Trading System Development Book

Sobre el autor: David Aronson es un pionero en el aprendizaje de la máquina y el desarrollo del sistema no lineal de comercio y la señal de impulsar / filtrado. Él ha trabajado en este campo desde 1979 y ha sido un Técnico de Mercado Fiduciario certificado por la Asociación de Técnicos de Mercado desde 1992. Fue profesor adjunto de finanzas y regularmente enseñó a MBA y estudiantes de ingeniería financiera un curso de posgrado en análisis técnico, Minería de datos y análisis predictivo. Su libro innovador quidEvidence-Based Technical Analysisquot fue publicado por John Wiley amp Sons 2006. Timothy Masters recibió un doctorado en estadística matemática con una especialización en computación numérica. Desde entonces ha trabajado continuamente como consultor independiente para el gobierno y la industria. Su enfoque actual son los métodos para evaluar los sistemas de negociación de los mercados financieros. Ha sido autor de cinco libros sobre predicción, clasificación y aplicaciones prácticas de redes neuronales: Práctica Neural Network Recipes in C (Academic Press, 1993) Procesamiento de señales y de imágenes con redes neuronales (Wiley, 1994) Algoritmos avanzados para redes neuronales (Wiley, 1995). ) Algoritmos Neuronales, Novelos e Híbridos para la Predicción de Series Temporales (Wiley, 1995) Evaluación y Mejora de la Predicción y Clasificación (CreateSpace, 2013) Más información se puede encontrar en su sitio web: TimothyMasters. info Estadísticamente Sound Machine Learning para Algorithmic Trading de Instrumentos Financieros Desarrollando Sistemas de Negociación Basados ​​en Modelos Predictivos Usando TSSB Autor de David Aronson, Timothy Masters Este libro tiene dos propósitos. En primer lugar, enseña la importancia de utilizar métodos estadísticos sofisticados y accesibles para evaluar un sistema comercial antes de que se aplique al mundo real. Con el fin de acomodar a los lectores con un fondo matemático limitado, estas técnicas se ilustran con ejemplos paso a paso utilizando datos reales del mercado, y todos los ejemplos se explican en lenguaje sencillo. En segundo lugar, este libro muestra cómo el programa gratuito TSSB (Trading System Synthesis amp Boosting) puede utilizarse para desarrollar y probar sistemas comerciales. El aprendizaje de la máquina y los algoritmos estadísticos disponibles en TSSB van mucho más allá de los disponibles en otro software de desarrollo estándar. El uso inteligente de estas técnicas de vanguardia mejora en gran medida la probabilidad de obtener un sistema comercial cuyos impresionantes resultados de backtest continúan cuando el sistema se utiliza en una cuenta comercial. Estimar el desempeño futuro con algoritmos rigurosos Evaluar la influencia de la buena suerte en los backtests Detectar overfitting antes de desplegar su sistema Estimar el sesgo de desempeño debido al ajuste del modelo y la selección de sistemas aparentemente superiores Utilice el estado de Crear conjuntos comerciales de modelos para formar decisiones comerciales de consenso Construir carteras óptimas de sistemas comerciales y rigurosamente probar su desempeño esperado Buscar miles de mercados para encontrar subconjuntos que son especialmente predecibles Crear sistemas de comercio que se especializan en regímenes de mercado específicos como tendencias / Alta / baja volatilidad Más información sobre el programa TSSB se puede encontrar en TSSBsoftware dot com. Fecha de publicación: 01 2013 ISBN / EAN13: 148950771X / 9781489507716 Número de páginas: 520 Tipo de encuadernación: US Trade Paper Trim Tamaño: 7.44quot x 9.69quot Idioma: Inglés Color: Blanco y negro Categorías relacionadas: Economía / September 12, 2011 Si usted está leyendo esta revisión, es probable que haya leído muchos otros libros de comercio sobre los sistemas de comercio. A estas alturas, es probable que sepas que la mayoría de estos libros presentan descripciones esqueléticas de las reglas de compra y venta, muchos resultados de pruebas de backtesting, cifras de ganancias acumuladas en el tiempo y un capítulo o dos sobre administración del dinero. Algunos de estos libros son geniales. Algunos no lo son. Este es un gran libro, pero este libro no pertenece a esta categoría de libros comerciales. Este no es un libro que muestra emocionantes reglas de compra y venta, un libro sobre la psicología comercial o la gestión del dinero. Este es un libro sobre cómo desarrollar sistemas comerciales de manera robusta y sistemática. Este es un libro sobre cómo usar la optimización como una herramienta útil, y no simplemente como un medio para ajustar la curva. Este libro describe las cosas de gran valor que la mayoría de los autores pasan por alto (detener el tamaño de las pérdidas, las paradas finales, la selección de objetivos de ganancia, etc.). Este libro es un enfoque muy práctico para la ingeniería empleado en el desarrollo de sistemas comerciales. Los lectores con experiencia en física o ingeniería se sentirán como en casa. Los autores comienzan con un sistema de crossover de media móvil muy simple y luego añaden lentamente complejidad. En cada paso, los autores realizan un análisis de sensibilidad para: a) verificar que la complejidad agregada vale la pena, b) elegir parámetros óptimos (mayor retorno), yc) lo más importante, elegir parámetros robustos a las complejidades siempre cambiantes de los mercados. Finalmente, utilizando el sistema completo, los autores realizan una prueba de robustez sobre muchos instrumentos y marcos temporales. Si está buscando un libro para copiar un sistema y hacer millones, esto no es para usted. Si usted es al menos algo experimentado, y sabe que el desarrollo del sistema comercial es más que sólo comprar y vender reglas, este libro debe ser muy útil. No compre este libro para el sistema automatizado que describe - compre este libro para el robusto proceso de desarrollo del sistema que presenta. Mi única queja es que no hay ninguna discusión con respecto al backtesting contra la prueba delantera. Hay un capítulo excelente que describe la optimización de walkforward. Sin embargo, los autores dejan de ser breves, y no comparan los resultados de la prueba fuera de la muestra con los resultados de las pruebas directas. Muy recomendable. Puedo comprar muchos libros de Amazon, pero esta es la primera revisión que he escrito. Yo estaba tan impresionado. 