Automatisert Trading System Arkitektur

Algoritmisk Trading System Architecture. Tidligere på denne bloggen har jeg skrevet om den konseptuelle arkitekturen til et intelligent algoritmisk handelssystem, samt de funksjonelle og ikke-funksjonelle kravene i et produksjonsalgoritmisk handelssystem. Siden da har jeg designet en systemarkitektur som jeg tror kunne tilfredsstille disse arkitektoniske kravene I dette innlegget vil jeg beskrive arkitekturen som følger retningslinjene i ISO IEC IEEE 42010-systemene og programvare engineering arkitektur beskrivelse standard Ifølge denne standarden en arkitektur beskrivelse må. Opprettholde flere standardiserte arkitektoniske visninger f. eks i UML og. Maintain sporbarhet mellom designbeslutninger og arkitektoniske krav. Programvarearkitekturdefinisjon. Det er fortsatt ingen konsensus om hva en systemets arkitektur er. I sammenheng med denne artikkelen er det definert som den infrastrukturen der applikasjonskomponenter som tilfredsstiller funksjonelle krav kan spesifiseres, distribuert og utført Funksjonskrav er systemets forventede funksjoner og dens komponenter Ikke-funksjonelle krav er tiltak der kvaliteten på systemet kan måles. Et system som fullt ut tilfredsstiller funksjonskravene, kan fortsatt ikke oppfylle forventningene dersom ikke-funksjonelle krav For å illustrere dette konseptet, vurder følgende scenario et algoritmisk handelssystem som du nettopp har kjøpt bygget gjør gode handelsbeslutninger, men er helt ubrukelig med organisasjonene risikostyring og regnskapssystemer. Dette systemet vil oppfylle dine forventninger. Konceptuell arkitektur. En konseptuell visning beskriver høyt nivå konsepter og mekanismer som eksisterer i systemet på høyeste nivå av granularitet På dette nivået følger det algoritmiske handelssystemet en eventdrevet arkitektur EDA brutt opp over fire lag og to arkitektoniske aspekter For hvert lag og aspekt referanse arkitekturer og mønstre ar e brukt Arkitektoniske mønstre er bevist, generiske strukturer for å oppnå spesifikke krav Arkitektoniske aspekter er tverrgående bekymringer som spenner over flere komponenter. Eventyrd arkitektur - en arkitektur som produserer, oppdager, forbruker og reagerer på hendelser Hendelser inkluderer realtidsbevegelser, komplisert hendelser eller trender, og handelshendelser, for eksempel å sende inn en bestilling. Dette diagrammet illustrerer den konseptuelle arkitekturen til det algoritmiske handelssystemet. Referansearkitekturer. For å bruke en analogi, er en referansearkitektur ligner tegningene for en bærende vegg. Denne blåutskriften kan brukes til flere byggedesigner uavhengig av hvilken bygning som bygges ettersom den tilfredsstiller et sett av vanlige krav. Tilsvarende definerer en referansearkitektur en mal som inneholder generiske strukturer og mekanismer som kan brukes til å konstruere en konkret programvarearkitektur som tilfredsstiller spesifikke krav Arkitekturen for algoritmisk tr addering system bruker en plassbasert arkitektur SBA og en modellvisningskontroll MVC som referanser God praksis som operativ datalager ODS, ekstrakttransformatoren og last ETL-mønster og et datalager DW benyttes også. Modelleringsvisningskontrollen - et mønster som separerer representasjonen av informasjon fra brukerens interaksjon med det. Mellombasert arkitektur - spesifiserer en infrastruktur hvor løst koblede behandlingsenheter samhandler med hverandre gjennom et felles associativt minne som kalles mellomrom vist nedenfor. Spaces-based arkitektonisk konseptbilde Modellvisning Controller original image. Strukturell visning. Strukturvisningen av en arkitektur viser komponentene og delkomponentene i det algoritmiske handelssystemet. Det viser også hvordan disse komponentene distribueres på fysisk infrastruktur. UML-diagrammene som brukes i denne visningen, inkluderer komponentdiagrammer og distribusjonsdiagrammer. distribusjonsdiagrammer for det generelle algoritmiske handelssystemet og p prosesseringsenheter i SBA-referansearkitekturen, samt relaterte komponentdiagrammer for hver enkelt lag. Algoritmisk handelssystem høyt distribusjonsdiagram SBA-behandlingsenheter distribusjonsdiagram Bestil bearbeidingskomponentdiagram Automatisert handlerbegivenhetsbehandlingskomponentdiagram Datakilde og forbehandlingslag komponent diagram MVC basert brukergrensesnitt komponent diagram. Architectural Tactics. According til programvare engineering instituttet en arkitektonisk taktikk er et middel til å tilfredsstille et kvalitetskrav ved å manipulere noe aspekt av en kvalitet attributt modell gjennom arkitektoniske design beslutninger Et enkelt eksempel brukt i den algoritmiske trading systemarkitektur manipulerer en operativ datalager ODS med en kontinuerlig spørringskomponent Denne komponenten vil kontinuerlig analysere ODS for å identifisere og trekke ut komplekse hendelser Følgende taktikker brukes i arkitekturen. Disruptor-mønsteret i hendelses - og ordrekøene. Delet minne for hendelses - og ordrekøene. Kontinuerlig spørringssprog