conclusion is automation. Algorithms are nothing else than the extreme formalisation of an underlying philosophy. This is the visual expression of a trading edge Trading edge Win Avg Win - Loss Avg Loss It changed my life and the way I approach the markets. Visualise your distribution, always. It will help You clarify your concepts, shed light on your logical flaws, but first let039s start with philosophy and belief elicitation 1. Why is it important to clarify your beliefs We trade our beliefs. More importantly, we trade our subconscious beliefs. quotIf You don039t know who you are, markets are an expensive place to find outquot, Adam Smith Many people do not take the time to elicit their beliefs and operate on borrowed beliefs. Unanswered questions and faulty logic is the reason why some systematic traders tweak their system around each drawdown. i used to be like that for many years. Belief elicitation exercises: The Work by Byron Katie. After i completed a 2 beliefs a day challenge for 100 days, i could explain my style to any grandmother 5 why. Ask yourself a question with why and dive deeper. Mindsets: expansive and subtractive or smoothie Vs band-aid There are two types of mindset, and we need both at different times: Expansive to explore concepts, ideas, tricks etc Subtractive: to simplify and clarify concepts Systematic traders who fail at being subtractive have a smoothie approach. They throw all kinds of stuff into their strategy and then blend it with an optimizer. Bad move: complexity is a form of laziness Overly subtractive systematic traders have a band aid mentality. They hard-code everything and then good luck patching quotEssentialist tradersquot understand that it is a dance between periods of exploration and times of hard core simplification. Simple is not easy It has taken me 3,873 hours, and i accept it may take a lifetime2. Exit: start with the end in mind Counter-intuitive truth The only time when you know if a trade was profitable is after exit, right So, focus on the exit logic first. In my opinion, the main reason why people fail to automate their strategy is that they focus too much on entry and not enough on exit. The quality of your exits shapes your PampL distribution, see chart above Spend enormous time on stop loss as it affects 4 components of your trading system: Win, Loss, Avg Loss, trading frequency The quality of your system will be determined by the quality of your stop loss, 3. Money is made in the money management module Equal weight is a form of laziness. The size of your bets will determine the shape of your returns. Understand when your strategy does not work and reduce size. Conversely, increase size when it works. I will write more about position sizing on my website, but there are many resources across the internet 3. Last and very least, Entry After you have watched a full season of quotdesperate housewivesquot or quotbreaking badquot, had some chocolate, walked the dog, fed the fish, called your mom, then it039s time to think about entry. Read the above formula, stock picking is not a primary component. One may argue that proper stock picking may increase win. Maybe, but it is worthless if there is neither proper exit policy, nor money management. In probabilistic terms, after you have fixed exit, entry becomes a sliding scale probability 4. What to focus on when testing There is no magical moving average, indicator value. When testing your system, focus on three things: False positives: they erode performance. Find simple (elegant) ways to reduce them, work on the logic periods when the strategy does not work: no strategy works all the time. Be prepared for that and prepare contingency plans in advance. Tweaking the system during a drawdown is like learning to swim in a storm Buying power and money management: this is another counter-intuitive fact. Your system may generate ideas but you do not have the buying power to execute. Please, have a look at the chart above I build all my strategies from the short side first. The best test of robustness for a strategy is the short side: Thin volume brutally volatile shorter cycle Platforms I started out on WealthLab developer. It has a spectacular position sizing library. This is the only platform that allows portfolio wide backtetsing and optimisation. I test all my concepts on WLD. Highly recommend. It has one drawback, it does not connect position sizer with real live trading. Amibroker is good too. It has an API that connects to Interactive brokers and a decent poisition sizer. We program on Metatrader for Forex. Unfortunately, Metatrader has gone down the complexity rabbit hole. there is a vibrant community out there. MatLab, the weapon of choice for engineers. No comment. Tradestation Perry Kaufman wrote some good books about TS. There is a vibrant community out there. It is easier than most other platforms Final advice If You want to learn to swim, You have to jump in the water. Many novices want to send their billion dollar ideas to some cheap programmers somewhere. It does not work like that. You need to learn the language, the logic. Brace for a long journey 14.8k Views middot View Upvotes middot Not for Reproduction Though this is a very broad topic with references to building algorithms, setting infrastructure, asset allocation and risk management but i will just focus on the first part of how should be work on building our own algorithm, and doing the right things. 