89 personas encontraron esta útil Mejor práctica volver a probar Un libro bastante bueno, que hace un excelente trabajo en explicar los peligros de la construcción del sistema. Aunque no están de acuerdo completamente con los autores en todos los puntos, la mayoría de sus argumentos están en línea con las mejores prácticas cuando se trata de pruebas de espalda y la construcción de sistemas. En el lado negativo, probablemente esperaba más código de lo que existía en el libro, sin él, los ejemplos se convierten en algo de un comercio de confianza. En general, un libro que sirve a la mayoría de los desarrolladores del sistema como un recordatorio de que hay un número de maneras de mejorar sus propios protocolos de prueba de nuevo. Más importante aún, también hace un buen trabajo al explicar los diversos gráficos y análisis que están disponibles en Rina Systems y Trade Station. 18 personas encontraron esto útil Uno de los mejores libros sobre la construcción de sistemas de comercio confiable Ive sido comercial durante muchos años y he aprendido mucho acerca de los sistemas de construcción de comercio de los muchos libros y video Ive comprado en los últimos años. Pero de vez en cuando un libro viene a lo largo de que las sumas del conocimiento de los últimos 20 libros con ejemplos precisos y ilustraciones de dios. Este es uno de estos libros. El libro comienza con un sistema de Trading diseñado para FOREX. Pero no dejes que te asusten si sólo el comercio de acciones, futuros, etc Los sistemas y la forma de construir es la misma para todos los mercados. Así que los autores comienzan con un sencillo muy simple y empiezan a evaluarlo. Para el principiante en este campo encontrarás una mina de oro de información sobre cómo evaluar la calidad de los sistemas aquí en el primer par de capítulos. En los capítulos siguientes se cubren muchos temas como: - Cuáles son las variables a optimizar - Cómo optimizar - Diferentes tipos de salidas, trailing stops, pricetargets etc. - Análisis de Monto Carlo - Re-optimización - Análisis de avance - Posición de tamaño (muy importante ) - La construcción de un portafolio Como he mencionado antes de todos los temas se explican con ejemplos claros e ilustraciones. El libro ha ido directamente a mi lista Top-10 de los libros favoritos de inversión. Debo mencionar que si usted es completamente nuevo en el análisis técnico y los indicadores y usted no tiene ninguna experiencia con el software de comercio, etc, puede haber 1 o 2 libros que debe leer antes de éste. Pero yo recomendaría que este es uno de los primeros 10 libros que cualquier principiante debe leer. 12 personas encontraron esto útil El lector sería aconsejado a la investigación adicional el tema de ajuste de curva y pruebas adecuadas se encuentran en Kevin Daveys excelente Por GCT el 22 de octubre de 2014 Un libro bien escrito con información valiosa, vale la pena leer para el operador de automatización graves . Encontré información sobre valores atípicos para ser especialmente útil. Desafortunadamente, mis pruebas indicaron que el ejemplo de par de divisas de estrategia desarrollado en el libro estaba ajustado a la curva. Pude replicar la curva de equidad que se muestra en el libro, pero la curva de equidad no se mantuvo en absoluto pasado la última fecha de la curva de equidad de libros. No pude corregir esto con un mayor desarrollo. Se recomendaría al lector que investigue más a fondo el tema de la adaptación de curvas y las pruebas adecuadas que se encuentran en el excelente libro de Kevin Daveys, también se vende en Amazon. 5 personas encontraron esta útil By Gary on May 14, 2012 Im principiante en la estrategia de diseño de campo. El libro me ayuda mucho a organizar mis ideas sobre los pasos para construir Sistemas de Estrategia Automatizados. El libro también se refiere a 2 bibliografía que he amado. Y. El autor habla sobre sqrt (n-1) así que si tienes 100 operaciones, dice que tienes probabilidad de error de 10 (ya que su fórmula de error estándar), pero si haces algunas matemáticas, 1.000 operaciones da como resultado un error de aproximadamente 30, Más oficios más error, pero no es cierto. Lo correcto es que a partir de una muestra dada, más intercambios mejores resultados y menos error estándar. Así que 1.000 operaciones resulta en 1 / sqrt (1000-1) 0,0316 o 3,16 error en los resultados backetest. A continuación, con 1.000 operaciones que tiene que añadir o sustraer 3 a la utilidad neta, bajar, etc Error estándar: 1 / sqrt (n-1) 6 personas encontraron este útil Gran libro sobre el Qué, Y optimización. Este es un gran libro para alguien que busca una manera metódica de diseñar y probar un sistema de comercio mecánico para cualquier mercado. Un buen ejemplo se muestra en el libro con buenas explicaciones en cada paso del proceso. Compré este libro con el fin de aumentar mis conocimientos sobre cómo diseñar un sistema técnico de comercio, cómo probarlos adecuadamente con los datos de muestra y qué indicadores se pueden