CQL på ODS. Data filtrerer med filterdesignmønsteret på innkommende data. Konkurransebegreperingsalgoritmer på alle innkommende og utgående tilkoblinger. Aktivkøsstyring AQM og eksplisitte overbelastningsvarslingsmoditets databehandlingsressurser med kapasitet til oppgradering skalerbar. Aktiv redundans for alle enkle punkter av feil. Indexasjon og optimaliserte utholdenhet strukturer i ODS. Schedule regelmessige data backup og opprydding skript for ODS. Transaction historier på alle databaser. Checksums for alle ordrer for å oppdage feil. Annotere hendelser med tidsstempler til hopp over stale hendelser. Order validering regler, f. eks maksimal handel quantities. Automated trader komponenter bruker en in-memory database for analysis. Two stadium autentisering for brukergrensesnitt kobler til ATs. Encryption på brukergrensesnitt og tilkoblinger til ATs. Observer design mønster for MVC for å administrere visninger. Ovenstående liste er bare noen få designbeslutninger jeg identifiserte under design av arkitekturen Det er ikke en komplett liste over taktikk Når systemet utvikles, bør flere taktikker brukes på flere nivåer av granularitet for å møte funksjonelle og ikke-funksjonelle krav. Nedenfor er tre diagrammer som beskriver disruptor design mønster, filter design mønster, og den kontinuerlige spørrekomponenten. Kontinuerlig Querying-komponentdiagram Disruptor designmønster klassediagramkilde Filterdesignmønster klassediagram. Opphavsrettvisning. Dette syn på en arkitektur viser hvordan komponentene og lagene skal samhandle med hverandre Dette er nyttig når du lager scenarier for testing av arkitektur design og for å forstå systemet fra ende til slutt Denne visningen består av sekvensdiagrammer og aktivitetsdiagrammer Aktivitetsdiagrammer som viser den interne prosessen for det algoritmiske handelssystemet s og hvordan handelsmenn skal interagere med det algoritmiske handelssystemet, vises nedenfor. Algoritmisk handelsvirksomhet End-to-end algoritmisk handel prosess. Technologies og rammer. Det siste trinnet i å designe en programvarearkitektur er å identifisere potensielle teknologier og rammer som kan brukes til å realisere arkitekturen. Som et generelt prinsipp er det bedre å utnytte eksisterende teknologier, forutsatt at de tilfredsstillende tilfredsstiller både funksjonelle og ikke-funksjonelle krav Et rammeverk er en realisert referansearkitektur, for eksempel JBoss er et rammeverk som realiserer JEE-referansearkitekturen. Følgende teknologier og rammer er interessante og bør vurderes ved implementering av et algoritmisk handelssystem. CUDA - NVidia har en rekke produkter som støtter høy ytelse beregningsmessig finansiering modellering En kan oppnå opptil 50x ytelse forbedringer i å kjøre Monte Carlo simuleringer på GPU i stedet for CPU. Apache River - River er et verktøy-sett som brukes til å utvikle distribuerte systemer. Det har blitt brukt som et rammeverk for å bygge applikasjonsbaserte på SBA-mønsteret. Apache Hadoop - i e vent at den gjennomgripende logging er et krav, da har bruken av Hadoop en interessant løsning på det store dataproblemet Hadoop kan distribueres i et klynget miljø som støtter CUDA technologies. AlgoTrader - en algoritmisk handelsplatform med åpen kildekode AlgoTrader kan potensielt bli distribuert i stedet for de automatiserte handelsdeler. FIX Engine - en frittstående applikasjon som støtter Financial Information Exchange FIX-protokollene, inkludert FIX, FAST og FIXatdl. Selv om det ikke er en teknologi eller et rammeverk, bør komponenter bygges med et programmeringsgrensesnitt API for å forbedre interoperabiliteten av systemet og dets komponenter. Den foreslåtte arkitekturen er utformet for å tilfredsstille meget generiske krav som er identifisert for algoritmiske handelssystemer. Generelt sett er algoritmiske handelssystemer komplisert av tre faktorer som varierer med hver implementering. Forhold på eksterne virksomhets - og utvekslingssystemer. Utløpende ikke-funksjonelle krav and. Ev olving arkitektoniske begrensninger. Den foreslåtte programvarearkitekturen vil derfor måtte tilpasses fra tilfelle til sak for å tilfredsstille spesifikke organisatoriske og regulatoriske krav, samt å overvinne regionale begrensninger. Den algoritmiske handelssystemarkitekturen bør ses som bare en referansepunkt for enkeltpersoner og organisasjoner som ønsker å designe sine egne algoritmiske handelssystemer. For en full kopi og kilder som brukes, vennligst last ned en kopi av min rapport takk. Fordeler og ulemper ved automatiserte handelssystemer. Tradere og investorer kan slå nøyaktig innstigningsutgang og pengehåndteringsregler i automatiserte handelssystemer som tillater datamaskiner å utføre og overvåke handelen En av de største attraksjonene i strategiautomatisering er at det kan ta noen av følelsene ut av handel siden handler blir automatisk plassert når visse kriterier er oppfylt. Denne artikkelen vil introdusere leserne til og forklare noen av fordelene og ulempene, så vel som den virkelige