1. Building Strategy . Some of the key points to note here are: Catch Big Trends - A good strategy must in all the cases, make money when the market is trending. Markets go with a good trend which lasts only 15-20 of the time, but this is the time when all the cats and dogs(traders from all time-frame, intraday, daily, weekly, long term) are out shopping and they all have one common theme. A lot of traders also build mean reversion strategies in which they try to judge conditions when the price have moved far from the mean, and take a trade against the trend but they should be built when you have successfully build and traded some good trend following systems. Odds of stacking up - People often work towards trying to build a system which has a excellent winloss ratio but that039s not the right approach. For example an algo with a winner of 70 with a average profit of 100 per trade and average loss of 200 per trade will just make 100 per 10 trades(10trade net). But an algo with a winner of 30 with average profit of 500 per trade and loss of 100 per trade will make a net profit of 800 for 10 trades(80trade). So it is not necessary that winloss ratio should be good, rather it039s the odds of stacking up which should be better. This goes by saying quotKeep losses small, but let your winners runquot. quotIn investing, what is comfortable is rarely profitable. quot - Robert Arnott Drawdown - Drawdown is unavoidable, if you are following any type of strategy. So while designing an algo don039t try to reduce the drawdown or do some specific custom condition to take care of that drawdown. This specific condition can in future may act as a roadblock in catching a big trend and your algo may perform poorly. Risk Management - When constructing a strategy, you should always have an exit gate, whatever the market chooses to do. The market is a place of odds and you must design an algo to get you out of a trade as soon as possible if it doesn039t fit your risk appetite. Normally it is argued that you must risk 1-2 of capital in each trade, and is optimal in a lot of ways as even if you get arnd 10 false trades in succession your capital will go down by only 20.But this is not the case in actual market scenario. Some lossing trades will be between 0-1, while some may go to 3-4, so it is better to define average lossing capital per trade and the max capital you can loose in a trade, as markets are completely random and can039t be judged. quotEvery once in a while, the market does something so stupid it takes your breath away. quot - Jim Cramer 2. Testing and optimizing a Strategy Slippage . When we are testing a strategy on historical data, we are under the assumption that the order will be executed at the predefined price arrived by the algo. But this will never be the case, as we have to deal with market makers and HFT algo039s now. Your order in today039s world will never be executed on the desired price, and there will be slippage. This must be included in the testing. Market Impact : Volume traded by the algo is another major factor to be considered while doing back-testing and collecting historical results. As volume increases the orders placed by algo will have considerable market impact and the average price of filled order will be much different. Your algo may produce complete different results in actual market conditions, if you will not study the volume dynamics your algo has. Optimization : Most traders suggest you not to do curve fitting and over optimization and they are correct as the markets are a function of random variables and no two situation will ever be the same. So optimizing parameters for particular situations is a bad idea. I would suggest you to go for Zonal Optimization . It is a technique which i follow, buy identifying zones which have similar characteristics in terms of volatility and volume. Optimize these areas seperately, rather than optimizing for the whole period. The above are some of the most basic and most important steps that i follow, when converting a basic thought into an algorithm and checking it039s validity. quot Everyone has the brainpower to follow the stock market. If you made it through fifth-grade math, you can do it. quotPeter Lynch 17.3k Views middot View Upvotes middot Not for Reproduction Short answer: Learn mathematics applied to trading, the structure of markets and optionally be a top networkdistributed systems programmer. There are three potentially parallel tracks that can be taken to learn algorithmic trading from scratch depending on the ultimate purpose of why you wish to learn it. Here they are in increasing order of difficulty which also correlates to how much it becomes your part of your livelihood. The earlier ones will open the opportunities for the following ones. You may stop at any step along the way once you039ve learned enough or got a job doing it. If you want to be a quant, mostly use math software and not actually be a programmer of an algo system, then the short answer is get a PhD in Mathematics, Physics or some math-heavy related engineering topic. Try to get internships at top hedge funds, prop shops or investment banks. If you can get employed by a successful firm then you will be taught there otherwise, it simply won039t happen. But in any case, you still should finish the 039Self Study039 section below to make sure you really want to go through the effort of getting a PhD. Unless you are a genius, if you don039t have a PhD you won039t be able to compete with those that do unless you specialize in the programming of trading systems. If you wish to be more on the programming side, try applying for employment after each step, but no often than once a year per firm. Self Study The first step is to understand what algorithmic trading really is and what systems are required to support it. I039d recommend reading through quotAlgorithmic Trading amp DMAquot (Johnson, 2010), something I personally did and can recommend. That will let you understand at a basic level. Next you should program your own order book, a simple market data simulator and one algorithm implementation on your