Architektur Of Algo Handelssystem

Systemarchitektur Die Architektur von AlgoTrader besteht aus folgenden Komponenten. Der AlgoTrader Server bietet die Infrastruktur für alle laufenden Strategien. Der AlgoTrader Server verfügt über die wichtigsten Esper Complex Event Processing (CEP) Motor. Es ist verantwortlich für alle Domain-Modellobjekte und deren Beharrlichkeit in der Datenbank. Es stehen verschiedene Marktdatenadapter zur Verfügung, um Live - und historische Marktdaten zu verarbeiten. Am anderen Ende stehen Adapter für verschiedene Ausführungsmakler und - austausche zur Verfügung, die für die Bestellung von Aufträgen und die Durchführung von Hinrichtungen zuständig sind. Der AlgoTrader Server bietet auch Geschäftskomponenten für Portfoliomanagement, Leistungsmessung, Risikomanagement, Geldmanagement, Optionspreise, Abstimmung, Forex Hedging und Parameteroptimierung. Auf dem AlgoTrader Server können beliebig viele Strategien eingesetzt werden. AlgoTrader hat eine ereignisgesteuerte Architektur, die einen dedizierten Esper CEP Motor pro Strategie nutzt. Eine Strategie kann eine beliebige Anzahl von SQL-ähnlichen Esper-Anweisungen für zeitbasierte Marktdatenanalyse und Signalerzeugung bereitstellen. Esper-Anweisungen können eine beliebige Anzahl von prozeduralen Aktionen anrufen, wie z. B. die Bestellung oder die Schließung einer Position, die in Java kodiert sind. Die Kombination von Esper-Statements und Java-Code bietet einen Best-of-Both-Worlds-Ansatz. Für die Verwaltung und Überwachung des Systems gibt es vier verschiedene GUI-Clients. Das neue AlgoTrader HTML5 Frontend bietet handelsbezogene Funktionalität wie Karten, Aufträge, Positionen amp Marktdaten. Der AlgoTrader Eclipse Client ist die Standard-Strategie-Entwicklungsumgebung. Der EsperHQ Client verwaltet den Esper CEP Motor. Der Grails-Client ist ein generischer Client für das Referenzdatenmanagement. Für produktive Installationen und Bereitstellung verwendet AlgoTrader Docker. AlgoTrader 3.1 integriert InfluxDB Jan-20-2017 AlgoTrader integriert InfluxDB zur Speicherung von Live - und historischen Marktdaten. Mit InfluxDB können Milliarden von Zecken gespeichert und für Rücktests verwendet werden. Einführung in AlgoTrader 3.0 8211 Der leistungsstärkste AlgoTrader Yet Apr-07-2016 AlgoTrader 3.0 wurde veröffentlicht. Diese Version enthält das neue HTML5 Frontend, One-Click-Implementierung mit Docker, drei neue Execution Algorithmen und einen Excel-basierten Back Test Report Einführung von AlgoTrader One-Click-Installation von Docker Mar-15-2016 AlgoTrader 3.0 führt eine Klick-Trading-Strategie-Installationen ein Docker AlgoTrader Lizenzbedingungen DAS BEDINGUNGEN DIESER ENDBENUTZER-LIZENZVEREINBARUNG (8220AGREEMENT8221) GOVERN IHRE NUTZUNG DER SOFTWARE, WENN SIE UND DER LIZENZGEBER EINE SEPARATE SCHRIFTLICHE LIZENZVEREINBARUNG ÜBER IHRE NUTZUNG DER SOFTWARE AUSGEFÜHRT HABEN. Der Lizenzgeber ist bereit, die Software an Sie zu lizenzieren, nur unter der Bedingung, dass Sie alle in dieser Vereinbarung enthaltenen Bedingungen akzeptieren. Mit der Unterzeichnung dieses Vertrages oder durch Herunterladen, Installieren oder Verwenden der Software haben Sie angegeben, dass Sie diese Vereinbarung verstehen und alle Bedingungen akzeptieren. Wenn Sie nicht alle Bedingungen dieser Vereinbarung akzeptieren, ist der Lizenzgeber nicht bereit, die Software an Sie zu lizenzieren, und Sie dürfen die Software nicht herunterladen, installieren oder verwenden. 1. GRANT DER LIZENZ a. Auswertung Verwendung und Entwicklung Verwendung Lizenz. Vorbehaltlich Ihrer Einhaltung der Bedingungen dieser Vereinbarung gewährt Ihnen der Lizenzgeber eine persönliche, nicht ausschließliche, nicht übertragbare Lizenz ohne das Recht zur Unterlizenz für die Laufzeit dieses Vertrages, die Software ausschließlich zur Nutzung zu verwenden Auswertung Verwendung und Entwicklung Verwendung. Drittanbieter-Softwareprodukte oder - Module, die vom Lizenzgeber geliefert werden, dürfen nur mit der Software verwendet werden und unterliegen der Annahme von Bedingungen, die von Dritten übernommen werden. Wenn die Lizenz beendet ist, müssen Sie die Software beenden und alle Instanzen deinstallieren. Alle Rechte, die Ihnen hier nicht ausdrücklich gewährt werden, bleiben vom Lizenzgeber erhalten. Der Entwickler darf die Software weder kommerziell nutzen noch irgendwelche abgeleiteten Arbeiten (einschließlich der eigenen internen Geschäftszweige von Developer8217). Die Vervielfältigung und Weiterverbreitung der Software - oder Entwickleranwendung an Ihre direkten oder indirekten Kunden ist in jeglicher Form verboten. B. Produktionsgebrauch Lizenz. Vorbehaltlich Ihrer Einhaltung der Bedingungen dieser Vereinbarung einschließlich der Zahlung der anwendbaren Lizenzgebühr gewährt Ihnen der Lizenzgeber Ihnen eine nicht ausschließliche und nicht übertragbare Lizenz ohne das Recht zur Unterlizenz für die Laufzeit dieses Vertrages : (A) die Software ausschließlich für eigene interne Geschäftszwecke zu verwenden und zu reproduzieren (8220Production Use8221) und (b) eine angemessene Anzahl von Kopien der Software ausschließlich für Back-up-Zwecke zu erstellen. Diese Lizenz beschränkt sich auf die spezifische Anzahl von CPUs (falls von CPU lizenziert) oder Instanzen von Java Virtual Machines (wenn Lizenzen durch virtuelle Maschine), für die Sie eine Lizenzgebühr bezahlt haben. Die Nutzung der Software auf einer größeren Anzahl von CPUs oder Instanzen von Java Virtual Machines erfordert die Zahlung einer zusätzlichen Lizenzgebühr. Drittanbieter-Softwareprodukte oder - Module, die vom Lizenzgeber geliefert werden, dürfen nur mit der Software verwendet werden. C. Keine anderen Rechte. Ihre Rechte und die Nutzung der Software sind auf diejenigen beschränkt, die ausdrücklich in diesem Abschnitt 1 gewährt werden. Sie werden die Software nicht weiter verwenden. Sofern nicht ausdrücklich in diesem Abschnitt genehmigt, gewährt Ihnen der Lizenzgeber keine weiteren Rechte oder Lizenzen implizit, wie es sich auszeichnet. ALLE RECHTE, DIE NICHT AUSDRÜCKLICH GEWÄHRT WERDEN, WERDEN DURCH DEN LIZENZGEBER ODER SEINEN LIEFERANTEN VORBEHALTEN. 