Beste programmeringsspråk for algoritmiske handelssystemer Et av de vanligste spørsmålene jeg mottar i QS-postbag er Hva er det beste programmeringsspråket for algoritmisk handel. Det korte svaret er at det ikke er noe beste språk. Strategiparametere, ytelse, modularitet, utvikling, fleksibilitet og kostnad må alle vurderes. Denne artikkelen vil skissere de nødvendige komponentene i en algoritmisk handelssystemarkitektur og hvordan beslutninger om implementering påvirker valg av språk. For det første vil hovedkomponentene i et algoritmisk handelssystem bli vurdert, for eksempel forskningsverktøy, porteføljeoptimerer, risikostyring og utførelsesmotor. Deretter undersøkes ulike handelsstrategier og hvordan de påvirker systemets utforming. Spesielt vil hyppigheten av handel og det sannsynlige handelsvolumet bli diskutert. Når handelsstrategien er valgt, er det nødvendig å arkivere hele systemet. Dette inkluderer valg av maskinvare, operativsystem og systemresistens mot sjeldne, potensielt katastrofale hendelser. Mens arkitekturen vurderes, må det tas hensyn til ytelse - både til forskningsverktøyene og i live-utførelsesmiljøet. Hva er Trading Systemet som prøver å gjøre Før du bestemmer deg for det beste språket som du skal skrive et automatisert handelssystem, er det nødvendig å definere kravene. Skal systemet være rent utførelsesbasert Vil systemet kreve en risikostyring eller porteføljekonstruksjonsmodul Vil systemet kreve en høy ytelse backtester For de fleste strategier kan handelssystemet 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 eksekveringshastigheten for forskning. Signalgenerering er opptatt av å generere et sett av handelssignaler fra en algoritme og sende slike ordrer til markedet, vanligvis via en megling. For visse strategier er et høyt ytelsesnivå nødvendig. IO-problemer som nettverksbåndbredde og latens er ofte begrensende for optimalisering av kjøringssystemer. Dermed kan valg av språk for hver komponent i hele systemet være ganske annerledes. Type, frekvens og volum av strategi Typen av anvendt algoritmisk strategi 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 hvilken som helst tilpasset maskinvare, inkludert samlokalisert tilpasset servere, GPUer eller FPGAer som kan være nødvendige. Teknologifunksjonene for en lavfrekvent amerikansk aksjestrategi vil være vesentlig forskjellig fra en høyfrekvent statistisk arbitragestrategi handel på futures markedet. Før valg av språk må mange dataleverandører evalueres som angår en strategi for hånden. Det vil være nødvendig å vurdere tilkobling til leverandøren, strukturen til eventuelle APIer, aktualitet av dataene, lagringskrav og resiliency i møte med en leverandør som går offline. Det er også lurt å ha rask tilgang til flere leverandører. Ulike instrumenter har alle sine egne lagringsbehov, hvor eksempler inkluderer flere tickersymboler for aksjer og utløpsdatoer for futures (for ikke å nevne noen spesifikke OTC-data). Dette må legges inn i plattformen. Frekvensen av strategien er sannsynligvis en av de største driverne for hvordan teknologibakken skal defineres. Strategier som bruker data hyppigere enn små eller andre barer krever betydelig vurdering med hensyn til ytelse. En strategi som overskrider andre streker (dvs. kryssdata) fører til en ytelsesdrevet design som det primære kravet. For høyfrekvente strategier må en betydelig mengde markedsdata lagres og evalueres. Programvare som HDF5 eller kdb brukes ofte til disse rollene. For å behandle de omfattende datamengder som er nødvendig for HFT-applikasjoner, må en omfattende optimalisert backtester og kjøresystem brukes. CC (muligens med noen assembler) er sannsynligvis den sterkeste språkkandidaten. Ultra-høyfrekvente strategier vil nesten absolutt kreve tilpasset maskinvare som FPGAer, bytte samlokalisering og kjerne nettverksgrensesnittinnstilling. Forskningssystemer Forskningssystemer involverer vanligvis en blanding av interaktiv utvikling og automatisert skripting. Den førstnevnte foregår ofte innenfor en IDE som Visual Studio, MatLab eller R Studio. Sistnevnte innebærer omfattende numeriske beregninger over mange parametere og datapunkter. Dette fører til et språkvalg som gir et rettferdig miljø for å teste koden, men gir også tilstrekkelig ytelse til å evaluere strategier over flere parameterdimensjoner. Typiske IDEer i dette rommet inkluderer Microsoft Visual CC, som inneholder omfattende feilsøkingsverktøy, kodefyllingsfunksjoner (via Intellisense) og enkle oversikter over hele prosjektstakken (via databasen ORM, LINQ) MatLab. som er designet for omfattende numerisk lineær algebra og vektoriserte operasjoner, men på en interaktiv konsoll måte R Studio. som bryter R statistisk språkkonsoll 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 (konsoll) miljø. For numerisk backtesting er alle ovennevnte språk egnet, selv om det ikke er nødvendig å bruke en GUIDE som koden vil bli utført i bakgrunnen. Den primære hensynet på dette stadiet er det av kjøringshastigheten. Et kompilert språk (for eksempel C) er ofte nyttig hvis dimensjonene for backtesting parameter er store. Husk at det er nødvendig å være forsiktig med slike systemer hvis det er tilfelle Tolkede språk som Python bruker ofte høypresterende biblioteker som NumPypandas for backtesting-trinnet, for å opprettholde en rimelig grad av konkurranseevne med kompilerte ekvivalenter. Til slutt vil språket som er valgt for backtesting, bestemmes av spesifikke algoritmiske behov, så vel som omfanget av biblioteker tilgjengelig på språket (mer på det nedenfor). Språket som brukes til backtester og forskningsmiljøer kan imidlertid være helt uavhengig av de som brukes i porteføljekonstruksjon, risikostyring og utførelseskomponenter, slik det vil bli sett. Portefølje - 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 forsøker ikke bare å lette antallet risikobete, men reduserer også transaksjonen av handelen selv, og reduserer transaksjonskostnadene. Sofistikerte versjoner av disse komponentene kan ha en betydelig innvirkning på kvaliteten og konsistensen av lønnsomheten. Det er rett og slett å skape en stabil strategi, da porteføljekonstruksjonsmekanismen og risikostyringen lett kan endres for å håndtere flere systemer. Dermed bør de betraktes som essensielle komponenter ved inngangen til utformingen av et algoritmisk handelssystem. Arbeidet med porteføljesammensetningssystemet er å ta et sett av ønskede bransjer og produsere settet av faktiske handler som minimerer kvelning, opprettholder eksponeringer mot ulike faktorer (som sektorer, aktivaklasser, volatilitet etc.) og optimaliserer kapitalallokering til ulike strategier i en portefølje. Porteføljekonstruksjon reduseres ofte til et lineært algebraproblem (for eksempel en matrisefaktorisering) og dermed er ytelsen svært avhengig av effektiviteten av den numeriske lineære algebraimplementasjonen som er tilgjengelig. Vanlige biblioteker inkluderer uBLAS. LAPACK og NAG for C. MatLab har også omfattende optimaliserte matriksoperasjoner. Python benytter NumPySciPy for slike beregninger. En ofte gjenbalansert portefølje vil kreve et 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 sees som ønskelig for visse strategier), økte korrelasjoner mellom aktivaklasser, motpartsstandard, serveravbrudd, svarte svanehendelser og uoppdagede feil i handelskoden, for å nevne en få. Risikostyringskomponenter forsøker å forutse virkningene av