Det er automatiserte handelssystemer. For relatert lesing, se Power of Program Trades. Hva er et automatisert handelssystem Automatiserte handelssystemer, også referert til som mekaniske handelssystemer, algoritmisk trading automatisert handel eller systemhandel, tillater handelsmenn å etablere bestemte regler for både handelsoppføringer og utganger som, når de er programmert, automatisk kan utføres via en datamaskin. Handelsregistrerings - og utgangsreglene kan baseres på enkle forhold som et bevegelige gjennomsnittsoverskridelse eller kan være kompliserte strategier som krever en omfattende forståelse av programmeringsspråkspesifikke til brukerens handelsplattform eller kompetansen til en kvalifisert programmør Automatiserte handelssystemer krever vanligvis bruk av programvare som er knyttet til en direkte tilgangsmegler, og eventuelle spesifikke regler må skrives på det plattformens proprietære språk. TradeStation-plattformen, for eksempel , bruker EasyLanguage programmeringsspråket NinjaTrader-plattformen, på den annen side, bruker ninjaScript-programmeringsspråket Figur 1 viser et eksempel på en automatisert strategi som utløste tre handler under en handelssession. For relatert lesing, se Global Trade and the Currency Market. Figur 1 En fem-minutters diagram av ES-kontrakten med en automatisk strategi anvendt . Noen handelsplattformer har strategibyggende veivisere som gjør at brukere kan velge fra en liste over allment tilgjengelige tekniske indikatorer for å bygge et sett av regler som automatisk kan omsettes. Brukeren kan for eksempel fastslå at en lang handel vil bli inngått en gang 50-dagers glidende gjennomsnitt krysser over 200-dagers glidende gjennomsnitt på et fem-minutters diagram av et bestemt handelsinstrument. Brukere kan også legge inn ordrenes markedstype eller begrense, for eksempel og når handelen vil bli utløst for eksempel ved Lukk stangen eller åpne den neste linjen, eller bruk standardinngangene til plattformen. Mange forhandlere velger imidlertid å programmere egne tilpassede indikatorer og strategier eller wo rk tett med en programmerer for å utvikle systemet Mens dette vanligvis krever mer innsats enn å bruke plattformens veiviser, gir det en mye større grad av fleksibilitet og resultatene kan være mer givende. Dessverre er det ingen perfekt investeringsstrategi som vil garantere suksess For mer, se Bruke tekniske indikatorer for å utvikle handelsstrategier. Når reglene er opprettet, kan datamaskinen overvåke markedene for å finne kjøp eller salg av muligheter basert på handelsstrategispesifikasjonene. I henhold til de spesifikke reglene, så snart en handel er inngått, Eventuelle ordrer for beskyttelsesstopptap stoppstopp og fortjenestemål vil automatisk bli generert. I rasktflyttende markeder kan denne øyeblikkelige ordreinngangen bety forskjellen mellom et lite tap og et katastrofalt tap i tilfelle handelen beveger seg mot næringsdrivende. Systemer Det er en lang liste over fordeler ved å ha en dataskjerm for markedene for trading opportunitie s og utføre handler, inkludert. Minimere følelser Automatiserte handelssystemer minimerer følelser gjennom handelsprosessen Ved å holde følelser i sjakk, har handlende vanligvis en lettere tid som holder seg til planen. Siden handelsordrer utføres automatisk når handelsreglene er oppfylt, handler handelsmenn vil ikke være i stand til å nøle eller stille spørsmål til handelen. I tillegg til å hjelpe handelsmenn som er redd for å trekke avtrekkeren, kan automatisert handel dempe de som er tilbøyelige til å overstyrke kjøp og salg ved enhver oppfattet mulighet. Evnen til Backtest Backtesting gjelder handelsregler til historisk markedsdata for å bestemme ideens levedykt Når du designer et system for automatisert handel, må alle regler være absolutte, uten rom for tolkning, datamaskinen kan ikke gjette. Det må fortelles nøyaktig hva du skal gjøre. Traders kan ta disse presise settene med regler og test dem på historiske data før du risikerer penger i live trading. Nøyaktig backtesting tillater handelsmenn å evaluere og finjustere en handelsidee og for å fastslå systemets forventning er det gjennomsnittlige beløpet som en næringsdrivende kan forvente å vinne eller miste per risikoenhet. Vi tilbyr noen tips om denne prosessen som kan hjelpe til med å reflektere dine nåværende handelsstrategier. For mer, se Backtesting Fortolkning av fortiden. Oppbevar disiplin Fordi handelsregler er etablert og handel utføres automatisk, opprettholdes disiplin selv i volatile markeder. Dissiplin går ofte tapt på grunn av følelsesmessige faktorer som frykt for å miste tap, eller ønsket om å eke ut litt mer fortjeneste fra en handel Automatisert handel bidrar til å sikre at disiplinen opprettholdes fordi handelsplanen vil bli fulgt nøyaktig I tillegg blir pilotfeil minimert, og en ordre til å kjøpe 100 aksjer vil ikke bli feil innført som en ordre om å selge 1000 aksjer. Oppnå konsistens En av de største utfordringene i handel er å planlegge handel og handle planen. Selv om en