2. BESCHRÄNKUNGEN Sofern nicht ausdrücklich in Abschnitt 1 vorgesehen, werden Sie nicht: (a) Änderungen, Übersetzung, Demontage, Ableitung von abgeleiteten Werken der Software oder Kopieren der Software (b) Miete, Verleihung, Übertragung, Verbreitung oder Erteilung von Rechten an der Software in irgendeiner Form an irgendeine Person (c) zur Verfügung zu stellen, zu verbreiten, zu verbreiten oder zugänglich zu machen oder zu erlauben, die Software von Dritten zu veröffentlichen, d) irgendwelche Benchmark - oder Leistungstests zu veröffentlichen, die auf der Software oder irgendeinem Teil davon laufen oder ( E) entfernen Sie alle Eigentumsvermerke, Etiketten oder Markierungen auf der Software. Sie verteilen die Software nicht auf eine eigenständige Person oder auf eine Originalausrüstungshersteller (OEM). 3. EIGENTUM Sowohl zwischen den Parteien ist und bleibt die Software das alleinige und ausschließliche Eigentum des Lizenzgebers, einschließlich aller geistigen Eigentumsrechte darin. ein. Für den Fall, dass Sie die Software unter der Lizenz gemäß Abschnitt 1 (a) verwenden, bleibt diese Vereinbarung für die Dauer der Auswertungs - oder Entwicklungsperiode gültig. B. Für den Fall, dass Sie die Software unter der Lizenz gemäß Abschnitt 1 (b) verwenden, bleibt diese Vereinbarung entweder (a) für eine Laufzeit von einem Jahr, wenn sie als jährliche Zeichnungslizenz erworben wird, oder (b) unaufgefordert, wenn sie gekauft wird unbefristete Lizenz. Eine jährliche Abonnement-Lizenz verlängert sich automatisch um ein Jahr, es sei denn, es wird mit einem Monat nach vorheriger Benachrichtigung gekündigt. Diese Vereinbarung wird automatisch ohne vorherige Ankündigung gekündigt, wenn Sie gegen eine Laufzeit dieses Vertrages verstoßen. Bei Kündigung müssen Sie unverzüglich die Software nicht mehr nutzen und alle Kopien der Software in Ihrem Besitz oder Ihrer Kontrolle zerstören. 5. UNTERSTÜTZUNGSDIENSTLEISTUNGEN Wenn Sie diese Lizenz einschließlich Support Services erworben haben, gehören dazu Wartungsfreigaben (Updates und Upgrades), Telefonunterstützung und E-Mail oder webbasierte Unterstützung. ein. Der Lizenzgeber wird kommerziell vernünftige Anstrengungen unternehmen, um ein Update bereitzustellen, das entworfen ist, um einen gemeldeten Fehler zu lösen oder umzugehen. Wenn ein solcher Fehler in einer Wartungsfreigabe korrigiert wurde, muss der Lizenznehmer die anwendbare Wartungsfreigabe installieren und implementieren, andernfalls kann das Update in Form einer vorübergehenden Fixierung, Prozedur oder Routine bereitgestellt werden, die bis zu einer Wartungsfreigabe mit dem permanenten Update verwendet werden soll ist verfügbar. B. Während des Lizenzvertrags hat der Lizenzgeber dem Lizenznehmer Wartungsfreigaben zur Verfügung zu stellen, wenn der Lizenzgeber diese Wartungsfreigaben im Allgemeinen für seine Kunden zur Verfügung stellt. Wenn eine Frage auftaucht, ob ein Produktangebot ein Upgrade oder ein neues Produkt oder eine neue Funktion ist, wird die Licensor8217s-Stellungnahme vorherrschen, vorausgesetzt, dass der Lizenzgeber das Produktangebot als neues Produkt oder Feature für seine Endkunden im Allgemeinen behandelt. C. Die Licensor8217s Verpflichtung zur Bereitstellung von Support Services ist abhängig davon: (a) Der Lizenznehmer bemüht sich, den Fehler nach Rücksprache mit dem Lizenzgeber zu korrigieren (b) Der Lizenznehmer stellt dem Lizenzgeber genügend Informationen und Ressourcen zur Verfügung, um den Fehler entweder auf der Licensor8217s Website zu korrigieren Oder über den Fernzugriff auf die Website von Licensee8217 sowie über den Zugriff auf das Personal, die Hardware und jede zusätzliche Software, die bei der Ermittlung des Error (c) des Lizenznehmers beteiligt ist, installiert alle Wartungsfreigaben und (d) Der Lizenznehmer beschafft, installiert und verwaltet alle Geräte, die Kommunikation Schnittstellen und andere Hardware, die für den Betrieb des Produkts erforderlich sind. D. Der Lizenzgeber ist nicht verpflichtet, Support-Services in folgenden Situationen zur Verfügung zu stellen: (a) das Produkt wurde geändert, geändert oder beschädigt (außer wenn unter der direkten Aufsicht des Lizenzgebers) (b) der Fehler durch den Lizenznehmer verursacht wird8217s Fahrlässigkeit, Hardware-Störung Oder andere Ursachen jenseits der vernünftigen Kontrolle des Lizenzgebers (c) der Fehler wird durch Software von Drittanbietern verursacht, die nicht durch den Lizenzgeber lizenziert wurde (d) Der Lizenznehmer hat keine Wartungsfreigabe installiert und implementiert, so dass das Produkt eine von der Software unterstützte Version ist Lizenzgeber oder (e) Der Lizenznehmer hat die Lizenzgebühren nicht akzeptiert. Darüber hinaus ist der Lizenzgeber nicht verpflichtet, Support-Services für Software-Code zur Verfügung zu stellen, die vom Kunden selbst auf der Grundlage des Produkts geschrieben wurden. E. Der Lizenzgeber behält sich das Recht vor, die Support-Services einzustellen, falls der Lizenzgeber nach eigenem Ermessen feststellen soll, dass die fortgesetzte Unterstützung für jedes Produkt nicht mehr wirtschaftlich praktikabel ist. Der Lizenzgeber gewährt dem Lizenznehmer mindestens drei (3) Monate vor schriftlicher Kündigung einer solchen Unterbrechung der Support-Services und erstattet alle nicht abgegrenzten Support-Services-Gebühren. Der Lizenznehmer kann in Bezug auf das betroffene Produkt vorbezahlt haben. Der Lizenzgeber ist nicht verpflichtet, jegliche Version des Produkts oder der zugrunde liegenden Drittplattformen (einschließlich aber nicht beschränkt auf Software, JVM, Betriebssystem oder Hardware) zu unterstützen oder zu pflegen, für die das Produkt unterstützt wird, außer (i) die damalige Version des Produkt und zugrundeliegende Plattform von Drittanbietern und (ii) die beiden unmittelbar vorangegangenen Versionen des Produkts und des Betriebssystems für einen Zeitraum von sechs (6) Monaten nach dem ersten Ersetzen. Der Lizenzgeber behält sich das Recht vor, die Leistung der Support-Services auszusetzen, wenn der Lizenznehmer den Betrag, der dem Lizenzgeber im Rahmen des Vertrages zu zahlen ist, innerhalb von dreißig (30) Tagen nach Erfüllung dieses Betrags nicht bezahlt. 