overdreven volatilitet og korrelasjon mellom aktivaklasser og deres påfølgende effekt (er) på handelskapital. Dette reduserer ofte til et sett med statistiske beregninger som Monte Carlo stresstester. Dette ligner veldig på beregningsbehovene til en derivatprisemotor og vil som sådan være CPU-bundet. Disse simulasjonene er svært parallelliserbare (se nedenfor), og i en viss grad er det mulig å kaste maskinvare på problemet. Utførelsessystemer Arbeidet med utførelsessystemet er å motta filtrerte handelssignaler fra porteføljekonstruksjon og risikostyringskomponenter og sende dem videre til megling eller annen markedsadgang. For de fleste detaljhandelsalgoritmiske handelsstrategier innebærer dette en API eller FIX-tilkobling til en megling som Interactive Brokers. De primære hensynene når du bestemmer deg for et språk, inkluderer kvalitet på API, tilgjengelighet for språkpakker for en API, eksekveringsfrekvens og forventet slipping. Kvaliteten på API-en refererer til hvor godt dokumentert det er, hvilken type ytelse det gir, om det er behov for frittstående programvare som skal nås, eller om en gateway kan etableres på en hodeløs måte (dvs. ingen GUI). Når det gjelder Interactive Brokers, må Trader WorkStation-verktøyet kjøres i et GUI-miljø for å få tilgang til API-en. Jeg måtte en gang installere en Desktop Ubuntu-utgave på en Amazon Cloud-server for å få tilgang til Interactive Brokers eksternt, bare av den grunn. De fleste APIer vil gi et C andor Java-grensesnitt. Det er vanligvis opp til samfunnet å utvikle språkspesifikke wrappers for C, Python, R, Excel og MatLab. Merk at med hver ekstra plugin brukt (spesielt API wrappers) er det mulig for bugs å krype inn i systemet. Test alltid plugins av denne typen, og sørg for at de holdes aktivt. Et verdifullt mål er å se hvor mange nye oppdateringer til en kodebase har blitt gjort i de siste månedene. Utførelsesfrekvens er av største betydning i utførelsesalgoritmen. Legg merke til at hundrevis av ordrer kan sendes hvert minutt og som sådan er ytelsen kritisk. Slippage vil bli påført gjennom et dårlig utførelseseksemplar, og dette vil ha en dramatisk innvirkning på lønnsomheten. Statisk-typede språk (se nedenfor) som CJava er generelt optimale for utførelse, men det er et kompromiss i utviklingstid, testing og enkel vedlikehold. Dynamisk typede språk, som Python og Perl, er nå generelt raske nok. Sørg alltid for at komponentene er utformet på en modulær måte (se nedenfor) slik at de kan byttes ut når systemet skalerer. Arkitektonisk planlegging og utviklingsprosess Komponentene til et handelssystem, frekvens - og volumkrav er omtalt ovenfor, men systeminfrastruktur har ennå ikke blitt dekket. De som handler som en detaljhandler eller arbeider i et lite fond vil trolig ha på seg mange hatter. Det vil være nødvendig å dekke alfa-modellen, risikostyring og utførelsesparametere, og også den endelige implementeringen av systemet. Før du drar inn i bestemte språk, vil utformingen av en optimal systemarkitektur bli diskutert. Separasjon av bekymringer En av de viktigste beslutningene som må gjøres i begynnelsen er hvordan å skille bekymringene i et handelssystem. I programvareutvikling betyr dette i hovedsak hvordan man bryter opp de ulike aspektene av handelssystemet i separate modulære komponenter. Ved å utstede grensesnitt på hver av komponentene er det enkelt å bytte ut deler av systemet for andre versjoner som hjelper ytelse, pålitelighet eller vedlikehold uten å endre ekstern avhengighetskode. Dette er den beste praksis for slike systemer. For strategier ved lavere frekvenser anbefales slike praksiser. For ultrahøyfrekvenshandel kan regelboken ignoreres på bekostning av å tilpasse systemet for enda bedre ytelse. Et mer tett koblet system kan være ønskelig. Å lage et komponentkart av et algoritmisk handelssystem er verdt en artikkel i seg selv. En optimal tilnærming er imidlertid å sørge for at det finnes separate komponenter for de historiske og sanntidsmarkedsdatainngangene, datalagring, datatilgang API, backtester, strategiparametere, porteføljekonstruksjon, risikostyring og automatiserte eksekveringssystemer. For eksempel, hvis datalageren som brukes, for tiden er underpresterende, selv ved betydelige optimaliseringsnivåer, kan den byttes ut med minimal omskrivning til datainntaket eller datatilgangsp API. Så langt som backtesteren og de etterfølgende komponentene er det ingen forskjell. En annen fordel med separerte komponenter er at det tillater at en rekke programmeringsspråk brukes i det totale systemet. Det er ikke nødvendig å være begrenset til et enkelt språk hvis kommunikasjonsmetoden til komponentene er språkavhengig. Dette vil være tilfelle hvis de kommuniserer via TCPIP, ZeroMQ eller annen språkavhengig protokoll. Som et konkret eksempel kan du vurdere om et backtesting system skrives i C for nummerkrympende ytelse, mens porteføljeadministrator og kjøringssystemer er skrevet i Python ved hjelp av SciPy og IBPy. Prestasjonshensyn Prestasjoner er et vesentlig hensyn til de fleste handelsstrategier. For høyere frekvensstrategier er det den viktigste faktoren. Ytelse dekker et bredt spekter av problemer, for eksempel algoritmisk eksekveringshastighet, nettverksforsinkelse, båndbredde, data IO, konkurranseparallelisme og skalering. Hver av disse områdene er individuelt dekket av store lærebøker, så denne artikkelen vil bare skrape overflaten til hvert emne. Arkitektur og språkvalg vil nå bli diskutert med tanke på deres effekt på ytelse. Den rådende visdom som uttalt av Donald Knuth. en av fedrene til datavitenskap, er at for tidlig optimalisering er roten til alt ondt. Dette er nesten alltid tilfelle - unntatt når man bygger en høyfrekvent handelsalgoritme For de som er interessert i lavere frekvensstrategier, er en felles tilnærming å bygge et system på den enkleste måten og bare optimalisere etter hvert som flaskehalsene begynner å vises. Profileringsverktøy brukes til å avgjøre hvor flaskehalser oppstår. Profiler kan gjøres for alle faktorene som er oppført ovenfor, enten i et MS Windows eller Linux-miljø. Det er mange operativsystem og språkverktøy tilgjengelig for det, samt tredjepartsverktøy. Språkvalg vil nå bli diskutert i sammenheng med ytelse. C, Java, Python, R og MatLab inneholder alle høyytelsesbiblioteker (enten som en del av deres standard eller eksternt) for grunnleggende datastruktur og algoritmisk arbeid. C-skip med Standard Template Library, mens Python inneholder NumPySciPy. Vanlige matematiske oppgaver finnes i disse bibliotekene, og det er sjelden gunstig å skrive en ny implementering. Ett unntak er at høyt tilpasset maskinvarearkitektur kreves, og en algoritme gjør omfattende bruk av proprietære utvidelser (for eksempel tilpassede caches). Men ofte gjenoppfinnelse av hjulet avfall tid som kan være bedre brukt å utvikle og optimalisere andre deler av handelsinfrastrukturen. Utviklingstiden er ekstremt verdifull, spesielt i sammenheng med eneste utviklere. Latency er ofte et problem med utførelsessystemet, da forskningsverktøyene vanligvis ligger på samme maskin. For det første kan latens forekomme på flere punkter langs utførelsesbanen. Databaser må konsulteres (disknetwork latency), signaler må genereres (operativsystem, kernel messaging latency), handel signaler sendt (NIC latency) og ordre behandlet (bytte systemer interne latency). For høyere frekvensoperasjoner er det nødvendig å bli godt