handelsplan har potensial til å være lønnsomt, vil handelsmenn som ignorerer reglene forandrer enhver forventning systemet ville ha hatt Det er ikke slikt som en handelsplan som vinner 100 av tiden tap er en del av spillet Men tap kan være psykologisk traumatiserende, så en næringsdrivende som har to eller tre tapende handler på rad kan beslutte å hoppe over neste handel. Hvis denne neste handelen ville vært en vinner, har handelsmannen allerede ødelagt enhver forventning systemet hadde. Automatiserte handelssystemer tillater handelsmenn å oppnå konsistens ved å handle planen. Det er umulig å unngå katastrofe uten handel regler For mer, se 10 trinn for å bygge en vinnende handelsplan. Forbedret bestillingsinngangshastighet Siden datamaskiner reagerer umiddelbart på endrede markedsforhold, kan automatiserte systemer generere bestillinger så snart handelskriterier er oppfylt. Få inn eller ut av handel noen sekunder tidligere kan gjøre stor forskjell i handelsresultatet Så snart en stilling er oppgitt, genereres alle andre ordrer automatisk, inkludert beskyttende stopp og tap ofit mål Markeder kan bevege seg raskt og det er demoraliserende å få en handel å nå fortjenesten målet eller blåse forbi et stopp tap nivå før ordrene kan til og med bli inngått Et automatisert handelssystem forhindrer at dette skjer. Diversify Trading Automatiserte handelssystemer tillater brukeren å handle flere kontoer eller ulike strategier på en gang Dette har potensial til å spre risiko over ulike instrumenter, samtidig som man skaper en sikring mot å miste posisjoner. Det ville være utrolig utfordrende for et menneske å oppnå, utføres effektivt av en datamaskin i løpet av millisekunder. Datamaskinen er i stand til å skanne etter handelsmuligheter på en rekke markeder, generere ordrer og overvåke handler. Ulemper og realiteter i automatiserte handelssystemer Automatiserte handelssystemer skryter mange fordeler, men det er noen downfalls av og realties som handelsmenn bør være oppmerksomme på. Mekaniske feil Teorien bak automatisert handel gjør det til å virke enkelt å sette opp programvaren, programmere regler og se det handelen I virkeligheten er automatisert handel imidlertid en sofistikert handelsmetode, men ikke ufeilbarlig. Avhengig av handelsplattformen kan en handelsordre oppholde seg på en datamaskin og ikke en server. Det betyr at hvis en Internett-tilkobling er tapt, en ordre kan ikke sendes til markedet Det kan også være en uoverensstemmelse mellom de teoretiske handler som genereres av strategien og ordreinngangsplattformskomponenten som gjør dem til virkelige handler. De fleste handelsfolk bør forvente en læringskurve når de bruker automatiserte handelssystemer, og det er generelt en god ide å starte med små handel størrelser mens prosessen er raffinert. Overvåking Selv om det ville være flott å slå på datamaskinen og gå for dagen, krever automatiserte handelssystemer overvåking dette skyldes gjør potensialet for mekanisk feil, for eksempel tilkoblingsproblemer, strømbrudd eller dataskrasj, og systemkrev Det er mulig for et automatisert handelssystem å oppleve anomalier som c Dette resulterer i feilordrer, manglende ordre eller dupliserte ordrer. Hvis systemet overvåkes, kan disse hendelsene identifiseres og løses raskt. Overoptimalisering Selv om det ikke er spesifikt for automatiserte handelssystemer, kan handelsfolk som bruker backtesting teknikker skape systemer som ser bra ut på papir og virke fryktelig i et levende marked Overoptimalisering refererer til overdreven kurvefitting som gir en handelsplan som er upålitelig i live trading. Det er for eksempel mulig å finjustere en strategi for å oppnå eksepsjonelle resultater på de historiske dataene som den ble testet Traders tar for eksempel feilaktig ut at en handelsplan burde ha nær 100 lønnsomme handler, eller bør aldri oppleve en drawdown som en levedyktig plan. Som sådan kan parametere justeres for å skape en nesten perfekt plan som helt feiler så snart den blir brukt til et levende marked Denne overoptimaliseringen skaper systemer som ser bra ut på papir. For mer, se Backtesting og Forward Testing. Viktigheten av Correlation. Server-Based Automation Traders har muligheten til å kjøre sine automatiserte handelssystemer via en serverbasert handelsplattform som Strategy Runner. Disse plattformene tilbyr ofte kommersielle strategier for salg, en veiviser slik at forhandlere kan designe sine egne systemer eller evnen å være vert for eksisterende systemer på den serverbaserte plattformen For et gebyr kan det automatiserte handelssystemet skanne etter, utføre og overvåke handler med alle bestillinger som ligger på serveren, noe som resulterer i potensielt raskere og mer pålitelige ordreoppføringer. Konklusjon Selv om en ppealing for en En rekke faktorer, automatiserte handelssystemer bør ikke betraktes som en erstatning for omhyggelig utført handel. Mekaniske feil kan oppstå, og som sådan krever disse systemene. Serverbaserte plattformer kan gi en løsning for handelsfolk som