6. GARANTIE a. Der Lizenzgeber garantiert, dass die Software in der Lage ist, in allen wesentlichen Punkten in Übereinstimmung mit den funktionalen Spezifikationen, die in der anwendbaren Dokumentation für einen Zeitraum von 90 Tagen nach dem Datum, an dem Sie die Software installieren, durchgeführt werden. Im Falle einer Verletzung dieser Gewährleistung hat der Lizenzgeber nach seiner Wahl die Software zu korrigieren oder diese Software kostenlos zu ersetzen. Die vorstehenden Ausführungen sind Ihre alleinigen und ausschließlichen Rechtsbehelfe und die alleinige Haftung des Lizenzgebers für die Verletzung dieser Garantien. Die oben dargelegten Garantien werden zu und nur zu Gunsten von Ihnen gemacht. Die Garantien gelten nur, wenn (a) die Software jederzeit ordnungsgemäß installiert und verwendet wurde und gemäß den Gebrauchsanweisungen (c) die neuesten Aktualisierungen auf die Software angewendet wurden und (c) keine Änderung, Änderung oder Ergänzung erfolgt Wurde von anderen Personen als dem Lizenzgeber oder dem Lizenzbevollmächtigten des Lizenzgebers 8217 zugelassen. 7. DER HAFTUNGSAUSSCHLUSS AUSSERGEWIESEN WERDEN, DASS DER LIZENZNEHMER AUSDRÜCKLICH ALLE GARANTIEN AUSDRÜCKLICH ODER IMPLIZIERT WERDEN KANN, EINSCHLIESSLICH EINER IMPLIZITEN GEWÄHRLEISTUNG DER MARKTGÄNGIGKEIT, EIGNUNG FÜR EINEN BESTIMMTEN ZWECK UND NICHTVERLETZUNG UND JEGLICHE GEWÄHRLEISTUNGEN, DIE AUS DEM HANDELSGEBIET WERDEN ODER VERWENDUNG DES HANDELS. KEINE BERATUNG ODER INFORMATIONEN, OB ODER SCHRIFTLICH, DIE AUS DEM LIZENZGEBER ODER ANDEREN GEWÄHRT WERDEN, WIRD EINE GARANTIE NICHT AUSDRÜCKLICH IN DIESER VEREINBARUNG ERHÖHEN. Der Lizenzgeber übernimmt keine Gewähr dafür, dass das Softwareprodukt Ihren Anforderungen entspricht oder unter Ihren spezifischen Nutzungsbedingungen arbeitet. Der Lizenzgeber übernimmt keine Gewähr dafür, dass der Betrieb des Softwareproduktes sicher, fehlerfrei oder frei von Unterbrechungen ist. SIE MÜSSEN BESTIMMEN, WENN DAS SOFTWAREPRODUKT IHRE ANFORDERUNGEN FÜR SICHERHEIT UND UNTERBREITUNG SIE BILDEN SOHLE VERANTWORTUNG UND ALLE HAFTUNG FÜR JEDEN VERLUST, DER DURCH DIE VERLETZUNG DES SOFTWAREPRODUKTS ZURÜCKZUFÜHREN IST, IHRE ANFORDERUNGEN ZU TREFFEN. DER LIZENZNEHMER WERDEN NICHT IN UNSEREN UMSTÄNDEN VERANTWORTLICH ODER HAFTBAR FÜR DEN VERLUST VON DATEN AUF EINEM COMPUTER ODER INFORMATIONSLAGERVORRICHTUNG. 8. HAFTUNGSBESCHRÄNKUNG DIE LIZENZGEBIETE IHNEN VON ALLEN URSACHEN DER MASSNAHME UND UNTER ALLEN HAFTUNGSBESCHRÄNKUNGEN WERDEN DURCH DEN LIZENZGEBER FÜR DIE SOFTWARE BESCHRÄNKT WERDEN. IN KEINEM FALL HAFTET DER LIZENZNEHMER FÜR IHNEN FÜR SPEZIELLE, ZUFÄLLIGE, EXEMPLARISCHE, STRAFEN ODER FOLGESCHÄDEN (EINSCHLIESSLICH VERLUST VON GEBRAUCH, DATEN, GESCHÄFT ODER GEWINNEN) ODER FÜR DIE KOSTEN, DIE VON ODER IN VERBINDUNG MIT DIESEM ODER IN VERBINDUNG ZU VERMEIDEN KÖNNEN VEREINBARUNG ODER DURCH DIE VERWENDUNG ODER DURCHFÜHRUNG DER SOFTWARE, OB DIESE HAFTUNG AUS EINEM VERTRAG, DER AUF VERTRAG, GEWÄHRLEISTUNG, SCHÄDEN (EINSCHLIESSLICH FAHRLÄSSIGKEIT), STRICT HAFTUNG ODER ANDERWEITIG IST, UND OB NICHT DER LIZENZGEBER DER MÖGLICHKEIT SOLCHER VERLUST ODER BESCHÄDIGUNG. DIE VORGESEHENEN EINSCHRÄNKUNGEN WERDEN ÜBERLEGEN UND GELTEN, WENN JEDE BESCHRÄNKTE RECHTSVORSCHRIFTEN, DIE IN DIESER VEREINBARUNG SPEZIFIZIERT WERDEN, GEFUNDEN WERDEN, DASS IHREN WESENTLICHEN ZWECK VERLETZT WIRD. DARAUF HINZUFÜGEN, DASS DIE ANWENDBARE RECHTSVORSCHRIFTEN DIE LIZENZGEBUNG BEGRENZT WERDEN, DASS DIESER HAFTUNGSAUSSCHLUSS DURCH DEN MAXIMALEN ZULÄSSIGEN WETTBEWERB WIRKSAM IST. 9. ALLGEMEINES Sollte eine Bestimmung dieses Vertrages als ungültig oder undurchsetzbar gelten, so bleibt der Rest dieses Vertrages in vollem Umfang wirksam. Soweit ausdrückliche oder stillschweigende Beschränkungen nach den anwendbaren Gesetzen nicht zulässig sind, bleiben diese ausdrücklichen oder stillschweigenden Beschränkungen in vollem Umfang in Kraft und wirksam, soweit dies durch die geltenden Gesetze zulässig ist. Diese Vereinbarung ist die vollständige und ausschließliche Vereinbarung zwischen den Parteien in Bezug auf den Gegenstand hiervon, ersetzt und ersetzt alle vorherigen Vereinbarungen, Mitteilungen und Verständnisse (sowohl schriftlich als auch mündlich) zu diesem Gegenstand. Die Parteien dieses Vertrages sind unabhängige Vertragspartner und haben weder die Befugnis, das andere zu binden oder Verpflichtungen gegenüber dem anderen zu erheben. Kein Versäumnis einer der beiden Parteien, ihre Rechte aus diesem Abkommen auszuüben oder durchzusetzen, wird als Verzicht auf diese Rechte fungieren. Alle Bedingungen, die in einer Bestellung oder einem anderen Bestelldokument enthalten sind, die mit den Bestimmungen dieser Vereinbarung unvereinbar sind oder zusätzlich zu den Bedingungen dieser Vereinbarung sind, werden vom Lizenzgeber abgelehnt und gelten als nichtig und unwirksam. Diese Vereinbarung wird nach den Gesetzen der Schweiz ausgelegt und ausgelegt, ohne Rücksicht auf Kollisionsnormen. Die Parteien stimmen hiermit der ausschließlichen Zuständigkeit und dem Gerichtsstand der Gerichte in Zürich, Schweiz zur Beilegung von Streitigkeiten, die sich aus oder im Zusammenhang mit diesem Abkommen ergeben. 