kjent med kernaloptimalisering, samt optimalisering av nettverksoverføring. Dette er et dypt område og er betydelig utenfor artikkelen, men hvis en UHFT-algoritme er ønsket, så vær oppmerksom på dybden av kunnskap som kreves. Caching er veldig nyttig i verktøykassen til en kvantitativ handelsutvikler. Caching refererer til konseptet om lagring av ofte tilgangsdata på en måte som tillater høyere ytelse, på bekostning av potensiell stallhet av dataene. En vanlig brukstilfelle skjer i webutvikling når du tar data fra en diskbasert relasjonsdatabase og legger den inn i minnet. Eventuelle påfølgende forespørsler om dataene behøver ikke å treffe databasen, og prestasjonsgevinstene kan derfor være vesentlige. For handelssituasjoner kan caching være svært gunstig. For eksempel kan dagens status for en strategiportefølje lagres i en cache til den er rebalansert, slik at listen ikke trenger å bli regenerert på hver krets av handelsalgoritmen. Slike regenerering er sannsynligvis en høy CPU eller disk IO-operasjon. Imidlertid er caching ikke uten sine egne problemer. Regenerering av hurtigbufferdata på en gang, på grunn av volatiliseringen av hurtiglagringsplassen, kan stille betydelig etterspørsel etter infrastruktur. Et annet problem er hundespann. hvor flere generasjoner av en ny bufferkopi utføres under ekstremt høy belastning, noe som fører til kaskadesvikt. Dynamisk minneallokering er en dyr operasjon i programvareutførelse. Derfor er det avgjørende at høyere prestasjonshandel applikasjoner skal være godt klar over hvordan minne blir tildelt og fordelt under programflyten. Nyere språkstandarder som Java, C og Python utfører automatisk automatisk søppelsamling. som refererer til deallokering av dynamisk allokert minne når objekter går utenfor omfanget. Søppelsamling er ekstremt nyttig under utvikling, da det reduserer feil og hjelpevennlighet. Det er imidlertid ofte suboptimal for visse høyfrekvente handelsstrategier. Tilpasset søppelinnsamling er ofte ønsket for disse tilfellene. I Java, for eksempel ved å stille inn søppelkollektor og haugkonfigurasjon, er det mulig å oppnå høy ytelse for HFT-strategier. C gir ikke en innfødt søppelkollektor, og det er derfor nødvendig å håndtere all minneallokering som en del av en objektgjennomføring. Mens potensielt feil utsatt (potensielt fører til dangling pointers) er det ekstremt nyttig å ha finkornet kontroll over hvordan objekter vises i bunken for visse applikasjoner. Når du velger språk, sørg for å studere hvordan søppelsamleren fungerer, og om den kan modifiseres for å optimalisere for en bestemt brukstilstand. Mange operasjoner i algoritmiske handelssystemer er egnet til parallellisering. Dette refererer til konseptet med å utføre flere programmatiske operasjoner samtidig, dvs. parallelt. Såkalte embarassingly parallelle algoritmer inkluderer trinn som kan beregnes helt uavhengig av andre trinn. Visse statistiske operasjoner, som Monte Carlo-simuleringer, er et godt eksempel på embarassingly parallelle algoritmer, da hver tilfeldig tegning og etterfølgende baneoperasjon kan beregnes uten kjennskap til andre baner. Andre algoritmer er bare delvis parallelliserbare. Fluiddynamiske simuleringer er et eksempel der domenet til beregning kan deles opp, men i siste omgang må disse domenene kommunisere med hverandre og dermed operasjonene er delvis sekvensielle. Paralleliserbare algoritmer er underlagt Amdahls Law. som gir en teoretisk øvre grense til ytelsesøkningen av en parallellisert algoritme når den er underlagt N separate prosesser (for eksempel på en CPU-kjerne eller tråd). Parallellisering har blitt stadig viktigere som et middel til optimalisering siden prosessorens klokkehastighet har stagnert, da nyere prosessorer inneholder mange kjerner som skal utføre parallelle beregninger. Stigningen av forbrukergrafikkhardware (hovedsakelig for videospill) har ført til utviklingen av grafiske prosesseringsenheter (GPUer), som inneholder hundrevis av kjerner for svært samtidige operasjoner. Slike GPUer er nå veldig rimelige. Rammer på høyt nivå, som Nvidias CUDA, har ført til utbredt adopsjon i akademia og finans. Slike GPU-maskinvare er generelt bare egnet for forskningssiden ved kvantitativ finansiering, mens andre mer spesialiserte maskinvare (inkludert Feltprogrammerbare Gate Arrays - FPGAs) brukes til (U) HFT. I dag støtter de fleste moderne langaugene en grad av samtidighet. Således er det greit å optimalisere en backtester, siden alle beregninger er generelt uavhengige av de andre. Skalering i programvare engineering og operasjoner refererer til evnen til systemet til å håndtere stadig økende belastninger i form av større forespørsler, høyere prosessorbruk og mer minneallokering. I algoritmisk handel er en strategi i stand til å skalere hvis den kan akseptere større mengder kapital og fortsatt produsere konsistent avkastning. Handelssteknologi stabelen skalerer hvis den kan tåle større handelsvolumer og økt ventetid uten flaskehalsing. Mens systemene skal være skreddersydde, er det ofte vanskelig å forutse på forhånd hvor en flaskehals vil oppstå. Rigourous logging, testing, profilering og overvåking vil bidra sterkt til å tillate et system å skalere. Språkene er ofte beskrevet som uskalelig. Dette er vanligvis et resultat av feilinformasjon, snarere enn hardt. Det er den totale teknologistakken som bør fastslås for skalerbarhet, ikke språket. Klart visse språk har større ytelse enn andre, spesielt brukstilfeller, men ett språk er aldri bedre enn en annen i alle forstand. En måte å håndtere skala på er å skille bekymringer, som nevnt ovenfor. For å ytterligere introdusere evnen til å håndtere pigger i systemet (dvs. plutselig volatilitet som utløser en flåte av handler), er det nyttig å lage en meldingskøararkitektur. Dette innebærer ganske enkelt å plassere et meldingskøesystem mellom komponenter slik at ordrer blir stablet opp hvis en bestemt komponent ikke klarer å behandle mange forespørsler. I stedet for at forespørsler går tapt, holdes de bare i en stabel til meldingen håndteres. Dette er spesielt nyttig for å sende handler til en utførelsesmotor. Hvis motoren lider under tung ventetid, vil den sikkerhetskopiere handler. En kø mellom handelssignalgeneratoren og utførelses-API-en vil lindre dette problemet på bekostning av potensiell handel slippage. En respektert åpen kildekode meldingskronemegler er RabbitMQ. Maskinvare og operativsystemer Maskinvaren som kjører strategien din, kan få betydelig innvirkning på lønnsomheten til algoritmen din. Dette er ikke et problem begrenset til høyfrekvente handelsmenn heller. Et dårlig valg i maskinvare og operativsystem kan føre til maskinkrasj eller omstart i det mest uopprettelige øyeblikket. Derfor er det nødvendig å vurdere hvor søknaden din vil bli bosatt. Valget er vanligvis mellom en personlig stasjonær maskin, en ekstern server, en skyleverandør eller en utvekslingssamlokalisert server. Stasjonære maskiner er enkle å installere og administrere, spesielt med nyere brukervennlige operativsystemer som Windows 78, Mac OSX og Ubuntu. Desktop systemer har imidlertid noen betydelige ulemper, men. Det fremste er at versjonene av operativsystemer som er designet for stasjonære maskiner, sannsynligvis vil kreve rebootspatching (og ofte i verste fall). De bruker også opp flere beregningsmessige ressurser i kraft av å kreve et grafisk brukergrensesnitt (GUI). Bruk av maskinvare i et hjem (eller lokalt kontor) miljø kan føre til internettforbindelse og strømbruddsproblemer. Den største fordelen med et stasjonært system er at betydelig beregningsgrad kan kjøpes for brøkdel av kostnaden for en ekstern dedikert server (eller et skybasert system) med sammenlignbar hastighet. En dedikert server eller skybasert maskin, mens den ofte er dyrere enn et skrivebordsmulighet, muliggjør mer betydelig redundansinfrastruktur, for eksempel automatiserte data-sikkerhetskopier, muligheten til lettere å sikre oppetid og fjernovervåkning. De er vanskeligere å administrere siden de krever muligheten til å bruke ekstern påloggingsfunksjoner i operativsystemet. I Windows er dette vanligvis via GUI Remote Desktop Protocol (RDP). I Unix-baserte systemer brukes kommandolinjen Secure Shell (SSH). Unix-basert serverinfrastruktur er nesten alltid kommandolinjebasert, noe som gjør at GUI-baserte programmeringsverktøy (for eksempel MatLab eller Excel) umiddelbart kan være ubrukelig. En samlokalisert server, som uttrykket brukes i kapitalmarkedene, er rett og slett en dedikert server som ligger innenfor en bytte for å redusere ventetiden til handelsalgoritmen. Dette er absolutt nødvendig for visse høyfrekvente handelsstrategier, som er avhengige av lav ventetid for å generere alfa. Det endelige aspektet til maskinvarevalg og valget av programmeringsspråk er plattformuavhengighet. Er det behov for at koden skal gå over flere forskjellige operativsystemer Er koden designet for å bli kjørt på en bestemt type prosessorarkitektur, for eksempel Intel x86x64 eller vil det være mulig å kjøre på RISC-prosessorer som de som er produsert av ARM Disse problemene vil være svært avhengig av frekvens og type strategi som implementeres. Resilience and Testing En av de beste måtene å miste mye penger på algoritmisk handel er å skape et system uten spenning. Dette refererer til holdbarheten til sytemet når det er underlagt sjeldne hendelser, som for eksempel meglingfellesskap, plutselig overflødig volatilitet, regionalt nedetid for en skysservereoperatør eller en tilfeldig sletting av en hel handelsdatabase. År med fortjeneste kan elimineres innen sekunder med en dårlig utformet arkitektur. Det er helt nødvendig å vurdere problemer som debuggng, testing, logging, sikkerhetskopiering, høy tilgjengelighet og overvåkning som kjernekomponenter i systemet. Det er sannsynlig at i noen rimelig komplisert tilpasset kvantitativ handelsapplikasjon vil minst 50 utviklings tid bli brukt på feilsøking, testing og vedlikehold. Nesten alle programmeringsspråk sender enten med en tilhørende debugger eller har respekterte tredjepartsalternativer. I hovedsak tillater en debugger utførelse av et program med innføring av vilkårlig bruddpunkter i kodebanen, som midlertidig stopper gjennomføringen for å undersøke systemets tilstand. Hovedfordelen ved feilsøking er at det er mulig å undersøke kodeksens oppførsel før et kjent krasjpunkt. Feilsøking er en viktig komponent i verktøykassen for å analysere programmeringsfeil. Imidlertid blir de mer brukt i kompilerte språk som C eller Java, da tolkede språk som Python ofte er enklere å feilsøke på grunn av færre LOC og mindre verbose setninger. Til tross for denne tendensen, sender Python med pdb. som er et sofistikert feilsøkingsverktøy. Microsoft Visual C IDE har omfattende GUI-feilsøkingsverktøy, mens for kommandolinjens Linux C-programmator eksisterer gdb debugger. Testing i programvareutvikling refererer til prosessen med å bruke kjente parametere og resultater til bestemte funksjoner, metoder og objekter innenfor en kodebase, for å simulere atferd og evaluere flere kodebaner, noe som bidrar til å sikre at et system oppfører seg som det skal. Et nyere paradigme er kjent som Test Driven Development (TDD), der testkoden er utviklet mot et spesifisert grensesnitt uten implementering. Før ferdigstillelse av den faktiske kodebasen, vil alle tester mislykkes. Som kode er skrevet for å fylle ut blanks, vil testene etter hvert passere, og utviklingen skal da opphøre. TDD krever omfattende forhåndsspesifikasjon design samt en sunn grad av disiplin for å kunne utføre suksess. I C gir Boost et enhetstestingsramme. I Java eksisterer JUnit-biblioteket for å oppfylle samme formål. Python har også den unittest modulen som en del av standardbiblioteket. Mange andre språk har enhetstestingsrammer, og ofte er det flere alternativer. I et produksjonsmiljø er sofistikert logging helt avgjørende. Logging refererer til prosessen med å sende meldinger, med ulike grader av alvorlighetsgrad, angående utførelsesadferd av et system til en flat fil eller database. Logger er en første angrepslinje når du jakter på uventet programkørselstid. Dessverre har manglene i et loggsystem bare en tendens til å bli oppdaget etter det. Som med sikkerhetskopier diskutert nedenfor, bør et loggsystem være gitt i betraktning FØR et system er utformet. Både Microsoft Windows og Linux kommer med omfattende systemloggingskapasitet, og programmeringsspråk har en tendens til å sendes med standard loggbiblioteker som dekker de fleste brukssaker. Det er ofte lurt å sentralisere logginformasjon for å analysere det på et senere tidspunkt, da det ofte kan føre til ideer om forbedring av ytelse eller feilreduksjon, noe som nesten helt sikkert vil ha en positiv innvirkning på handelsavkastningen. Mens logging av et system vil gi informasjon om hva som har skjedd tidligere, vil overvåking av et program gi innsikt i hva som skjer akkurat nå. Alle aspekter av systemet bør vurderes for overvåking. Systemnivåmålinger som diskbruk, tilgjengelig minne, nettverksbåndbredde og CPU-bruk gir grunnleggende lastinformasjon. Handelsmålinger som abnorm prisvekst, plutselige hurtige drawdowns og kontoeksponering for ulike sektorer bør også overvåkes kontinuerlig. Videre bør det opprettes et terskelsystem som gir varsel når visse beregninger brytes, forhøyelse av varslingsmetoden (e-post, SMS, automatisk telefonsamtale) avhengig av metriskens alvorlighetsgrad. Systemovervåkning er ofte domenet til systemadministratoren eller driftslederen. Men som en eneste handelsutvikler må disse beregningene etableres som en del av det større design. Mange løsninger for overvåking finnes: proprietære, vert og åpen kildekode, som tillater omfattende tilpasning av beregninger for et bestemt brukstilfelle. Sikkerhetskopier og høy tilgjengelighet bør være primære bekymringer for et handelssystem. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPySciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensingmaintenance costs. The Microsoft stack (including Visual C, Visual C) and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C, C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many pluginslibraries (some free, some commercial) for nearly any quantitative research domain. There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools play well with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQLPostgreSQL, Python, R, C and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process. Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce. Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C in order to improve execution speeds, but it requires some experience in multi-language programming. While proprietary software is not immune from dependencyversioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer. I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C and R. The maturity, community size, ability to dig deep if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend. Batteries Included The header of this section refers to the out of the box capabilities of the language - what libraries does it contain and how good are they This is where mature languages have an advantage over newer variants. C, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms for free. Python is known for being able to communicate with nearly any other type of systemprotocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPySciPyPandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL (MySQLC), JDBC (JavaMatLab), MySQLdb (MySQLPython) and psychopg2 (PostgreSQLPython). Python can even communicate with R via the RPy plugin An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol . Conclusion As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects of a trading stack, as and when requirements change. A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative TradingFinancial Trading Systems Design and Development with C Description A complete blueprint for designing and implementing a state-of-the-art trading and risk management system Providing a highly accessible mix of good software design, practical mathematical models and today039s most widely used business practices, this book arms you with everything you need to create a sophisticated trading and risk management system appropriate for most asset classes. Gurav Mengla, a top financial trading system software designer, draws upon his years of experience at Barclays, HSBC and other leading financial institutions to cut through the complexities of trading system design, offering you time-tested solutions to virtually all technical challenges to automated trading system design and implementation. Packed with case studies and examples from top financial institutions, worldwide, complete with system design details and source code Emphasizes extensibility, and scalability with strategies for incorporating new models seamlessly into existing systems Features comprehensive coverage of the most widely used financial models and most prevalent practices in the financial community today Explores daily, weekly, monthly and yearly reporting subsystem that aggregate risk at all organizational levels from desk to department to division to the entire firm CD includes valuable data and system design details from the book, including C source code and system modelsshow more Product details Format Mixed media product 512 pages Dimensions 150 x 250mm 505g Publication date 09 Nov 2016 Publisher John Wiley amp Sons Inc Publication CityCountry New York, United States Language English ISBN10 0471667706 ISBN13 9780471667704 Bestsellers rank 1,394,799The Easiest Programming Language for Traders I ntroducing TradeScript, our powerful new programming language which allows traders to design trading systems without prior programming experience. Whos it for TradeScript is a development component designed for software developers who want to expand the set of features on their trading application by providing a scripting language. TradeScript, as a language, is intended for traders who need to write their own trading strategies but dont know how to program in low-level languages such as C and C. TradeScript allows traders develop trading systems quickly and effortlessly. Its as easy as 1-2-3. With TradeScript, you can enable your trading application to run scripts which provide alerts when the price of a security (stock, futures, or forex) reaches a new high, crosses over a moving average, or drops a set percentage, though those are only a few examples. TradeScript can also scan the market, generate trade signals, back-test trading strategies, and much more. Vector Programming Languages Most popular trading applications such as MetaStock, TradeStation, NinjaTrader, MetaTrader and others provide their own programming languages (such as MQL4, MQL5, EasyLanguage, MetaStocks scripting language, etc.). Without a programming language, traders are unable to develop automated trading systems or perform back-testing of strategies. A vector programming language offers extreme flexibility with a minimal learning curve. In fact, in just five minutes, you can start writing with TradeScript. So what is a vector programming language, and why is it so easy to learn Vector programming languages (also known as array or multidimensional languages) generalize operations on scalars to apply transparently to vectors, matrices, and higher dimensional arrays. The idea behind vector programming is that operations apply at once to an entire set of values (a vector or field). This allows you to think and operate on whole aggregates of data, without resorting to explicit loops of individual scalar operations. In other words, its similar to the macro language found in Excel. The easiest programming language for traders. The most powerful, too. An example: to calculate a simple moving average based on the median price of a security over 30 days, in a traditional programming language such as BASIC, you would be required to write a program similar to the code shown in this block of code. Several lines of code would be required to create the MedianAverages vector. But with TradeScript, you can accomplish the same thing using only one line of code as show below. For bar 30 to max Average 0 For n bar - 30 to bar median (CLOSE OPEN) 2 Average Average median Next MedianAverages(bar) Average 30 Next bar SET MedianAverage SimpleMovingAverage((CLOSE OPEN) 2, 30) And now MedianAverage becomes a new vector which contains the 30-period simple moving average of the median price of the security. It is not uncommon to find array programming language one-liners that require more than a couple of pages of BASIC, Java, or C code. The same holds true for creating trading systems for back testing and trade alerts. TradeScript was originally designed as a high-performance programming language for high-frequency traders. It was designed to scan over 100,000 stocks based on complex technical criteria and return instantaneious results - in under five milliseconds. That was over ten years ago. Today it is even faster. Quick Easy Development Solution If youre a software developer, youll be surprised to know that it only takes about 30 minutes to implement TradeScript into your trading application. TradeScript comes with context-sensitive help, and our Programmers Guide can be shipped with your application. Adding a scripting language to your trading application couldnt be any easier. Get Started with TradeScript M4 Trading Platform Implementation TradeScript is the programming language used in our M4 trading platform. where it executes automated trades, processes real time alerts, runs stock scans, and back-tests trading systems. Available in C and in C Versions TradeScript is available in both C (x64 for best performance) and C for developing web applications. It comes with over 30 example projects and extensive developer support to help you implement the library into your project. Common Development Scenarios TradeScript is most commonly used in one of three scenarios. It is often used inside desktop trading applications, where it is embedded on the client side. It is also commonly used on the server side, where it runs strategies for thin clients, such as