comparar con otros sistemas y este libro ha entregado Para mí que es conciso y fácil de entender sin una discusión en profundidad de las estadísticas. Una persona encontró esto útil Una referencia sólida en las pruebas del sistema Por Cohibuh23 on October 13, 2015 Si estás en el desarrollo del sistema programado, este libro sólo puede ayudarte. Una visión completa de muchos aspectos importantes, con advertencias adecuadas sobre los errores que muchos novatos sucumben, como la minería de datos y la adaptación de curvas. Contiene varios ejemplos de código de sistemas y explica cómo se mejora el rendimiento a medida que se añade y optimiza cada variable. Se aconseja a los desarrolladores que busquen valores sólidos, lo que significa que no siempre son los mejores. En general, me gustó el libro, se referirá a él repetidamente como una referencia sólida. Muchos diagramas y gráficos, discusiones de paradas, levantamientos, MAEs, etc. No comercialice sistemas optimizados sin tener conocimiento de los riesgos discutidos aquí. Esta reseña fue útil para usted Por James Lee el 15 de enero de 2012 Agradable revisión por Daniel Lockhart Este es de hecho un libro muy útil para el público adecuado. Terminé de leerlo en 2 días porque he estado jugando con los códigos durante más de 2 años después de un emocional de 3 años de montaña rusa de comercio de forex de forma manual durante incontables noches sin dormir. Tengo un buen fondo en el análisis técnico y la programación así que no tengo ningún problema traducir las ideas de los autores en códigos. Sin embargo, este libro no se trata de escribir códigos, es sobre el proceso de pensamiento paso a paso en el desarrollo de su propio sistema comercial de la manera correcta respaldada por backtesting, optimización y análisis estadístico. El análisis de las estadísticas es lo que hace que su sistema final sea creíble y digno de ser probado con dinero real, sin él, me temo, podría ser otra caja negra curva promovida por infomerciales de televisión. Si usted tiene una comprensión básica en las estadísticas de probabilidad, así como la programación y los métodos de comercio, entonces navegar a través del libro en ningún momento. El comerciante principiante que hace solamente comercios manuales debe comprar este libro para ver quién usted está contra y después nivelar el campo de juego antes de que usted haga los 90. Este libro es a debe leer entre otros, entra en mi sitio que negocia, comercio su manera a la finanzas Libertad. 6 personas encontraron este útil Un libro fantástico para aquellos que buscan desarrollar sistemas de comercio Un libro fantástico para aquellos que buscan desarrollar sistemas de comercio. Le guía a través de un proceso lógico y le ayuda a evitar ciertas trampas. Ha sido muy útil para mí e incluye los conceptos comerciales que puede utilizar para construir su propio sistema de comercio. Grandes ejemplos sobre cómo utilizar los resultados de optimización para determinar los mejores parámetros a utilizar en un sistema. Tomada de decisiones impulsada por datos reales. Ha sido invaluable para mí. Ahora estoy negociando un sistema construido a partir de los conceptos presentados en este libro. Esta reseña fue útil para usted Como otro revisor ya ha dicho: Compre este libro. Por Peter el 28 de enero de 2016 Como otro revisor ya ha dicho: Compre este libro para el robusto proceso de desarrollo del sistema que presenta. Comercio de acciones. No utilizo ninguno de los programas mencionados en el libro, ni tampoco trato pares de Futuros o Monedas como lo hacen las muestras de este libro, pero este libro es ahora uno de los libros más valiosos de mi Biblioteca. Esto se debe a que describe un método lógico para desarrollar y probar un sistema comercial desde el concepto inicial hasta el comercio en vivo, ilustrando cómo establecer niveles de administración de riesgos y diversificar el riesgo a lo largo del camino. Si busca formas de agregar estructura al desarrollo de su sistema, compre este libro. Una persona encontró esto útilCómo desarrollar un sistema de comercio ganador que se ajuste a usted Programa de audio Obtenga todos los beneficios de los años de Dr. Van Tharps de los comerciantes de modelado y su investigación sobre cómo los sistemas de comercio rentables se desarrollan. Su conclusión de esta investigación es que la persona promedio no tiene una oportunidad de comercio rentable porque él o ella se concentra en todas las cosas mal. Usted no aprenderá esta información viendo las noticias financieras, leyendo revistas financieras, o leyendo los principales periódicos financieros, porque los medios de comunicación ignorarán totalmente los aspectos más importantes del desarrollo del sistema. Este programa le ayuda a determinar qué tipo de sistema de comercio le conviene personalmente y cómo crearlo. Aprenda secretos poco conocidos y estrechamente guardados que no se publican en los libros y que no es probable que encuentre a menos que accidentalmente tropezar con ellos. Contenido del programa de audio Este programa cuenta con 20 CDs de audio: 11 CDs de material más reciente y 9 CDs del curso clásico de estudio en casa que cubren información que ya no se enseña en nuestro taller de desarrollo de sistemas. Este programa de audio fue grabado en vivo desde dos talleres separados. Contiene un taller completo de tres días impartido exclusivamente por el Dr. Van Tharp y cubre pequeños secretos conocidos para desarrollar sistemas comerciales personalizados y ganadores. Esta es una información atemporal y por lo tanto no está vinculada a ningún mercado o plazo particular. También conservamos secciones de la grabación original de desarrollo de sistemas de años