10. BEGRIFFSBESTIMMUNGEN 8220Evaluation Use8221 bedeutet die Nutzung der Software ausschließlich zur Auswertung und Prüfung für neue Anwendungen, die für Ihre Produktion bestimmt sind. 8220Produktion Use8221 bedeutet, dass die Software nur für interne Geschäftszwecke verwendet wird. Die Produktion verwendet nicht das Recht, die Software zur Unterlizenzierung, Weiterveräußerung oder Verteilung zu reproduzieren, einschließlich, ohne Einschränkung, den Betrieb einer zeitlichen Freigabe oder Verteilung der Software als Teil eines ASP-, VAR-, OEM-, Distributor - oder Reseller-Arrangements. 8220Software8221 bedeutet die Licensor8217s Software und alle ihre Komponenten, Dokumentation und Beispiele, die vom Lizenzgeber enthalten sind. 8220Error8221 bedeutet entweder (a) einen Ausfall des Produkts, um den in den Unterlagen festgelegten Spezifikationen zu entsprechen, was zu einer Unfähigkeit zur Verwendung oder Beschränkung der Verwendung des Produkts führt, und (b) ein Problem, das neue Verfahren erfordert, Klarstellungen , Zusätzliche Informationen und Fragen für Produktverbesserungen. 8220Maintenance Release8221 bedeutet Upgrades und Updates für das Produkt, die den Lizenznehmern gemäß den in Abschnitt 5 definierten Standard Support Services zur Verfügung gestellt werden. 8220Update8221 bedeutet entweder eine Softwareänderung oder Ergänzung, die beim Erstellen oder Hinzufügen des Produkts den Fehler oder einen Verfahren oder Routine, die, wenn sie im regulären Betrieb des Produkts beobachtet wird, die praktische nachteilige Wirkung des Error auf den Lizenznehmer beseitigt. 8220Upgrade8221 bedeutet eine Revision des vom Lizenzgeber freigegebenen Produkts an seine Endkunden im Allgemeinen während des Support Services Begriffs, um neue und verschiedene Funktionen hinzuzufügen oder die Kapazität des Produkts zu erhöhen. Upgrade beinhaltet nicht die Freigabe eines neuen Produkts oder hinzugefügt Features, für die es eine separate charge. Algorithmic Trading System Architecture Bisher auf diesem Blog habe ich über die konzeptionelle Architektur eines intelligenten algorithmischen Handelssystems sowie die funktionale und nicht geschrieben - funktionale Anforderungen eines algorithmischen Produktionssystems. Seitdem habe ich eine Systemarchitektur entworfen, von der ich glaube, diese architektonischen Anforderungen zu erfüllen. In diesem Beitrag werde ich die Architektur nach den Richtlinien der ISOIECIEEE 42010 Systeme und Software Engineering Architektur Beschreibung Standard zu beschreiben. Nach dieser Norm muss eine Architekturbeschreibung mehrere standardisierte architektonische Ansichten (z. B. in UML) enthalten und die Rückverfolgbarkeit zwischen Designentscheidungen und architektonischen Anforderungen pflegen. Softwarearchitektur Definition Es gibt noch keinen Konsens darüber, was eine Systemarchitektur ist. Im Rahmen dieses Artikels ist es definiert als die Infrastruktur, in der Anwendungskomponenten, die funktionalen Anforderungen genügen, spezifiziert, eingesetzt und ausgeführt werden können. Funktionale Anforderungen sind die erwarteten Funktionen des Systems und seiner Komponenten. Nicht-funktionale Anforderungen sind Maßnahmen, mit denen die Qualität des Systems gemessen werden kann. Ein System, das seine funktionalen Anforderungen voll erfüllt, kann die Erwartungen noch nicht erfüllen, wenn nicht funktionale Anforderungen unbefriedigt bleiben. Um dieses Konzept zu veranschaulichen, betrachten wir das folgende Szenario: Ein algorithmisches Handelssystem, das Sie gerade gekauft haben, macht ausgezeichnete Handelsentscheidungen, ist aber mit den Organisationen Risikomanagement und Buchhaltungssysteme völlig inoperabel. Würde dieses System Ihren Erwartungen entsprechen Konzeptionelle Architektur Eine konzeptionelle Sicht beschreibt hochrangige Konzepte und Mechanismen, die im System auf höchster Granularität vorhanden sind. Auf dieser Ebene folgt das algorithmische Handelssystem einer ereignisgesteuerten Architektur (EDA), die über vier Schichten aufgebrochen ist, und zwei architektonische Aspekte. Für jede Schicht - und Aspekt werden Referenzarchitekturen und - muster verwendet. Architektonische Muster sind bewährte, generische Strukturen für die Erfüllung spezifischer Anforderungen. Architektonische Aspekte sind Querschnittsthemen, die mehrere Komponenten umfassen. Eventorientierte Architektur - eine Architektur, die produziert, detektiert, verbraucht und auf Ereignisse reagiert. Ereignisse beinhalten Echtzeit-Marktbewegungen, komplexe Ereignisse oder Trends und Handelsereignisse, z. B. Einen Auftrag einreichen Dieses Diagramm veranschaulicht die konzeptionelle Architektur des algorithmischen Handelssystems Referenzarchitekturen Um eine Analogie zu verwenden, ähnelt eine Referenzarchitektur den Blaupausen für eine tragende Wand. Dieser Blue-Print kann für mehrfache Gebäudeentwürfe wiederverwendet werden, unabhängig davon, welches Gebäude gebaut wird, da es eine Reihe von häufig vorkommenden Anforderungen erfüllt. Ähnlich definiert eine Referenzarchitektur eine Schablone, die generische Strukturen und Mechanismen enthält, die verwendet werden können, um eine konkrete Softwarearchitektur zu konstruieren, die spezifische Anforderungen erfüllt. Die Architektur für das algorithmische Handelssystem verwendet eine raumgestützte Architektur (SBA) und einen Modellansicht-Controller (MVC) als Referenzen. Es werden auch bewährte Praktiken wie der Betriebsdatenspeicher (ODS), das ETL-Muster (Extract transform und load) sowie ein Data Warehouse (DW) verwendet. Model View Controller - ein Muster, das die Darstellung von Informationen von der Benutzerinteraktion mit ihr trennt. Raumbasierte Architektur - spezifiziert eine Infrastruktur, bei der lose gekoppelte Verarbeitungseinheiten über einen gemeinsam genutzten assoziativen Speicher mit dem Namen Space (siehe unten) miteinander interagieren. Strukturansicht Die Strukturansicht einer Architektur zeigt die Komponenten und Unterkomponenten des algorithmischen Handelssystems. Es zeigt auch, wie diese Komponenten auf der physischen Infrastruktur eingesetzt werden. Die in dieser Ansicht verwendeten UML-Diagramme beinhalten Komponentendiagramme und Deployment-Diagramme. Im