mobile and web applications. Another common scenario is where TradeScript is run on the server side in order to provide real time scanning results to web and mobile users. Genetic Programming A genetic algorithm can be integrated into TradeScript to create an autonomous trading system creation engine. Check our Evo2 genetic algorithm engine which comes with TradeScript examples. Case Study TradeScript is used in a number of popular trading applications, one of which is the WhenToTrade Cycles and Genetic Algorithm Platform. The case study describes how TradeScript is implemented to perform cyclical analysis of the markets. The WhenToTrade Cycles and GA Platform combines technical analysis using TradeScript and financial charting using StockChartX with novel algorithms for cyclic analysis. The solution is part of a complete knowledge package and enables traders to apply the derived strategies to all kinds of markets and timeframes. With TradeScript, you can: Create automated order entry scripts Run thousands of simultaneous alerts Create back tests and trading system optimizations Build script-driven charts and expert advisors Get formula outputs in real-time Why Choose Modulus Modulus is a financial technology company. While that may not sound like a real differentiator, it is. It means that our solutions come from our years of experience in the financial technology industry. Our products and services are provided by developers and engineers who have first-hand trading experience. Everyone here at Modulus speaks your language. WELCOME TO TRADING SYSTEM LAB: MANY MORE VIDEOS ARE AVAILABLE ON OUR FLASH DEMO LINK TO THE LEFT, HOWEVER HERE IS A SIMPLE 6 MINUTE EXAMPLE USING OUR ADVANCED MACHINE LEARNING ALGORITHM, CREATING A SINGLE MARKET TRADING STRATEGY REQUIRING NO PROGRAMMING. TSL CAN CREATE SINGLE MARKET STRATEGIES, DAYTRADING, PAIRS, PORTFOLIOS AND OPTIONS STRATEGIES USING THE SAME GENERAL WORK FLOW. HERE raquo MARCH 2017 UPDATE: TSL produces completely OPEN CODE machine learning based trading strategies requiring no programming on the part of the user. TSL is not a Black Box. The math, variables, logic, signal generation, preprocessing, etc. are exported in OPEN CODE. Many of the systems come out of the evolutionary process extremely simple with the core GP code being only 7-15 lines of code, using perhaps 3-5 variables. See our Las Vegas Traders Expo PPT for an example of a system that used only one (1) parameter here: Go to the LVTE Power Point raquo The process within TSL results in simple, high performance trading strategies, and simpler is better. TSL is very easy to use which is why we have clients ranging from beginners in Technical Analysis and Trading Strategies to PhDs in Computer Science, Economics, Machine Learning and AI. Our 6 minute demo summarizes how easy TSL is to use. If you can accomplish these three steps, you can use and be productive with TSL. Go to the TSL demo raquo In the 2016 Issue 3 of Futures Truth, TSL remains at the top of the list of Trading Systems evaluated on Sequestered Data. TSL has the 1 and 2 Bond System, 2 of the Top 10 eMini SP Systems (the only 2 ES systems TSL has in tracking), the 4 Natural Gas System (out of 1 submitted), and the 1 and 9 Systems since Release Date, and these systems were Machine Designed, not Human Designed, as early as 2007. Futures Truth is a CTA, has a staff of Trading System designers, tracks over 700 Trading System Market-Models submitted by over 80 worldwide Trading Strategy Quants and has been tracking Trading Systems since 1985. TSLs clients range from beginner to PhD Quant since TSL requires no programming. Go to the Futures Truth website raquo Additional historical reports may be found in Futures Truths reports as well as in TSL presentation material. Go to past Futures Truth Report Summary raquo Read the opinion letters from Futures Truth and other developers and traders here: Go to the Futures Truth Opinion Letter raquo Numerous new features for 2016 have been added to TSL including In-SampleOut-of-Sample Scatter plots with Wilcoxon tests, Design-Time Adjustable Solutions(DAS), DayTrade Discrete Bars(DTDB), SuperBuffer increases, SubSystem Usage Reports and a soon to be announced options testing integration feature. Please take a look at our latest Flash Demos: Go to the TSL Flash Demos raquo TSL IS PLEASED TO ANNOUNCE THE RELEASE OF DTDB: DTDB stands for Day Trade Discrete Bars. This package allows for the trading of individual discrete bars on a individual bar basis. Entering on a limit, market or stop, the trade will usually exit at the close of a time, volume, range, etc. type bar. Once designed, using the TSL System Stats report, a user can determine the best time of day, day of week, day of month, day of week in month, week of year and month of year to trade. Filtering this way captures the money flow early and late in the month or quarter that has been observed in capital markets volume, for example. Further it is well known that intra day volatility has a U shape with high volatility occurring early and late in the day. This effect can be targeted using Custom Design Sessions and the System Stats report filtering approach. The features for algorithm design capturing short-term and daytrading moves in the market using TSL is substantial and offer a rich environment for discovery and design. See the DTDB flash demo for more information. Go to the DAS Flash Demos raquo TSL IS PLEASED TO ANNOUNCE THE RELEASE OF DAS: TSL is easy to use but DAS takes Ease of Use to another level. DAS goes beyond EVORUN by providing a higher level of control over the automatic design choreography taking place between the Linear Automatic of Machine Code with Genetic Programming Engine and the Integrated Trading Simulation routines inherent in TSL. DAS allows the human user to evaluate the effect of various trading criteria far faster than before with direct control over the engine during Design Time. DAS exploits the ALPHA generating capabilities of the TSL code writing engine at a level which was previously unachievable. Using DAS, users can now direct and redirect the run, in Design Time, during the design run, not simply configuring the run and then executing the run. EVORUN provides the user with a automatic multi-batch run mechanism allowing for a longer run covering many trading and simulation variants to be explored during the run, however DAS connects the human designer with the design engine allowing for a vast array of immediate what if scenarios to be explored. The conceptual breakthrough of TSLs DAS is both creative and unique in this business and provides the user with ALPHA design and production capabilities we could have only dreamed about just a few years ago, notes TSLs President, Michael Barna. The plan now is that DAS will be officially released to clients on or before the November International Traders Expo in Las Vegas where TSL will be giving several presentations on TSL, EVORUN and DAS. New DAS videos may be found here-Demo 57 and 58: Go to the DAS Flash Demos raquo Super Buffer Update: Within the patented LAIMGP Trading Systems are stored for implementation during the run. Previously, 30 Best Trading System Programs would be made available for implementation when the run was terminated. TSL has increased this Best Trading Systems Program Buffer to 300. So, a user may select from a much