on with Java or CC. For extra credit that would help with getting employment you should write your own networking communication layer from scratch too. At this point you may be able finish answering the question on your own. But for completeness and curiosity, feel free to continue: The next book to tackle is quotTrading amp Exchanges: Market Microstructure for Practitionersquot (Harris, 2003). This will go into finer details of how the markets work. It is another book I039ve read, but not completely studied because I was a systems programmer and not a quant nor a manager on the business side. Finally, if you want to start to learn the mathematics on how the markets work, work through the text and problems in quotOptions, Futures, and Other Derivativesquot (Hull, 2003). I made it through about half of that textbook either in preparation for or as part of internal training at one of my former employers. I believe I originally found out about that book because it was either suggested or required reading for one of well regarded MS Financial Mathematics programs. To potentially get a better chance at employment through a new-grad feeder program, complete a MS Financial Mathematics program if you wish to be a programmer for a trading platform or a team of quants. If you want to be the one designing the algos, then you need to take the PhD route explained earlier. If you still haven039t finished college, then by all means, try to get an internship at the same type of places. Employment No matter how much you learn in books and school, nothing will compare with the little details you learn while working for a firm. If you don039t know all the edge cases and know when your model stops working, you will lose money. I hope that answers your question and that along the way of learning you discover if you really wish to transition from study to actual day-to-day work. 18.6k Views middot View Upvotes middot Not for Reproduction I do have a background as a programmer and setting up agilescrum teams before I started to look at algorithmic trading. The world of algorithmic trading fascinates me, however it can be a bit overwhelming. I started to get some perspective by diving into the Quantopian platform, watching the quant lectures series and running my and adapted community based algo trading systems in their environment. Like the one below: I then realised to get in deeper more fast, I have to meet people that love to create trading strategies, but can not program - to match myself as an agile team manager and programmer of trading systems. So I wrote a book on how to create a team to implement your trading algorithms . Building Trading Systems The Agile Way: How to Build Winning Algorithmic Trading Systems as a Team. In the community of Quantopian I saw financial savvy people looking for people to implement their trading strategies, but where afraid to ask programmers to implement their ideas. Since they potentially can start running their trading ideas without them. I address this issue in my book. To avoid programmers to run away with your ideas: create a specification for your trading idea that uses a coding framework that is tailored for the type of strategy you want to develop . This might sound difficult, but when you know all the baby steps and how they fit together, it is pretty straightforward and fun to manage If you enjoyed this answer, please up vote and follow. 2.7k Views middot View Upvotes middot Not for Reproduction Look at TradeLink (C) or ActiveQuant (Java). TradeLink039s code is more elegant. I039m typing this on a cell phone, so please excuse my brevity. basically, look at what comes in vs what goes out as an initial way to frame the problem. In. market data, exhangemarket events (executions to trades that your system placed, acks, rejects, trading-halted notification, etc). Out. Orders, modifications to ordes. quotBuy 100 15.5, IOCquot, for example. IOC immediate or cancel. In between. strategy decisions based on information gathered from real-time data, in conjunction with historical data and any other inputs (trader039s command from his GUI to trade moreless aggressively, etc). Things like. place an order, amend an existing order, etc Now you can begin to address the technical architecture of such a system. Of key importance would be the ability to express the strategy easily, elegantly, despite the complexity of event-processing involved (there are several interesting race conditions that can confuse your system with regards to the state of the market your orders, for example). I used to do this for a living and can probably go on endlessly But typing on a cell phone is a deterrent. Hope you found this useful. Contact me if you need further guidance. 21.3k Views middot View Upvotes middot Not for Reproduction Stephen Steinberg. Founder of Raw Athletics Founder of Capitol Startup Interactive Brokers Interactive Brokers has a really top-notch investing platform and decent pricing. It039s definitely a powerful tool, so you could probably get cheaper alternatives from the discount brokers like Etrade and Scottrade, but if you039re serious about algorithmic trading, IB is where it039s at. InvestFly Success is all about practice and testing your hypothesis and algorithms. Back-test, test the markets and compare it to others. I prefer Investfly - Virtual Stock Exchange, Stock Market Game amp Trading Strategies. but there are a ton of good programs out there. Idea Generation Don039t start from ground zero-- I like to get ideas from Motif Investing ( Online Brokerage, Investment Ideas, Stock Trading ) and Seeking Alpha, but always look at the big picture and think about how these things apply to your own hypothesis and formulas. Cheers and good luck 4.5k Views middot View Upvotes middot Not for Reproduction Updated 101w ago middot Upvoted by Patrick J Rooney. 5 years trading professionally I specialize in advanced o To start with the basics, get a hold of Amibroker ( AmiBroker - Download ). Amibroker has an easy to learn language and powerful backtest engine where you can prototype your ideas. Also get Howard Bandy 039s book Quantitative Trading Systems. This book is a really good introduction to the concepts of quant developing. You039ll also need at least a basic knowledge of statistics. There are plenty of good MOOC courses available for this for free. Such as this one Statistics One - Princeton University Coursera It039s also worth following The Whole Street. which is a mashup of all the quant blogs, many of whom publish Amibroker code with their ideas. From there, it039s then worth learning Python ( learn python - Google Search ), and also doing Andrew Ng039s excellent Stanford University Machine Learning course, which runs for free on Coursera . If you then want to put your own algorithms to the test, good sites for that are Quantconnect or Quantopian . Finally, this guy has some good advice on turning it into your career quantstart Good luck with the journey Partially taken from Alan Clement039s answer to How can a software developer in finance become a quant developer 16.3k Views middot View Upvotes middot Not for Reproduction What broker can I use to start paper trading my algorithm for free How can I build an Order Routing System for an algorithmic trading platform How profitable are the best stock trading algorithms Can a single person actually profitably engage in algorithmic trading Where can I get resources to start learning Python for Algorithmic trading Which broker is good for algorithmic trading I have a solid understanding of stocksderivatives amp have Python skills. I want to develop an automated algorithmic trading system. Where do I start What are the best returns from algorithm tradingHow to Build Your Own Algorithmic Trading Strategy How to Build Your Own Algorithmic Trading Strategy Algorithmic Trading Strategy Every week we receive numerous emails asking us how we created our profitable algorithmic trading strategy . Instead of trying to explain our process and reasoning repeatedly through emails and phone calls, we decided to create a detailed video about the 4 major hurdles traders get stuck on, and how you can build your own profitable algorithmic trading strategy . Your goal as a trader is create or at least use a winning trading strategy. It does not matter if you manually trade it, or if its an automated trading strategy . But if you do happen to create something that makes money, its only natural that you then focus on automating it so you have your own algorithmic trading strategy running and working for you, while you build your next algo trading strategy 8230 Over the years I spent 108217s of thousands of dollars trying to figure out what the keys are to successful trading strategy. I want to share with you how I build profitable algorithmic trading strategies that work in rising, falling, and sideways markets. How I Built A Profitable Algorithmic Trading Strategy amp How You Can Also Let me share with you my journey as a trader in the order things happen to me and how I became a full-time algorithmic trading strategy user. Watch the video below for details and the special offer. Algorithmic Trading Strategy Reaches New High-Water Mark of 30.7 ROI 8211 Press Release Share this entry Copyright 2017 - ALGOTRADES - Automated Algorithmic Trading System CFTC RULE 4.41 - HYPOTHETICAL OR SIMULATED PERFORMANCE RESULTS HAVE CERTAIN LIMITATIONS. I likhet med en verklig prestationsrekord, representerar SIMULERADE RESULTAT INTE VERKSAMHET. Också, eftersom handelarna inte har genomförts, kan resultaten komma att kompenseras för konsekvenserna, om några av vissa marknadsfaktorer, som saknar likviditet. SIMULERADE HANDELSPROGRAMMER I ALLMÄNT ÄR ÄVEN FAKTISKT ATT DE DESIGNERAS MED FÖRDELNINGEN AV HINDSIGHT. INGEN REPRESENTATION GÖRAS ATT ANTAL KONKURRERAR ELLER ÄR LIKTIGT FÖR ATT FÖRVÄNDA RESULTAT ELLER TABELL SOM LIKNAR TILL DE VISADE. Ingen representation görs eller antyds att användningen av det algoritmiska handelssystemet kommer att generera intäkter eller garantera en vinst. Det finns en väsentlig risk för förlust i samband med valutaterminer och börshandlade fonder. Futures trading och trading exchange traded funds innebär en väsentlig risk för förlust och är inte lämplig för alla. Dessa resultat bygger på simulerade eller hypotetiska resultat som har vissa inneboende begränsningar. Till skillnad från de resultat som visas i en faktisk resultatpost representerar dessa resultat inte den faktiska handeln. Eftersom dessa branscher inte faktiskt har verkställts kan dessa resultat ha under - eller överkompenserat för eventuella konsekvenser av vissa marknadsfaktorer, såsom brist på likviditet. Simulerade eller hypotetiska handelsprogram i allmänhet är också föremål för det faktum att de är utformade med hänsyn till efterhand. Ingen representation görs för att något konto kommer eller kommer sannolikt att uppnå vinster eller förluster som liknar dessa. Informationen på denna webbplats har upprättats utan hänsyn till investerarnas investeringsmål, ekonomiska situation och behov, och ger ytterligare råd till abonnenter att inte agera på någon information utan att få specifika råd från sina finansiella rådgivare att inte förlita sig på information från webbplatsen som den primära grunden för sina investeringsbeslut och att överväga sin egen riskprofil, risk tolerans och egna stoppförluster. - powered by Enfold WordPress Theme Chris Vermeulen on Benzinga PreMarket TV Show 8211 Automated Trading. Algorithmic Trading Strategies Performance 038 Investor Education
Comments
Post a Comment