Folgenden finden Sie eine Galerie der Deployment-Diagramme des gesamten algorithmischen Handelssystems und der Verarbeitungseinheiten in der SBA-Referenzarchitektur sowie zugehörige Komponentendiagramme für jeden der Layer. Architektonische Taktik Nach dem Software-Ingenieurinstitut ist eine architektonische Taktik ein Mittel, um eine Qualitätsanforderung zu erfüllen, indem sie einen Aspekt eines Qualitätsattributmodells durch architektonische Designentscheidungen manipuliert. Ein einfaches Beispiel, das in der algorithmischen Handelssystemarchitektur verwendet wird, ist die Manipulation eines Operationsdatenspeichers (ODS) mit einer kontinuierlichen Abfragekomponente. Diese Komponente würde die ODS kontinuierlich analysieren, um komplexe Ereignisse zu identifizieren und zu extrahieren. Folgende Taktiken werden in der Architektur verwendet: Das Disruptor-Pattern im Event - und Order-Warteschlangen Shared Memory für die Event - und Order-Warteschlangen Continuous Querying Language (CQL) auf der ODS Datenfilterung mit dem Filter-Design-Pattern bei eingehenden Daten Congestion-Vermeidungsalgorithmen auf allen Eingehende und ausgehende Verbindungen Aktives Warteschlangenmanagement (AQM) und explizite Überlastungsbenachrichtigung Commodity-Computing-Ressourcen mit Kapazitäten für Upgrade (skalierbar) Aktive Redundanz für alle einzelnen Fehlerpunkte Indexierung und optimierte Persistenzstrukturen im ODS Planen Sie regelmäßige Datensicherungs - und Bereinigungsskripts für ODS Transaktionshistorien auf allen Datenbanken Prüfsummen für alle Aufträge zur Erkennung von Fehlern Annotieren von Ereignissen mit Zeitstempeln, um veraltete Ereignisse zu überspringen Bestätigungsregeln z Maximale Handelsmengen Automatisierte Händlerkomponenten verwenden eine In-Memory-Datenbank für die Analyse Zweistufige Authentifizierung für Benutzeroberflächen, die eine Verbindung zur ATs-Verschlüsselung auf Benutzeroberflächen und Verbindungen zum ATs herstellen Observer-Designmuster für die MVC zum Verwalten von Ansichten Die obige Liste ist nur ein paar Design Entscheidungen, die ich bei der Gestaltung der Architektur identifiziert habe. Es ist keine vollständige Liste der Taktiken. Da das System entwickelt wird, sollten zusätzliche Taktiken über mehrere Granularitätsniveaus hinweg eingesetzt werden, um funktionale und nicht funktionale Anforderungen zu erfüllen. Im Folgenden finden Sie drei Diagramme, die das Disruptor-Designmuster, das Filterdesignmuster und die kontinuierliche Abfragekomponente beschreiben. Behavioral View Diese Ansicht einer Architektur zeigt, wie die Komponenten und Ebenen miteinander interagieren sollen. Dies ist nützlich bei der Erstellung von Szenarien zum Testen von Architekturentwürfen und zum Verständnis des Systems von Ende zu Ende. Diese Ansicht besteht aus Sequenzdiagrammen und Aktivitätsdiagrammen. Aktivitätsdiagramme, die den internen Prozess des algorithmischen Handelssystems zeigen und wie Händler mit dem algorithmischen Handelssystem interagieren sollen, sind unten gezeigt. Technologien und Frameworks Der letzte Schritt bei der Gestaltung einer Softwarearchitektur besteht darin, potenzielle Technologien und Frameworks zu identifizieren, die zur Realisierung der Architektur genutzt werden könnten. Grundsätzlich ist es besser, die bestehenden Technologien zu nutzen, vorausgesetzt, dass sie sowohl funktionelle als auch nicht funktionale Anforderungen adäquat erfüllen. Ein Rahmen ist eine realisierte Referenzarchitektur, z. B. JBoss ist ein Framework, das die JEE-Referenzarchitektur realisiert. Die folgenden Technologien und Frameworks sind interessant und sollten bei der Implementierung eines algorithmischen Handelssystems berücksichtigt werden: CUDA - NVidia verfügt über eine Reihe von Produkten, die eine leistungsstarke Computational Finance-Modellierung unterstützen. Man kann bis zu 50x Leistungsverbesserungen bei der Ausführung von Monte Carlo Simulationen an der GPU anstelle der CPU erreichen. Apache River - River ist ein Tool-Kit zur Entwicklung verteilter Systeme. Es wurde als Rahmen für den Aufbau von Anwendungen auf der Grundlage der SBA-Muster verwendet Apache Hadoop - für den Fall, dass durchdringliche Protokollierung eine Voraussetzung ist, dann die Verwendung von Hadoop bietet eine interessante Lösung für die Big-Data-Problem. Hadoop kann in einer gruppierten Umgebung eingesetzt werden, die CUDA-Technologien unterstützt. AlgoTrader - eine algorithmische Open-Source-Plattform für Open Source. AlgoTrader könnte möglicherweise an die Stelle der automatisierten Händlerkomponenten eingesetzt werden. FIX Engine - eine eigenständige Anwendung, die die Financial Information Exchange (FIX) Protokolle einschließlich FIX, FAST und FIXatdl unterstützt. Während keine Technologie oder ein Framework, sollten Komponenten mit einer Anwendungsprogrammierschnittstelle (API) aufgebaut werden, um die Interoperabilität des Systems und seiner Komponenten zu verbessern. Schlussfolgerung Die vorgeschlagene Architektur wurde entworfen, um sehr generische Anforderungen zu erfüllen, die für algorithmische Handelssysteme identifiziert wurden. Im Allgemeinen werden algorithmische Handelssysteme durch drei Faktoren kompliziert, die bei jeder Implementierung variieren: Abhängigkeiten von externen Unternehmens - und Austauschsystemen Herausfordernde nicht funktionale Anforderungen und sich entwickelnde architektonische Einschränkungen Die vorgeschlagene Softwarearchitektur müsste daher von Fall zu Fall angepasst werden Um spezifische organisatorische und regulatorische Anforderungen zu erfüllen sowie regionale Einschränkungen zu überwinden. Die algorithmische Handelssystemarchitektur sollte als ein Bezugspunkt für Einzelpersonen und Organisationen betrachtet werden, die ihre eigenen algorithmischen Handelssysteme entwerfen möchten. Für eine vollständige Kopie und Quellen verwendet bitte eine Kopie meines Berichts. Vielen Dank. Es gibt eigentlich nur 3 große Blöcke in einem Algo Trading System. 