larger list of Trading Systems when the run is terminated. This increased Buffer will be available for Basic Runs, EVORUN and DAS. Please read below for information on DAS. End of day(EOD) trading systems are the simplest and fastest to Machine Design. Even in a portfolio of many markets, the TSL engine self-designs trading systems at a very high rate thanks to patented register GP manipulations and high speed simulation, fitness and translation algorithms. Our GP technology is well documented in the leading university textbook on Genetic Programming written by one of TSLs partners, Frank Francone. Particularly important is the fact that still, after 8 years of Sequestered Data independent testing and rating, TSL Machine Designed Trading Algorithms occupy more top performance ratings than any other development company - 5 of the Top 10 since Release Date, 3 of the Top 10 systems for the past 12 months, and 2 of the Top 10 eMini SP systems. End of Day trading systems are very popular, however intraday trading systems appeal to the more risk adverse traders and interest in shorter term trading systems has increased in recent months. Perhaps due to the concern for higher interest rates, energy and commodity price collapses, geopolitical uncertainty, terrorism, or the recent market volatility, many traders are less willing to hold positions overnight. The logic here is that with overnight risk, the degree of exposure and consequently the chance for higher drawdowns is increased. Of course, intraday volatility might collapse or expand, leading to muted returns or substantial risk as well, particularly for the directional short-term trader. Nevertheless, not holding a trading position overnight does have a great deal of appeal, especially if trading costs can be controlled and trading system alpha production is sufficient. TSL has a large array of day trading features, including short term Fitness Functions, Preprocessors and Daytrading specific Trading Types. TSL Machine users can select the trading frequency, average trade targets, trading times, drawdown targets, and a host of other design objectives. Additionally, input settings for TradeStation and MultiCharts are exported allowing for easy importation to these platforms. TSL is pleased to announce that CSI COMMODITY SYSTEMS, INC. and TSL have formed an agreement to provide to our clients a portfolio of commodity data, specifically engineered for TSL Machine Learning. To obtain this data a CSI data subscription is required. No other vendor provides this specifically engineered data. This daily data will allow for improved Trading Strategy design using TSL and is the result of many years of research and development of data requirements. Without proper data, robust Trading Strategy designs are very difficult to accomplish. These data portfolios are downloaded and installed as part of the CSI data application. Helper files such as. DOPs and Attributes. INI files are preassembled by TSL to allow for easy data import into TradeStation. Other platforms that can read ASCII, MetaStock or CSI price data may load this data as well for use with TSL. Contact TSL to learn more about this new Trading System design data. CSI has been shown to have the most accurate commodity data available. Go to the CSI data report raquo For those of us who live and work in Silicon Valley, TSL is sponsoring a MEETUP group for people interested in Machine Learning applied to Trading Strategies where we will be exploring various applications and customizations of the TSL platform. You can sign up here and meet other trading professionals who are working with TSL and Machine Learning technology. Join Silicon Valley Machine Learning for Trading Strategies MeetUp Group raquo TSL is pleased to release TSL Version 1.3.2 Portfolios, Pairs and Options and the latest 2015 build for Single Market directional Systems. Contact us for information on these latest builds that focus on directional, long or short, daytrading, Fitness APIs and new entry, risk and exit features. The latest Futures Truth reports still show TSL Machine Learning designed Trading Strategies top rated on Sequestered Data 7 years after their designs were frozen and released for independent tracking which points to robustness in the future for these TSL Machine Designed Strategies. QUANT SYSTEMS LAB UPDATE: TSL remains the main platform of choice for the professional and nonprofessional trader. Quant Systems Lab, however, is a high end, institutional level machine learning platform offering features more appropriate to the advanced quant programmer who routinely uses a variety of APIs and programming development languages and environments. QSLs features are not found in any other trading strategy development platform in the world. QSL also encompasses all of the rich development features found in the base TSL platform. QSL is currently under development. RML and TSL are actively seeking partnerships with institutions who may wish to steer this development and application environment in a direction that is appropriate for their goals and desires relative to trading approach, research and development and implementation environments. This is a great time to inject your own requirements on the next wave in Machine Learning applied to Trading Strategy design. Contact TSL or RML directly for more information on this unique and exciting new development. TSL is a Machine Learning algorithm that automatically writes Trading Systems and the Trading Systems created by this machine are top rated by Futures Truth and were evaluated on Sequestered Data. No programming is required. No other Trading System tool in the world has reached this level of achievement. TSL is a remarkable Platform given the fact that the Trading Systems designed by the TSL machine over 7 years ago are still top rated by Futures Truth. TSL employs a Patented Automatic Induction of Machine Code with Genetic Programming engine capable of very high speeds and TSL produces production code, reducing or eliminating the need for trading system programming efforts and technical analysis expertise. The Executive Brief and Demo located below will give you a overview of this powerful trading strategy production tool. It is important to note that TSL designs an unlimited number of Trading Strategies on any market, any time frame, day trading or end of day, as well as portfolios, pairs and options, again, with no programming required. Clients range from beginners to PhD level Quant researchers and developers, domestic and international, as well as CTAsCPOs, Hedge Funds and Prop shops. Now, with 7 years of experience serving trading customers, TSL has acquired a high level of experience in Machine Learning as applied to Trading Systems. TSL provides one-on-one training and consulting at no additional cost to clients, to help ensure clients get the most out of the TSL engine. A end to end 6 minute TSL design of a eMini system is available here: View the TSL Executive Brief: raquo Trading System Lab reduces the complexity of trading strategy design down to a few settings and mouse clicks, saving time, money and programming. This Self Designing Trading Strategy Algorithm uses an advanced, patented, register based Genetic Program (not to be confused with a Genetic Algorithm) that is not available anywhere else in the world. These machine designed trading