atrás porque esta sección original contiene material que ya no está cubierto en los talleres y sólo se puede encontrar en este programa de audio. Muchos de nuestros clientes escuchan estos CDs una y otra y otra vez sólo para obtener todos los detalles sutiles que a veces se pierden en las revisiones anteriores. El material cubierto incluye las trampas psicológicas del desarrollo del sistema, entendiendo que usted negocia solamente sus creencias sobre el mercado y no el mercado sí mismo, y conceptos claves del desarrollo del sistema incluyendo algunos de los conceptos de la marca de fábrica del Dr. Tharps, Puntuación y posición de las estrategias de dimensionamiento. Usted aprenderá los conceptos comerciales que realmente trabajan en áreas como la tendencia siguiente, el comercio de banda, el comercio de valor, el comercio de escenarios mentales, las tendencias estacionales, la propagación de comercio y arbitraje. Entre muchas otras cosas, este programa le familiarizará con las partes clave de un sistema, le dará buenos ejemplos de cada parte, le ayudará a desarrollar configuraciones apropiadas, y una entrada apropiada y una pérdida de parada. El curso de estudio en casa también incluye un amplio manual de 340 páginas que actúa como guía, un libro de trabajo y un instructor a través de su viaje de construcción del sistema. Para familiarizarse con las trampas psicológicas del desarrollo del sistema. Por lo menos, su crítico que usted entiende que usted negocia solamente sus creencias sobre el mercado, no el mercado sí mismo. Para ayudarle a entender los conceptos clave y los pasos en el desarrollo del sistema, incluyendo la esperanza, los múltiplos de R, la calidad del sistema y las estrategias de dimensionamiento de la posición. Para ayudarle a entender el poder de los objetivos y cómo los objetivos influyen en sus resultados, para darle la práctica de la estrategia con algunos objetivos en nuestras simulaciones, y para ayudarle a entender lo que se requiere de los objetivos de desarrollo del sistema. Si entiende el poder y la importancia de los objetivos y utiliza este tipo de estrategia para satisfacerlos, todo su enfoque para el desarrollo del sistema cambiará. Para ayudarle a entender algunos de los conceptos claves que usted podría negociar que trabajan realmente: Tendencia siguiente, especialmente tendencias basadas en fundamentos. Comercio de la banda. Valor de comercio donde el valor se define como la compra de cosas a unos centavos en el dólar. Comercio de escenarios mentales. Tendencias estacionales cuando se trata de anomalías quotrealquot y no estadística. Difundir el comercio y el arbitraje. Para ayudarle a definir R en su comercio y desarrollar configuraciones apropiadas, la entrada y una pérdida de parada. Para familiarizarse con las partes clave de un sistema y darle buenos ejemplos de cada parte. Para ayudarle a decidir qué criterios puede tener que cumplir antes de que esté dispuesto a cambiar un sistema. Estos se van a basar en sus propios valores, no alguien elses. Para hacerte más familiarizado con la clave para cumplir con tu estrategia de dimensionamiento de objetivos que tienes una buena oportunidad de cumplir tus objetivos. Para enseñarle a determinar la calidad de su sistema es si se trata de un sistema de comercio Forex día o un sistema de valores de inversión de inversión. Qué tipo de comerciante es usted ¿Es usted un inversor de bajo riesgo que sólo quiere hacer pequeñas ganancias consistentes cada mes con sólo una pérdida ocasional Aprenda a desarrollar un sistema que le permitirá desarrollar una metodología única que le dará ese tipo De consistencia ¿Es usted un comerciante gutsy whod como hacer ganancias anuales de 100, 200 o incluso 1.000 por año? Es posible, aunque arriesgado, y usted puede aprender que, también. Lo interesante es que puedes hacerlo de tal manera que el único dinero que estás arriesgando es el dinero que ya has hecho del mercado. Ese es el apalancamiento real Sólo unos 5 de los comerciantes de mundos y 10 de los inversores del mundo, constantemente hacer mucho dinero. Lo que estos ganadores hacen no es complejo. De hecho, la simplicidad es una de las claves para ganar dinero. Y usted puede hacerlo Ive modelado también este proceso y puede enseñarle cómo desarrollar su propio sistema que negocia que se ajuste a su propio estilo de negociar. ¿Por qué desarrollar mi propio sistema? No es más fácil ir a comprar un sistema con resultados probados Hay cientos, si no miles, de los sistemas de comercio que funcionan. Pero la mayoría de la gente, después de comprar un sistema preexistente, no seguirá el sistema y lo comercializará exactamente como estaba previsto. ¿Por qué no porque el sistema no les encaja o su estilo de comercio. Uno de los secretos más grandes de la negociación acertada está encontrando un sistema que negocia que los ajustes usted. De hecho, Jack Schwager, después de entrevistar a suficientes magos del mercado para escribir dos libros, concluyó que la característica más importante de todos los buenos comerciantes era que habían encontrado un sistema o una metodología que era adecuada para ellos. Cuando alguien desarrolla un sistema para usted, usted no sabe qué sesgos pueden tener. Pero cuando desarrolles tu propio sistema, será compatible con tus propias creencias, objetivos, personalidad y aristas. Y eso le facilitará mucho el comercio. Además, la mayor parte del software de desarrollo del sistema actualmente disponible promueve sesgos comerciales que pueden ser perjudiciales para el éxito comercial general. La mayoría del software de desarrollo del sistema está diseñado porque la gente quiere ser capaz de predecir los mercados