1. Market Data Handler (z. B. FAST Handler) 2. Strategy Module (z. B. crossOver Strategie) 3. Order Router (z. B. FIX Router) können Sie Riskschecks entweder im Strategy Module oder im Order Router Module oder beides hinzufügen. So lange dein Datenfluss korrekt ist, solltest du gut gehen. Denken Sie daran, Sie sind die Gestaltung eines ATS für minimale Latenz, und das Hinzufügen von mehr Schichten oder Komplexität wird auf Kosten der Latenz kommen. Minimal ATS Architektur Und wenn Sie die Glocken und Pfeifen hinzufügen, würde es wie folgt aussehen: Wenn Sie sich auch für die nitty-gritty der Umsetzung der oben genannten Architektur interessieren, sollten Sie die folgenden Dinge im Auge behalten. Vermeidung von Locksmutexen. Falls du es benutzen musst, versuchst du es, sie mit locklosen Strukturen zu ersetzen. Es gibt mehrere Bibliotheken für lockless Datenstrukturen (z. B. libcds, concurrency kit usw.). C-11 unterstützt std :: atomar. Und du solltest auch danach streben, sie zu benutzen. Vermeiden Sie, was in QuickFIX gemacht wird. Sein geschrieben für Sicherheitflexibilität Wiederverwendbarkeit als Objekt (Verschluss) Schaffung und Zerstörung wird für jeden Aufruf einer Nachricht an Router durchgeführt. Sicherlich keine Möglichkeit, einen latenzempfindlichen Code zu schreiben. Keine Laufzeitspeicherzuordnung. Laufzeitpfad sollte maßgeschneiderte und lock-freie Speicherverwaltung mit vorab zugewiesenem Speicherpool verwenden. Die Initialisierung kann in Konstruktoren durchgeführt werden. Enge Kopplung Threading-Modell, IO-Modell und Speicher-Management sollten entworfen werden, um miteinander zusammenzuarbeiten, um die beste Gesamtleistung zu erzielen. Dies geht gegen das OOP-Konzept der losen Kopplung, aber es ist notwendig, Laufzeitkosten für dynamischen Polymorphismus zu vermeiden. Vorlagen verwenden In der gleichen Vene, würde ich auch vorschlagen, Sie schauen auf C templatization, um Flexibilität des Codes zu erreichen. OSHardware-Optimierung: Schließlich solltest du mit Linux RT Kernel und Solarflare Netzwerkkarte mit OpenOnLoad Treiber arbeiten, um eine minimale Latenz zu erreichen. Sie können weiter schauen, um die CPU zu isolieren und führen Sie Ihr Programm auf diesem bestimmten Kern. Und schließlich die öffentliche API, die du den Strategieentwicklern aussetzen musstest. Ich möchte, dass dies der minimale Satz ist, der die ganze Komplexität dieser bestimmten Austauschdestination verkapseln würde. Klasse OrderRouter public: virtuelles bool sendNewOrd (OrderInfo) 0 virtuelles bool sendRplOrd (OrderInfo) 0 virtuelles bool sendCxlOrd (OrderInfo) 0 virtualBut bedeutet dies, dass die OrderInfo-Klasse alle Details benötigt, die vom destinationexchange benötigt werden. Im Allgemeinen verlangt der Austausch die gleiche Art von Informationen, aber während Sie entlang gehen und mehr Austauschtests unterstützen, würden Sie sich fügen Sie mehr Variablen in dieser Klasse. Im Folgenden sind die wichtigen Fragen, die Sie sich stellen müssen: 1. Multi-Prozess-Architektur oder Multi-Threaded-Architektur. Ob man einen monolithischen Prozess mit mehreren Threads baut oder mehrere Prozesse schreibt. Die Kosten für mehrere Prozess ist Nachricht übergeben Latenz, während die Kosten für mehrere Threaded Single-Prozess ist, dass jeder Fehler kann das ganze System zu senken. 2. Meldungsübergabe: Während Sie aus der Fülle von Optionen wählen können, sind Sie durch Latenzbetrachtung eingeschränkt. Schnellste IPC wäre geteiltes Gedächtnis, aber wie würden Sie dann die Synchronisation einige Zeit mit diesen beiden Fragen verbringen, weil sie der Baustein sein würden, auf dem Ihre Architektur steht. Bearbeiten: FIX und FAST In Bezug auf populäres Protokoll, FIX ist für das Senden von Aufträgen und FAST ist für Marktdaten. Having said that, die meisten Austausche haben ihre eigenen nativen Protokoll, das ist schneller als FIX, weil FIX ist in der Regel auf der Oberseite ihrer nativen Protokoll implementiert. Aber sie unterstützen immer noch FIX fügt der Geschwindigkeit des Einsatzes hinzu. Auf der anderen Seite, während FIX von den meisten Austausch vergeben wird, genießt FAST nicht so breite Akzeptanz. Wenn überhaupt, würde es nur eine Handvoll Austausch geben. Die meisten von ihnen senden entweder FIX selbst (niedrige Latenz) oder verwenden ihr eigenes natives Binärprotokoll. z. B. In Indien, NSE, BSE und MCXMCXSX, alle drei Börsen gibt Ihnen FIX-Protokoll zusätzlich zu nativen Protokoll, aber nur BSE gibt Ihnen FAST für Marktdaten. Und das bewegt sich auch von FAST zu Eingeborenen mit Einführung von EOBI. Sie können die gleiche Sache zu anderen Börsen extrapolieren. 3.9k Aufrufe middot View Upvotes middot Nicht für die Reproduktion Wie John erwähnt, OMS ist die Crux jeder Handelsplattform und Sie sollten von der Erforschung darüber beginnen. Sie müssten Zeit haben, um Ihren Lebenszyklus zu bestimmen, Ereignisse und Funktionen, die Sie auf dem OMS einbetten möchten, und die, die Sie Ihre Algo Engine behandeln möchten. Metcetera offers an open source OMS, I haven039t used it personally but it039s one of the few in the market. The next thing you should look at is providing an interface to source data in and push it out. This is for a client order entry system to throw in the order details and Algo engine to source it. A lot of Sell Side OMS039s use a combination of proprietary programs written in JavaC using FIX. FIX protocol allows you to communicate realtime across systems in a simplified amp pre-defined message format laid down by the FIX protocol community. Go to The FIX Protocol Organization gt Home page to read more about it. Also looks at Open Source FIX Engine. an open source implementation of the FIX engine. Next comes a Market Data interface to source realtime time security market information, data ranging from HighLowOpenClose to Best BidBest Ask, Total