strategies remained robust through the extreme financial meltdown years and subsequent recovery. This paradigm shift showed that a properly chosen and developed machine learning algorithm can automatically design robust trading strategies. The LAIMGP was developed by RML Technologies, Inc. and the Simulation, Preprocessing, Translation, Fitness routines and Integration was accomplished by Trading System Lab(TSL). TSL licenses the complete package to individuals, proprietary trading firms and hedge funds. Preprocess your data, run the advanced genetic program and then implement to your trading platform. We demo this process in a simple 6 minutes flash demo available in the link below. All TSL trading strategies are exported from the machine fully divulged in open code. TSL strategies have been third party performance rated on sequestered data. Arguments regarding the use of Out of Sample (OOS) data are generally centered around the possible accidential use of this held out data in the development processs. If this happens, then the blind data is no longer blind, it has been corrupted. To eliminate this possibility, TSL submitted machine designed strategies for testing on Sequestered Data. What this means is that the strategy performance measurement occurs in the future. Since the held out data does not exist when the strategies were designed, there is no way that this evaluation data can be accidently used in the development process. Strategies produced by the TSL Machine have been tested on Sequestered Data by the independent third party, Futures Truth and are top rated, beating most other Human or Manually designed Trading Systems. NEW Here is how you use TSL evolved systems in a C or C OMSEMS: View the TSL C Brief: raquo For those of you who missed the LinkedIn Automated Trading Strategies Group Webinar presented by Trading System Lab titled: WHO DESIGNS BETTER TRADING STRATEGIES A HUMAN OR A MACHINE you may download it here here: Download the TSL Webinar: raquo The free period is over for the new Kindle Book containing our article titled: Machine Designed Trading Systems, however you can download this inexpensive Kindle Book here: Download the Kindle Book raquo TSL is now officially on the Silicon Valley Map. Silicon Valley Map and TSL location(6 oclock position)raquo TSL is a machine that designs algorithms, forward walks, backtests, multi runs, EVORUNS and export code in a variety of languages. As far as forward robustness, TSL holds numerous top rankings with machine designed trading algorithms as reported by the independent reporting company, Futures Truth. These (machine designed) systems out-performed, in forward walk, most or all other (manually designed) tracked systems, and included slippage and commission in the testing. (see references below) The paradigm shift is that these systems were designed by a machine, not a human, and the TSL Machine designs millions of systems at very high rates using an advanced, exclusive, patented algorithm (LAIMGP), specifically engineered to automatically design trading systems. Traders with no programming experience can run the TSL platform, produce the trading algorithms and deploy them in a variety of Trading Platforms including TradeStation, MultiCharts and specialized OMSEMSs. Programmers and quants can accomplish even more advanced work since the Terminal Sets are fully customizable. TSL is capable of using multi-data DNA within its preprocessors. See Demo 48 where we use the CBOE Volatility Index (VIX) to Machine Design a eMini SP Trading System. This type of design work is simple to accomplish in TSL since the preprocessor is completely customizable using your unique patterns and indicators in a single or multiple data stream design. Enhanced Preprocessors have been shown to offer an additional boost to Trading System performance. How did the TSL Software that writes Software Machine out-design other human submissions to FT with no programming required How do Machine Designed Trading Systems actually work Our development chronology is well covered in our White Papers and Flash Demos available on the TSL web site. The Linkden Automated Trading Strategies WEBINAR can be found here: Go to the LinkedIn WEBINAR raquo The 2015 OUANTLABS WEBINAR can be found here: Go to the 2015 QUANTLABS WEBINAR raquo The 2014 OUANTLABS WEBINAR can be found here: Go to the 2014 QUANTLABS WEBINAR raquo What is the Optimum Bar Size to trade 100 tick, 15 minute, daily. TSLs new EVORUN module allows strategies to be Machine Designed while iterating over Bar Size, Trade Type, Preprocessor, Trading Frequency and Fitness Function in one multirun. EVORUN and TSL Version 1.3 Demos 51 and 52 are now available here: Go to TSL Demos raquo ALL TSL STRATEGIES ARE FULLY DISCLOSED IN OPEN CODE. WANT TO READ A BOOK ON THE TSL GENETIC PROGRAM Frank Francone co-authored the university textbook Genetic Programming: An Introduction (The Morgan Kaufman Series in Artificial Intelligence). TSL has several HFT projects underway on various colocated servers near exchange matching engines. TSL machine designed strategies may be deployed on order book based data or sub-second bars. See Demo 50. Contact TSL for additional information. Using OneMarketData, TSL can Auto-Design High Frequency Trading Strategies. Demo 50 shows an example using 250 millisecond granularity Order Book Data created using OneMarketDatas OneTick Complex Event Processing Order Book Aggregator. TSL is a stochastic, evolutionary, multirun, Trading Strategy autodesigner that produces and exports portable code in a variety of languages. This is a complete end to end Trading System design platform and will autodesign High Frequency Trading Systems, Day Trading, EOD, Pairs, Portfolios and Options Trading Systems in a few minutes with no programming. See Theses, White Papers, PPT Presentations and other documentation under the Literature Link at the left. Watch the Flash Demos at the left for a complete briefing on this new technology. The TSL Platform produces Machine Designed, Trading Strategies at ultra high rates thanks to register level evaluations. No other trading strategy development platform on the market provides this level of power. The LAIMGP-Genetic Program within TSL is one of the most powerful algorithms available today and operates at rates much faster than competing algorithms. With TSL, trading systems and code are written for you in languages including C, JAVA, Assembler, EasyLanguage, and others through translators. Frank Francone, President of RML Technologies, Inc. has prepared a flash demo titled Genetic Programming for Predictive Modeling. RML produces the Discipulus Genetic Programming engine that is used within TSL. This tutorial is an excellent way to learn about Discipulus and will provide a basis for your continued understanding of TSLs Auto-Design of Trading System Paradigm Shift. TSL simplifies the data import, preprocessing and design of Trading Systems using Trading System performance as fitness. Make sure you watch the TSL demos as the TSL platform is specifically targeted for Trading System design. Download the Discipulus tutorial raquo The technology used in Trading System Lab is 60 to 200 times faster than other algorithms. See White Papers on speed studies at SAIC here: Go to white papers raquo Phone: 1-408-356-1800 e-mail: (protected)
No comments:
Post a Comment