perfectamente. Como resultado, usted puede comprar software ahora por unos cientos de dólares que le permitirá superponer numerosos estudios sobre los datos del mercado pasado. En pocos minutos, puede comenzar a pensar que los mercados son perfectamente previsibles. Y esa creencia permanecerá con usted hasta que usted intente negociar el mercado verdadero en vez del mercado históricamente optimizado. Muchas cuentas comerciales se han desplomado de este mismo pensamiento. Un comercio de cosas seguras sin el tamaño apropiado de la posición puede borrar a algunos comerciantes completamente fuera del juego. Nuestro trabajo en este curso es enseñarle lo que necesita saber para desarrollar su propio sistema. El material que aprenderá no es específico del mercado o del tiempo. Así que si usted comercio de acciones, futuros, monedas o oro, etc o si usted coloca 50 operaciones al día o 50 operaciones al año, usted aprenderá todos los componentes que funcionan en cualquier sistema. Tres secretos críticos que usted puede adoptar para desarrollar una Fórmula Soberbia de Construcción de Riqueza Desarrollando Objetivos de Sonido Esta es la tarea más importante del desarrollo del sistema. Si realiza esta tarea correctamente, tomará al menos la mitad de su tiempo durante el proceso de desarrollo. Cuando usted aprende lo que es, youll decir, por supuesto su importante pero youll todavía probablemente pasan muy poco tiempo en él. Para desarrollar un sistema que se adapte a usted, usted necesita pensar realmente en lo que quiere. No es una tarea trivial. Hay al menos 30 preguntas que debe abordar cuando desarrolle un sistema comercial. El Dr. Tharp te lleva a través de cada pregunta para que sepas exactamente lo que es importante para ti. La mayoría de las personas ignoran seis o siete de los componentes clave del desarrollo del sistema cuando hacen su investigación. De hecho, nunca verá un libro sobre el desarrollo del sistema que cubra más de seis de ellos. Ésa es la limitación que el comerciante medio tiene en hacer la investigación. Usted quiere grandes beneficios con el menor riesgo posible, por lo que desea todas las ventajas posibles cuando se comienza a desarrollar un sistema de este tipo. Usted debe ser capaz de tomar ventaja de ocho de estos componentes fácilmente después de escuchar estos CDs. Y, con un poco más de esfuerzo, usted será capaz de utilizar todos los 10. Si utiliza todos los 10 componentes con competencia, youll estar entre los diez primeros uno por ciento de todos los comerciantes e inversores en el mundo. Estrategias de dimensionamiento de posición La mayoría de la gente se concentra en la entrada del elemento menos importante en el desarrollo del sistema. E ignoran las estrategias de dimensionamiento de la posición y el elemento más importante. A través de este curso de estudio en el hogar usted aprenderá los algoritmos de dimensionamiento de posición que usan los artistas de punta. Además, aprenderá algoritmos de dimensionamiento de posición que le ayudarán a reducir su riesgo general, mientras que al mismo tiempo le ayudará a lograr un rendimiento más consistente. Si usted se concentra en estos tres secretos que el 95 por ciento de todos los comerciantes e inversionistas ignoran totalmente, usted puede convertirse en una clase que sólo unos pocos han sido capaces de lograr. Si eres más aventurero, bien te mostrará cómo realmente ir a grandes vueltas utilizando el dinero de los mercados. Cuando usted utiliza estas técnicas de hacer super dinero, usted podría hacer 1.000 en su dinero cada año, arriesgando sobre todo el dinero que el mercado le ha dado. Youll aprender el secreto detrás de cómo un comerciante convirtió 10.000 en 1,1 millones en menos de un año. Cambió un sistema de ruptura de volatilidad, pero la clave para sus ganancias fue su método de clasificación de posición. Además, también te mostrará cómo otro grupo de comerciantes ha tomado más de 100 millones de fuera del mercado en los últimos 10 años que intercambiaron un sistema de ruptura de canal, pero la clave real de su éxito fue la gestión del dinero. Aprenda las ventajas y desventajas de ambos estilos. Este tipo de comercio aventurero es muy arriesgado. Usted podría perder una cantidad sustancial de dinero si no tiene cuidado. Como resultado, bien mostrar todos los escollos para que usted entienda a fondo el riesgo involucrado. Diez secretos para ganar dinero que aprenderás Mejor lenguaje de programación para sistemas de negociación algorítmica Una de las preguntas más frecuentes que recibo en el mailbag QS es ¿Cuál es el mejor lenguaje de programación para el comercio algorítmico? La respuesta corta es que no hay mejor lenguaje. Los parámetros de la estrategia, el rendimiento, la modularidad, el desarrollo, la resiliencia y el costo deben ser considerados. Este artículo describirá los componentes necesarios de una arquitectura algorítmica de sistemas de comercio y cómo las decisiones relativas a la implementación afectan la elección del lenguaje. En primer lugar, se considerarán los componentes principales de un sistema de negociación algorítmica, como las herramientas de investigación, el optimizador de cartera, el gestor de riesgos y el motor de ejecución. Posteriormente, se examinarán diferentes estrategias comerciales y cómo afectarán el diseño del sistema. En particular, se discutirá la frecuencia de las operaciones y el probable volumen de negociación. Una vez que se ha seleccionado la estrategia de negociación, es necesario diseñar todo el sistema. Esto incluye la elección del hardware, el sistema operativo y la resiliencia del sistema frente a eventos raros y potencialmente catastróficos. Mientras se está