ønsker å minimere risikoen for mekaniske feil. relatert lesing, se Day Trading Strategies For Beginners. Den maksimale mengden penger som USA kan låne Th e gjeldstak ble opprettet under Second Liberty Bond Act. Renten som en depotinstitusjon låner midler til i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhet eller markedsindeks. Volatilitet kan enten måles. En handling vedtok den amerikanske kongressen i 1933 som bankloven, som forbød kommersielle banker fra å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger og nonprofit sektor Den amerikanske arbeidsstyrken. valuta forkortelse eller valutasymbol for den indiske rupi INR, valutaen til India Rupee består av 1.Best Programming Language for Algorithmic Trading Systems. One av de hyppigste spørsmålene jeg mottar i QS mailbag er Hva er det beste programmeringsspråket for algoritmisk handel Det korte svaret er at det ikke er noe beste språk Strategi parametere, ytelse, modularitet, utvikling, resiliency og co St må alle vurderes Denne artikkelen vil skissere de nødvendige komponentene i en algoritmisk handelssystemarkitektur og hvordan beslutninger om implementering påvirker valg av språk. Først vil hovedkomponentene i et algoritmisk handelssystem bli vurdert, som for eksempel forskningsverktøy, portefølje optimiserer, risikostyring og utførelsesmotor Etterpå vil ulike handelsstrategier undersøkes og hvordan de påvirker systemets utforming. Spesielt vil hyppigheten av handel og det sannsynlige handelsvolumet bli diskutert. Når handelsstrategien er valgt, er det nødvendig for arkitekt hele systemet Dette inkluderer valg av maskinvare, operativsystem s og systemresistens mot sjeldne, potensielt katastrofale hendelser. Mens arkitekturen vurderes, må det tas hensyn til ytelse - både til forskningsverktøyene og til live utførelsesmiljø. Hva er handelssystemet som prøver å gjøre. Før du bestemmer deg for det beste la nguage som å skrive et automatisert handelssystem er det nødvendig å definere kravene Er systemet skal være rent utførelsesbasert Vil systemet kreve en risikostyring eller porteføljekonstruksjonsmodul Vil systemet kreve en høy ytelse backtester For de fleste strategier handler trading Systemet kan deles inn i to kategorier Forskning og signalgenerering. Forskning er opptatt av evaluering av en strategisk ytelse over historiske data Prosessen med å evaluere en handelsstrategi over tidligere markedsdata kalles backtesting. Datastørrelsen og algoritmisk kompleksitet vil ha stor innvirkning på beregningsintensiteten til backtesteren CPU-hastighet og samtidighet er ofte begrensende faktorer for optimalisering av utførelseshastigheten for forskning. Signalgenerering er opptatt av å generere et sett med handelssignaler fra en algoritme og sende slike ordrer til markedet, vanligvis via en megling For visse strategier et høyt nivå av ytelse er nødvendig IO utgaver su ch som nettverksbåndbredde og latens er ofte den begrensende faktoren for optimalisering av utførelsessystemer. Valg av språk for hver komponent i hele systemet kan derfor være ganske forskjellig. Type, frekvens og volum av strategi. Den anvendte algoritmiske strategien vil ha en betydelig innvirkning på systemets utforming Det vil være nødvendig å vurdere markedene som handles, tilkoblingen til eksterne dataleverandører, frekvensen og volumet av strategien, avstanden mellom enkel utvikling og ytelsesoptimalisering, samt eventuelle bruksområder maskinvare, inkludert samlokaliserte egendefinerte servere, GPUer eller FPGAer som måtte være nødvendige. Teknologifallene for en lavfrekvens amerikansk aksjestrategi vil være vesentlig forskjellig fra en høyfrekvent statistisk arbitrage-strategi handel på futures markedet. Før valg av språk mange data leverandører må vurderes som angår en strategi på hånden. det vil være nødvendig å vurdere tilkobling til vendo r, struktur av eventuelle APIer, dataoppdatering, lagringskrav og fleksibilitet i møte med en leverandør som går frakoblet. Det er også lurt å ha rask tilgang til flere leverandører. Ulike instrumenter har alle sine egne lagringsfunksjoner, eksempler på hvilke inkluderer flere ticker symboler for aksjer og utløpsdatoer for futures, for ikke å nevne noen spesifikke OTC-data. Dette må innarbeides i plattformen. Frekvensen av strategien er sannsynligvis en av de største driverne for hvordan teknologibakken vil bli definert. Strategier som bruker data mer ofte enn små eller andre barer krever betydelig vurdering med hensyn til ytelse. En strategi som overstiger andre bokstaver, dvs. tick-data fører til en ytelsesdrevet design som det primære kravet. For høyfrekvente strategier må en betydelig mengde markedsdata lagres og evalueres Programvare slik som HDF5 eller kdb, brukes ofte for disse rollene. For å behandle de omfattende volumene av data nee dedikert til HFT-applikasjoner, en omfattende optimalisert backtester og kjøresystem må brukes CC muligens med noen assembler er sannsynligvis den sterkeste språkkandidaten Ultrahøyfrekvensstrategier vil nesten absolutt