traded volume, Last price, Last volume, Bid quotes, Ask quotes etc. The information you seek really depends upon the type of strategy you wish to implement. I believe Interactive Broker provides a realtime data feed via FIX. Exchange connectivity is next where your Algo interprets the signals, create an order and routes to an Exchange or ECN. Developing it in-house could be tough as you would need to work out Exchange membership, certify your platform and pay a regular membership fee. A cheaper way is to use a broker API (like IB) and route the order through them. Historical data is of essence too as you might want to compare the current market behavior with its historical values. Parameters like average spread, VWAP profiles, average daily volume etc may be required to influence decision making. You can have it on database (preferred) but if speed of the essence then download it on the server cache when you begin your program. Once your peripheral systems are setup, you can start developing your algo program the way you want it to work. This basic infrastructure would allow you to input a parent algo order, read market data, react to the signals but generating child orders and placing it on the exchange order book and historical data to influence decision making. The OMS holds the linkage between the parent amp child order, their realtime statuses and updates by the algo or exchange connectivity platform. What you want to implement inside the Algo is completely up to you. 2.3k Views middot View Upvotes middot Not for ReproductionBest Programming Language for Algorithmic Trading Systems One of the most frequent questions I receive in the QS mailbag is What is the best programming language for algorithmic trading. The short answer is that there is no best language. Strategy parameters, performance, modularity, development, resiliency and cost must all be considered. This article will outline the necessary components of an algorithmic trading system architecture and how decisions regarding implementation affect the choice of language. Firstly, the major components of an algorithmic trading system will be considered, such as the research tools, portfolio optimiser, risk manager and execution engine. Subsequently, different trading strategies will be examined and how they affect the design of the system. In particular the frequency of trading and the likely trading volume will both be discussed. Once the trading strategy has been selected, it is necessary to architect the entire system. This includes choice of hardware, the operating system(s) and system resiliency against rare, potentially catastrophic events. While the architecture is being considered, due regard must be paid to performance - both to the research tools as well as the live execution environment. What Is The Trading System Trying To Do Before deciding on the best language with which to write an automated trading system it is necessary to define the requirements. Is the system going to be purely execution based Will the system require a risk management or portfolio construction module Will the system require a high-performance backtester For most strategies the trading system can be partitioned into two categories: Research and signal generation. Research is concerned with evaluation of a strategy performance over historical data. The process of evaluating a trading strategy over prior market data is known as backtesting . The data size and algorithmic complexity will have a big impact on the computational intensity of the backtester. CPU speed and concurrency are often the limiting factors in optimising research execution speed. Signal generation is concerned with generating a set of trading signals from an algorithm and sending such orders to the market, usually via a brokerage. For certain strategies a high level of performance is required. IO issues such as network bandwidth and latency are often the limiting factor in optimising execution systems. Thus the choice of languages for each component of your entire system may be quite different. Type, Frequency and Volume of Strategy The type of algorithmic strategy employed will have a substantial impact on the design of the system. It will be necessary to consider the markets being traded, the connectivity to external data vendors, the frequency and volume of the strategy, the trade-off between ease of development and performance optimisation, as well as any custom hardware, including co-located custom servers, GPUs or FPGAs that might be necessary. The technology choices for a low-frequency US equities strategy will be vastly different from those of a high-frequency statistical arbitrage strategy trading on the futures market. Prior to the choice of language many data vendors must be evaluated that pertain to a the strategy at hand. It will be necessary to consider connectivity to the vendor, structure of any APIs, timeliness of the data, storage requirements and resiliency in the face of a vendor going offline. It is also wise to possess rapid access to multiple vendors Various instruments all have their own storage quirks, examples of which include multiple ticker symbols for equities and expiration dates for futures (not to mention any specific OTC data). This needs to be factored in to the platform design. Frequency of strategy is likely to be one of the biggest drivers of how the technology stack will be defined. Strategies employing data more frequently than minutely or secondly bars require significant consideration with regards to performance. A strategy exceeding secondly bars (i. e. tick data) leads to a performance driven design as the primary requirement. For high frequency strategies a substantial amount of market data will need to be stored and evaluated. Software such as HDF5 or kdb are commonly used for these roles. In order to process the extensive volumes of data needed for HFT