considerando la arquitectura, se debe tener en cuenta el desempeño - tanto en las herramientas de investigación como en el entorno de ejecución en vivo. ¿Qué es el sistema de comercio que trata de hacer Antes de decidir sobre el mejor idioma con el que escribir un sistema de comercio automatizado es necesario definir los requisitos. ¿El sistema va a ser puramente basado en la ejecución? ¿El sistema requerirá una gestión de riesgos o un módulo de construcción de cartera? El sistema requerirá un backtestter de alto rendimiento. Para la mayoría de las estrategias el sistema de negociación puede dividirse en dos categorías: Investigación y generación de señales. La investigación se ocupa de la evaluación del desempeño de una estrategia con respecto a los datos históricos. El proceso de evaluación de una estrategia de negociación sobre los datos de mercado anteriores se conoce como backtesting. El tamaño de los datos y la complejidad algorítmica tendrán un gran impacto en la intensidad computacional del backtester. La velocidad de la CPU y la concurrencia son a menudo los factores limitantes en la optimización de la velocidad de ejecución de la investigación. Generación de señal se refiere a la generación de un conjunto de señales comerciales de un algoritmo y el envío de estos pedidos al mercado, por lo general a través de una correduría. Para ciertas estrategias se requiere un alto nivel de rendimiento. Los problemas de E / S, como el ancho de banda de la red y la latencia, son a menudo el factor limitante en la optimización de los sistemas de ejecución. Por lo tanto, la elección de lenguajes para cada componente de todo el sistema puede ser muy diferente. Tipo, frecuencia y volumen de la estrategia El tipo de estrategia algorítmica empleada tendrá un impacto sustancial en el diseño del sistema. Será necesario considerar los mercados que se negocian, la conectividad con los proveedores de datos externos, la frecuencia y el volumen de la estrategia, el equilibrio entre la facilidad de desarrollo y la optimización del rendimiento, así como cualquier hardware personalizado, Servidores, GPUs o FPGAs que puedan ser necesarios. Las opciones tecnológicas para una estrategia de renta variable de baja frecuencia en los Estados Unidos serán muy diferentes de las de una estrategia de arbitraje estadístico de alta frecuencia que se negocia en el mercado de futuros. Antes de la elección del idioma muchos proveedores de datos deben ser evaluados que pertenecen a la estrategia de la mano. Será necesario considerar la conectividad con el proveedor, la estructura de cualquier API, la puntualidad de los datos, los requisitos de almacenamiento y la resiliencia frente a un vendedor que se desconecta. También es aconsejable poseer acceso rápido a múltiples vendedores. Varios instrumentos tienen sus propias peculiaridades de almacenamiento, ejemplos de los cuales incluyen múltiples símbolos ticker para las acciones y fechas de vencimiento para futuros (sin mencionar ningún dato OTC específico). Esto debe ser factorizado en el diseño de la plataforma. Frecuencia de la estrategia es probable que sea uno de los mayores impulsores de cómo la pila de tecnología se definirá. Las estrategias que emplean datos con más frecuencia que las barras minuciosas o secundarias requieren una consideración significativa con respecto al desempeño. Una estrategia que excede las barras secundarias (es decir, los datos de la señal) conduce a un diseño impulsado por el rendimiento como requisito primario. En el caso de las estrategias de alta frecuencia, será necesario almacenar y evaluar una cantidad sustancial de datos de mercado. El software tal como HDF5 o kdb se utiliza comúnmente para estas funciones. Con el fin de procesar los volúmenes extensos de datos necesarios para las aplicaciones de HFT, un sistema de backtester y de ejecución ampliamente optimizado debe ser utilizado. C / C (posiblemente con algún ensamblador) es probable que el candidato de idioma más fuerte. Las estrategias de frecuencia ultra-alta casi seguramente requerirán hardware personalizado como FPGAs, intercambio de co-location y kernal / network tuning. Sistemas de investigación Los sistemas de investigación típicamente implican una mezcla de desarrollo interactivo y secuencias de comandos automatizadas. El primero a menudo tiene lugar dentro de un IDE como Visual Studio, MatLab o R Studio. Este último implica cálculos numéricos extensos sobre numerosos parámetros y puntos de datos. Esto conduce a una elección de idioma que proporciona un entorno sencillo para probar el código, pero también proporciona un rendimiento suficiente para evaluar estrategias sobre múltiples dimensiones de parámetros. Los IDE típicos en este espacio incluyen Microsoft Visual C / C, que contiene extensas utilidades de depuración, capacidades de finalización de código (a través de Intellisense) y visiones generales directas de toda la pila de proyectos (a través de la base de datos ORM, LINQ) MatLab. Que está diseñado para el álgebra lineal numérica extensa y operaciones vectorizadas, pero en una forma de consola interactiva R Studio. Que envuelve la consola de lenguaje estadístico R en un IDE IDE Eclipse completamente desarrollado para Linux Java y C y IDEs semi-propietarios como Enthought Canopy para Python, que incluyen bibliotecas de análisis de datos como NumPy. SciPy. Scikit-learn y pandas en un solo ambiente interactivo (consola). Para el backtesting numérico, todos los idiomas anteriores son adecuados, aunque no es necesario utilizar una GUI / IDE, ya que el código se ejecutará en segundo plano. La consideración principal en esta etapa es la de la velocidad de ejecución. Un lenguaje