kreve tilpasset maskinvare som FPGA, bytte samlokalisering og kernal nettverksgrensesnitt tuning. Research Systems. Research Systems. Research Systems involverer vanligvis en blanding av interaktiv utvikling og automatisert skripting. Den tidligere finner ofte sted innenfor en IDE som Visual Studio, MatLab eller R Studio. Sistnevnte innebærer omfattende numeriske beregninger over mange parametere og datapunkter. Dette fører til en språkvalg som gir et rettferdig miljø for å teste koden, men gir også tilstrekkelig ytelse til å evaluere strategier over flere parameter dimensjoner. Typiske IDEer i dette rommet inkluderer Microsoft Visual CC, som inneholder omfattende feilsøkingsverktøy, kode ferdigstillingsfunksjoner via Intellisense og enkle oversikt over hele proj ect stablet via databasen ORM, LINQ MatLab som er designet for omfattende numerisk lineær algebra og vektoriserte operasjoner, men på en interaktiv konsol måte R Studio som bryter R statistiske språkkonsollen i en fullverdig IDE Eclipse IDE for Linux Java og C og semi-proprietære IDEer som Enthought Canopy for Python, som inkluderer databehandlingsbiblioteker som NumPy SciPy scikit-lær og pandas i et enkelt interaktivt konsollmiljø. For numerisk backtesting er alle ovennevnte språk egnet, selv om det ikke er nødvendig å bruk en GUI IDE som koden vil bli utført i bakgrunnen. Hovedspørsmålet på dette stadiet er det med eksekveringshastigheten. Et kompilert språk som C er ofte nyttig dersom parameterene for backtesting parameter er store. Husk at det er nødvendig å være forsiktig med slike systemer hvis det er tilfelle. Interpreterte språk som Python bruker ofte høypresterende biblioteker som NumPy pandas for backtesting-trinnet, for å opprettholde en rimelig grad av konkurranseevne med kompilerte ekvivalenter. Endelig vil språket som er valgt for backtesting, bestemmes av spesifikke algoritmiske behov, så vel som omfanget av biblioteker tilgjengelig på språket mer på det under. Språket som brukes til backtesteren og Forskningsmiljøer kan være helt uavhengige av de som brukes i porteføljekonstruksjon, risikostyring og utførelseskomponenter, slik det vil bli sett. Porteføljeoppbygging og risikostyring. Porteføljebygging og risikostyringskomponenter blir ofte oversett av detaljhandelsalgoritmiske forhandlere. Dette er nesten alltid en feil Disse verktøyene gir mekanismen som kapital vil bli bevart. De prøver ikke bare å lette antall risikable spill, men også minimere kvelning av handelen selv, og redusere transaksjonskostnadene. Avanserte versjoner av disse komponentene kan ha en betydelig effekt på kvaliteten og konsistens av lønnsomhet Det er rett menighet for å skape en stabil strategi som porteføljesbyggingsmekanismen og risikostyringen lett kan endres for å håndtere flere systemer. Derfor bør de betraktes som viktige komponenter ved inngangen til utformingen av et algoritmisk handelssystem. å ta et sett av ønskede bransjer og produsere settet av faktiske bransjer som minimerer klyngen, opprettholde eksponeringer mot ulike faktorer som sektorer, aktivaklasser, volatilitet etc. og optimaliser allokering av kapital til ulike strategier i en portefølje. Porteføljebygging reduserer ofte til et lineært algebra problem som en matrisefaktorisering og dermed ytelsen er høyt avhengig av effektiviteten av den numeriske lineære algebra implementeringen tilgjengelig. Felles biblioteker inkluderer uBLAS LAPACK og NAG for C MatLab har også omfattende optimaliserte matriseprosesser. Python benytter NumPy SciPy for slike beregninger. En ofte rebalanced portefølje vil kreve en kompilert og godt optimalisert matrisebibliotek for å bære dette trinnet for ikke å flaskehals handelssystemet. Risikostyring er en annen ekstremt viktig del av et algoritmisk handelssystem Risiko kan komme i mange former Økt volatilitet, selv om dette kan ses som ønskelig for visse strategier, økte korrelasjoner mellom aktivaklasser, motpartsstandard, serverbrudd, svarte svanehendelser og uoppdagede feil i handelskoden, for å nevne noen. Risikostyringskomponenter forsøker og forutsier effektene av overdreven volatilitet og korrelasjon mellom aktivaklasser og deres påfølgende effekt s på trading kapital Ofte dette reduserer til et sett med statistiske beregninger som Monte Carlo stresstester Dette er svært lik de beregningsmessige behovene til en derivat prissetting motor og som sådan vil være CPU-bundet Disse simulasjonene er svært parallelliserbare se nedenfor, og til I en viss grad er det mulig å kaste maskinvare på problemet. Ekspedisjonssystemer. Jobben av kjøringssystemet er å motta filtrerte handelssignaler fra porteføljekonstruksjon og risikostyringskomponenter og sende dem videre til en megling eller annen form for markedsadgang. For de fleste detaljhandelsalgoritmiske handelsstrategier innebærer dette en API eller FIX-forbindelse til en megling som Interactive Brokers The primære hensyn når du bestemmer deg for et språk inkluderer kvalitet på API, språkpakker tilgjengelighet for en