applications, an extensively optimised backtester and execution system must be used. CC (possibly with some assembler) is likely to the strongest language candidate. Ultra-high frequency strategies will almost certainly require custom hardware such as FPGAs, exchange co-location and kernalnetwork interface tuning. Research Systems Research systems typically involve a mixture of interactive development and automated scripting. The former often takes place within an IDE such as Visual Studio, MatLab or R Studio. The latter involves extensive numerical calculations over numerous parameters and data points. This leads to a language choice providing a straightforward environment to test code, but also provides sufficient performance to evaluate strategies over multiple parameter dimensions. Typical IDEs in this space include Microsoft Visual CC, which contains extensive debugging utilities, code completion capabilities (via Intellisense) and straightforward overviews of the entire project stack (via the database ORM, LINQ ) MatLab. which is designed for extensive numerical linear algebra and vectorised operations, but in an interactive console manner R Studio. which wraps the R statistical language console in a fully-fledged IDE Eclipse IDE for Linux Java and C and semi-proprietary IDEs such as Enthought Canopy for Python, which include data analysis libraries such as NumPy. SciPy. scikit-learn and pandas in a single interactive (console) environment. For numerical backtesting, all of the above languages are suitable, although it is not necessary to utilise a GUIIDE as the code will be executed in the background. The prime consideration at this stage is that of execution speed. A compiled language (such as C) is often useful if the backtesting parameter dimensions are large. Remember that it is necessary to be wary of such systems if that is the case Interpreted languages such as Python often make use of high-performance libraries such as NumPypandas for the backtesting step, in order to maintain a reasonable degree of competitiveness with compiled equivalents. Ultimately the language chosen for the backtesting will be determined by specific algorithmic needs as well as the range of libraries available in the language (more on that below). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen. Portfolio Construction and Risk Management The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of risky bets, but also minimise churn of the trades themselves, reducing transaction costs. Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system. The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio. Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C. MatLab also possesses extensively optimised matrix operations. Python utilises NumPySciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised) matrix library to carry this step out, so as not to bottleneck the trading system. Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies), increased correlations between asset classes, counter-party default, server outages, black swan events and undetected bugs in the trading code, to name a few. Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo stress tests. This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to throw hardware at the problem. Execution Systems The job of the execution system is to receive filtered trading signals from the portfolio construction and risk management components and send them on to a brokerage or other means of market access. For the majority of retail algorithmic trading strategies this involves an API or FIX connection to a brokerage such as Interactive Brokers. The primary considerations when deciding upon a language include quality of the API, language-wrapper availability for an API, execution frequency and the anticipated slippage. The quality of the API refers to how well documented it is, what sort of performance it provides, whether it needs standalone software to be accessed or whether a gateway can be established in a headless fashion (i. e. no GUI). In the case of Interactive Brokers, the Trader WorkStation tool needs to be running in a GUI environment in order to access their API. I once had to install a Desktop Ubuntu edition onto an Amazon cloud server to access Interactive Brokers remotely, purely for this reason Most APIs will provide a C andor Java interface. It is usually up to the community to develop language-specific wrappers for C, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages (see below) such as CJava are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCPIP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy . Performance Considerations Performance is a significant consideration for most trading strategies. For higher frequency strategies it is the most important factor. Performance covers a wide range of issues, such as algorithmic execution speed, network latency, bandwidth, data IO, concurrencyparallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPySciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disknetwork latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk IO operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocationdeallocation as part of an objects implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in parallel. So-called embarassingly parallel algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahls Law. which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes (e. g. on a CPU core or thread ). Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of cores for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidias CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrencymultithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 78, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require rebootspatching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Nur mit dem quantitativen Handel begonnen