compilado (como C) suele ser útil si las dimensiones del parámetro de backtesting son grandes. Recuerde que es necesario ser cauteloso de tales sistemas si ese es el caso Lenguajes interpretados como Python a menudo hacen uso de las bibliotecas de alto rendimiento como NumPy / pandas para el paso de backtesting, con el fin de mantener un grado razonable de competitividad con compilado Equivalentes. En última instancia, el idioma elegido para el backtesting se determinará por necesidades específicas algorítmicas, así como el rango de bibliotecas disponibles en el idioma (más sobre esto a continuación). However, the language used for the backtester and research environments can be completely independent of those used in the portfolio construction, risk management and execution components, as will be seen. Portfolio Construction and Risk Management The portfolio construction and risk management components are often overlooked by retail algorithmic traders. This is almost always a mistake. These tools provide the mechanism by which capital will be preserved. They not only attempt to alleviate the number of risky bets, but also minimise churn of the trades themselves, reducing transaction costs. Sophisticated versions of these components can have a significant effect on the quality and consistentcy of profitability. It is straightforward to create a stable of strategies as the portfolio construction mechanism and risk manager can easily be modified to handle multiple systems. Thus they should be considered essential components at the outset of the design of an algorithmic trading system. The job of the portfolio construction system is to take a set of desired trades and produce the set of actual trades that minimise churn, maintain exposures to various factors (such as sectors, asset classes, volatility etc) and optimise the allocation of capital to various strategies in a portfolio. Portfolio construction often reduces to a linear algebra problem (such as a matrix factorisation) and hence performance is highly dependent upon the effectiveness of the numerical linear algebra implementation available. Common libraries include uBLAS. LAPACK and NAG for C. MatLab also possesses extensively optimised matrix operations. Python utilises NumPy/SciPy for such computations. A frequently rebalanced portfolio will require a compiled (and well optimised) matrix library to carry this step out, so as not to bottleneck the trading system. Risk management is another extremely important part of an algorithmic trading system. Risk can come in many forms: Increased volatility (although this may be seen as desirable for certain strategies), increased correlations between asset classes, counter-party default, server outages, black swan events and undetected bugs in the trading code, to name a few. Risk management components try and anticipate the effects of excessive volatility and correlation between asset classes and their subsequent effect(s) on trading capital. Often this reduces to a set of statistical computations such as Monte Carlo stress tests. This is very similar to the computational needs of a derivatives pricing engine and as such will be CPU-bound. These simulations are highly parallelisable (see below) and, to a certain degree, it is possible to throw hardware at the problem. 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 and/or Java interface. It is usually up to the community to develop language-specific wrappers for C, Python, R, Excel and MatLab. Note that with every additional plugin utilised (especially API wrappers) there is scope for bugs to creep into the system. Always test plugins of this sort and ensure they are actively maintained. A worthwhile gauge is to see how many new updates to a codebase have been made in recent months. Execution frequency is of the utmost importance in the execution algorithm. Note that hundreds of orders may be sent every minute and as such performance is critical. Slippage will be incurred through a badly-performing execution system and this will have a dramatic impact on profitability. Statically-typed languages (see below) such as C/Java are generally optimal for execution but there is a trade-off in development time, testing and ease of maintenance. Dynamically-typed languages, such as Python and Perl are now generally fast enough. Always make sure the components are designed in a modular fashion (see below) so that they can be swapped out out as the system scales. Architectural Planning and Development Process The components of a trading system, its frequency and volume requirements have been discussed above, but system infrastructure has yet to be covered. Those acting as a retail trader or working in a small fund will likely be wearing many hats. It will be necessary to be covering the alpha model, risk management and execution parameters, and also the final implementation of the system. Before delving into specific languages the design of an optimal system architecture will be discussed. Separation of Concerns One of the most important decisions that must be made at the outset is how to separate the concerns of a trading system. In software development, this essentially means how to break up the different aspects of the trading system into separate modular components. By exposing interfaces at each of the components it is easy to swap out parts of the system for other versions that aid performance, reliability or maintenance, without modifying any external dependency code. This is the best practice for such systems. For strategies at lower frequencies such practices are advised. For ultra high frequency trading the rulebook might have to be ignored at