API, eksekveringsfrekvens og forventet slippage. Kvaliteten på API-en refererer til hvor godt dokumentert det er, hvilken type ytelse det gir, enten det er needs standalone software to be accessed or whether a gateway can be established in a headless fashion ie 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 de signed 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 sys tem 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 subse quent 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 te xtbooks, 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 th eir 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 lat ency and orders processed exchange systems internal latency. For higher frequency operations it is necessary to become intimately familiar with kernal optimisation as well as optimisation of network transmission This is a deep area and is significantly beyond the scope of the article but if an UHFT algorithm is desired then be aware of the depth of knowledge required. Caching is very useful in the toolkit of a quantitative trading developer Caching refers to the concept of storing frequently accessed data in a manner which allows higher-performance access, at the expense of potential staleness of the data A common use case occurs in web development when taking data from a disk-backed relational database and putting it into memory Any subsequent requests for the data do not have to hit the database and so performance gains can be significant. For trading situations caching can be extremely beneficial For instance, the current state of a strategy portfolio can be stored in a cache until it is rebalanced, such that the list doesn t need to be regenerated upon each loop of the trading algorithm Such regeneration is likely to be a high CPU or disk I O operation. However, caching is not without its own issues Regeneration of cache data all at once, due to the volatilie nature of cache storage, can place significant demand on infrastructure Another issue is dog-piling where multiple generations of a new cache copy are carried out under extremely high load, which leads to cascade failure. Dynamic memory allocation is an expensive operation in software execution Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow Newer language standards such as Java, C and Python all perform automatic garbage collection which refers to deallocation of dynamically allocated memory when objects go out of scope. Garbage collection is extremely useful during development as it reduces errors and aids reada bility However, it is often sub-optimal for certain high frequency trading strategies Custom garbage collection is often desired for these cases In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesn t provide a native garbage collector and so it is necessary to handle all memory allocation deallocation as part of an object s implementation While potentially error prone potentially leading to dangling pointers it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case. Many operations in algorithmic trading systems are amenable to parallelisation This refers to the concept of carrying out multiple programmatic operations at the same time, i e in parallel So-called embarassingly parallel algorithms incl ude steps that can be computed fully independently of other steps Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths. Other algorithms are only partially parallelisable Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential Parallelisable algorithms are subject to Amdahl s Law which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to N separate processes e g on a CPU core or thread. Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations The rise of consumer graphics ha rdware predominently for video games has lead to the development of Graphical Processing Units GPUs , which contain hundreds of cores for highly concurrent operations Such GPUs are now very affordable High-level frameworks, such as Nvidia s CUDA have lead to widespread adoption in academia and finance. Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware including Field-Programmable Gate Arrays - FPGAs are used for U HFT Nowadays, most modern langauges support a degree of concurrency multithreading Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation In algorithmic trading a strategy is able to scale if it can accept larger quantities of capit al 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 m eans 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 perso nal 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 red undancy 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 multi ple 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 t rading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point. Debugging is an essential component in the toolbox for analysing programming errors However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements Despite this tendency Python does ship with the pdb which is a sophisticated