the expense of tweaking the system for even more performance. A more tightly coupled system may be desirable. Creating a component map of an algorithmic trading system is worth an article in itself. However, an optimal approach is to make sure there are separate components for the historical and real-time market data inputs, data storage, data access API, backtester, strategy parameters, portfolio construction, risk management and automated execution systems. For instance, if the data store being used is currently underperforming, even at significant levels of optimisation, it can be swapped out with minimal rewrites to the data ingestion or data access API. As far the as the backtester and subsequent components are concerned, there is no difference. Another benefit of separated components is that it allows a variety of programming languages to be used in the overall system. There is no need to be restricted to a single language if the communication method of the components is language independent. This will be the case if they are communicating via TCP/IP, ZeroMQ or some other language-independent protocol. As a concrete example, consider the case of a backtesting system being written in C for number crunching performance, while the portfolio manager and execution systems are written in Python using SciPy and IBPy . Performance 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 I/O, concurrency/parallelism and scaling. Each of these areas are individually covered by large textbooks, so this article will only scratch the surface of each topic. Architecture and language choice will now be discussed in terms of their effects on performance. The prevailing wisdom as stated by Donald Knuth. one of the fathers of Computer Science, is that premature optimisation is the root of all evil. This is almost always the case - except when building a high frequency trading algorithm For those who are interested in lower frequency strategies, a common approach is to build a system in the simplest way possible and only optimise as bottlenecks begin to appear. Profiling tools are used to determine where bottlenecks arise. Profiles can be made for all of the factors listed above, either in a MS Windows or Linux environment. There are many operating system and language tools available to do so, as well as third party utilities. Language choice will now be discussed in the context of performance. C, Java, Python, R and MatLab all contain high-performance libraries (either as part of their standard or externally) for basic data structure and algorithmic work. C ships with the Standard Template Library, while Python contains NumPy/SciPy. Common mathematical tasks are to be found in these libraries and it is rarely beneficial to write a new implementation. One exception is if highly customised hardware architecture is required and an algorithm is making extensive use of proprietary extensions (such as custom caches). However, often reinvention of the wheel wastes time that could be better spent developing and optimising other parts of the trading infrastructure. Development time is extremely precious especially in the context of sole developers. Latency is often an issue of the execution system as the research tools are usually situated on the same machine. For the former, latency can occur at multiple points along the execution path. Databases must be consulted (disk/network latency), signals must be generated (operating syste, kernal messaging latency), trade signals sent (NIC latency) and orders processed (exchange systems internal latency). For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission. This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required Caching is very useful in the toolkit of a quantitative trading developer. Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data. A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory. Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial. For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesnt need to be regenerated upon each loop of the trading algorithm. Such regeneration is likely to be a high CPU or disk I/O operation. However, caching is not without its own issues. Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure. Another issue is dog-piling . where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution. Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocation/deallocation 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 concurrency/multithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking . While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as unscalable. This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle spikes in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a message queuing architecture. This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ . Hardware and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb. which is a sophisticated debugging tool. The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to fill in the blanks, the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a first line of attack when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (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 NumPy/SciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensing/maintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQL/C), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . 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. Michael Halls-Moore Mike is the founder of QuantStart and has been involved in the quantitative finance industry for the last five years, primarily as a quant developer and later as a quant trader consulting for hedge funds.