debugging tool The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should A more recent paradigm is known as Test Driven Development TDD , where test code is developed against a specified interface with no implementation Prior to the completion of the actual codebase all tests will fail As code is written to fill in the blanks , the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully In C , Boost provides a unit testing framework In Java, the JUnit library exists to fulfill the same purpose Python also has the unittest module as part of the standard library Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database Logs are a first line of attack when hunting for unexpected program runtime behaviour Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now All aspects of the system should be considered for monitoring System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices volume, sudden rapid drawdowns and account exposure for different sectors markets should also be continuously monitored Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method email, SMS, automated phone call depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager However, as a sole trading developer, these metrics must be established as part of the larger design Many solutions for monitoring exist proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system Consider the following two questions 1 If an entire production database of market data and trading history was deleted without backups how would the research and execution algorithm be affected 2 If the trading system suffers an outage for an extended period with open positions how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering. It is imperative to put in place a system for backing up data and also for testing the restoration of such data Many individuals do not test a restore strategy If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment. Similarly, high availability needs to be baked in from the start Redundant infrastructure even at additional expense must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems I won t delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language. Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system The next stage is to discuss how programming languages are generally categorised. Type Systems. When choosing a language for a trading stack it is necessary to consider the type system The languages which are of interest for algorithmic trading are either statically - or dynamically-typed A statically-typed language performs checks of the types 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 highl y numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors However, type-checking doesn t catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations Dynamic languages i e those that are dynamically-typed can often lead to run-time errors that would otherwise be caught with a compilation-time type-check For this reason, the concept of TDD see above and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type and thus memory requirements are known at compile-time In fact, part of the inefficiency of many dynamically-typed languages stems from t he 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 t he 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 la cks 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, princip ally 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 soft ware 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 n etwork programming, operating system interaction, GUIs, regular expressions regex , iteration and basic algorithms. C is famed for its Standard Template Library STL which contains a wealth of high performance data structures and algorithms for free Python is known for being able to communicate with nearly any other type of system protocol especially the web , mostly through its own standard library R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code which can be found in portfolio optimisation and derivatives pricing, for instance. Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C 11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy SciPy Pandas data analysis library combinati on, which has gained widespread acceptance for algorithmic trading research Further, high-performance plugins exist for access to the main relational databases, such as MySQL MySQL C , JDBC Java MatLab , MySQLdb MySQL Python and psychopg2 PostgreSQL Python Python can even communicate with R via the RPy plugin. An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs In particular, Interactive Brokers can be connected to via the IBPy plugin If high-performance is required, brokerages will support the FIX protocol. As is now evident, the choice of programming language s for an algorithmic trading system is not straightforward and requires deep thought The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, mai ntenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading.