Bästa programmeringsspråk för algoritmiska handelssystem En av de vanligaste frågorna jag får i QS-brevlådan är Vad är det bästa programmeringsspråket för algoritmisk handel. Det korta svaret är att det inte finns något bra språk. Strategiparametrar, prestanda, modularitet, utveckling, elasticitet och kostnad måste alla övervägas. Denna artikel kommer att beskriva de nödvändiga komponenterna i en algoritmisk handelssystemarkitektur och hur besluten om implementering påverkar språkvalet. För det första kommer huvudkomponenterna i ett algoritmiskt handelssystem att övervägas, såsom forskningsverktygen, portföljoptimeraren, riskhanteraren och genomförandemotorn. Därefter granskas olika handelsstrategier och hur de påverkar systemets utformning. Speciellt kommer frekvensen av handel och den sannolika handelsvolymen att diskuteras. När handelsstrategin har valts är det nödvändigt att arkitektera hela systemet. Detta inkluderar val av hårdvara, operativsystem och systemresistens mot sällsynta, potentiellt katastrofala händelser. Medan arkitekturen övervägs måste hänsyn tas till prestanda - både för forskningsverktygen och för levande verkställande miljö. Vad är handelssystemet Försök att göra Innan du bestämmer dig för det bästa språket som du ska skriva ett automatiserat handelssystem är det nödvändigt att definiera kraven. Ska systemet vara rent exekveringsbaserat Kommer systemet att kräva en riskhantering eller portföljbyggnadsmodul Ska systemet kräva en högpresterande backtester För de flesta strategier kan handelssystemet delas upp i två kategorier: Forskning och signalgenerering. Forskning handlar om utvärdering av en strategisk utveckling över historiska data. Processen att utvärdera en handelsstrategi över tidigare marknadsdata kallas backtesting. Datastorleken och den algoritmiska komplexiteten kommer att ha stor inverkan på beräkningsintensiteten hos backtestern. CPU-hastighet och samtidighet är ofta de begränsande faktorerna för att optimera forskningsexekveringshastigheten. Signalgenerering handlar om att generera en uppsättning handelssignaler från en algoritm och skicka sådana order till marknaden, vanligtvis via en mäklare. För vissa strategier krävs en hög prestanda. IO-problem som nätverksbandbredd och latens är ofta den begränsande faktorn vid optimering av exekveringssystem. Således kan valet av språk för varje komponent i hela ditt system vara helt annorlunda. Typ, frekvens och volym av strategi Den typ av algoritmisk strategi som används kommer att ha en betydande inverkan på systemets utformning. Det kommer att vara nödvändigt att överväga att marknaderna handlas, anslutningen till externa datasäljare, frekvensen och volymen av strategin, avvägningen mellan enkel utveckling och prestandaoptimering, samt vilken anpassad hårdvara som helst, inklusive anpassad anpassning servrar, GPU eller FPGA som kan vara nödvändiga. Teknikvalen för en lågfrekvent amerikanska aktiestrategi kommer att vara väldigt annorlunda än en högfrekvent statistisk arbitragestrategihandel på terminsmarknaden. Före språkvalet måste många dataleverantörer utvärderas som avser en strategi för hand. Det kommer att vara nödvändigt att överväga anslutning till säljaren, strukturen för alla API: er, aktuell data, lagringskrav och elasticitet i ansiktet av en leverantör som går offline. Det är också klokt att ha snabb tillgång till flera leverantörer. Olika instrument har alla sina egna lagringsegenskaper. Exempel på detta inkluderar flera tickersymboler för aktier och utgångsdatum för terminer (för att inte nämna några specifika OTC-data). Detta måste ingå i plattformsdesignen. Frekvensen av strategin är sannolikt en av de största drivkrafterna för hur tekniken ska definieras. Strategier som använder data oftare än noggrann eller andra staplar kräver betydande hänsyn till prestanda. En strategi som överstiger andra stavar (dvs kryssningsdata) leder till en prestationsdriven design som det primära kravet. För högfrekventa strategier måste en betydande mängd marknadsdata lagras och utvärderas. Programvara som HDF5 eller kdb används vanligtvis för dessa roller. För att kunna bearbeta de omfattande volymerna av data som behövs för HFT-applikationer, måste en omfattande optimerad backtester och exekveringssystem användas. CC (eventuellt med någon assembler) är sannolikt den starkaste språkkandidaten. Ultrahögfrekventa strategier kräver nästan säkert anpassad hårdvara, som FPGA, utbyte av samlokalisering och gränssnittsgränssnitt. Forskningssystem Forskningssystem involverar vanligtvis en blandning av interaktiv utveckling och automatiserad skript. Den förra äger ofta rum inom en IDE som Visual Studio, MatLab eller R Studio. Det senare innebär omfattande numeriska beräkningar över många parametrar och datapunkter. Detta leder till ett språkval som ger en enkel miljö för att testa koden, men ger också tillräcklig prestanda för att utvärdera strategier över flera parameterdimensioner. Typiska IDEs i detta utrymme inkluderar Microsoft Visual CC, som innehåller omfattande felsökningsverktyg, kodfärdighetsfunktioner (via Intellisense) och rakt översikter över hela projektstapeln (via databasen ORM, LINQ) MatLab. som är konstruerad för omfattande numerisk linjär algebra och vektoriserade operationer, men på ett interaktivt konsol sätt R Studio. som omsluter R statistiska språkkonsolen i en fulländad IDE Eclipse IDE för Linux Java och C och semi-proprietary IDEs som Enthought Canopy for Python, som inkluderar databaser för databehandling som NumPy. SciPy. scikit-lär och pandor i en enda interaktiv (konsol) miljö. För numerisk backtesting är alla ovanstående språk lämpliga, men det är inte nödvändigt att använda en GUIIDE eftersom koden kommer att utföras i bakgrunden. Den primära övervägande i detta skede är den av körhastigheten. Ett sammanställt språk (som C) är ofta användbart om parametrarna för backtesting-parametrar är stora. Kom ihåg att det är nödvändigt att vara försiktig med sådana system, om så är fallet. Tolkade språk som Python använder ofta högpresterande bibliotek som NumPypandas för backtestingsteget, för att upprätthålla en rimlig grad av konkurrenskraft med kompilerade ekvivalenter. I slutändan kommer det språk som valts för backtesting att bestämmas av specifika algoritmiska behov samt utbudet av bibliotek tillgängliga på språket (mer om det nedan). Språket som används för backtester och forskningsmiljöer kan dock vara helt oberoende av de som används i portföljkonstruktion, riskhantering och exekveringskomponenter, vilket kommer att ses. Portföljkonstruktion och riskhantering Komponenterna för portföljkonstruktion och riskhantering är ofta förbisedda av detaljhandelsalgoritmiska handlare. Detta är nästan alltid ett misstag. Dessa verktyg ger den mekanism med vilket kapital kommer att bevaras. De försöker inte bara minska antalet riskabla satsningar, men minimerar också churnen i branschen, vilket reducerar transaktionskostnaderna. Sofistikerade versioner av dessa komponenter kan ha en betydande inverkan på lönsamhetens kvalitet och konsistens. Det är enkelt att skapa en stabil strategi eftersom portföljbyggnadsmekanismen och riskhanteraren lätt kan modifieras för att hantera flera system. Således bör de betraktas som väsentliga komponenter vid början av utformningen av ett algoritmiskt handelssystem. Arbetet med portföljkonstruktionssystemet är att ta en uppsättning av önskade affärer och producera uppsättningen verkliga verksamheter som minimerar klyftan, behåller exponeringar mot olika faktorer (t. ex. sektorer, tillgångsklasser, volatilitet etc.) och optimerar fördelningen av kapital till olika strategier i en portfölj. Portföljkonstruktion reduceras ofta till ett linjärt algebraproblem (såsom en matrisfaktorisering) och därför är prestanda starkt beroende av effektiviteten hos den numeriska linjära algebraimplementationen som är tillgänglig. Vanliga bibliotek innehåller uBLAS. LAPACK och NAG för C. MatLab har också omfattande optimerade matrisoperationer. Python använder NumPySciPy för sådana beräkningar. En ofta ombalanserad portfölj kräver ett kompilerat (och väloptimerat) matrisbibliotek för att utföra detta steg för att inte flaskhalsa handelssystemet. Riskhantering är en annan extremt viktig del av ett algoritmiskt handelssystem. Risken kan komma i många former: Ökad volatilitet (även om det här kan ses som önskvärt för vissa strategier), ökade korrelationer mellan tillgångsklasser, motpartsstandard, serveravbrott, svarta svanhändelser och oupptäckta fel i handelskoden, för att nämna en få. Riskhanteringskomponenter försöker förutse effekterna av överdriven volatilitet och korrelation mellan tillgångsklasser och deras efterföljande effekt (er) på handelskapital. Ofta minskar detta till en uppsättning statistiska beräkningar som Monte Carlo stresstester. Detta motsvarar mycket av beräkningsbehoven hos en derivatprissättningsmotor och kommer som sådan att vara CPU-bunden. Dessa simuleringar är mycket parallella (se nedan) och det är i viss mån möjligt att kasta hårdvara vid problemet. Exekveringssystem Arbetet med exekveringssystemet är att ta emot filtrerade handelssignaler från portföljkonstruktion och riskhanteringskomponenter och skicka dem vidare till en mäklare eller annan marknadstillträde. För majoriteten av detaljhandeln algoritmiska handelsstrategier innebär detta att en API eller FIX-anslutning till en mäklare som Interactive Brokers. De primära övervägandena när man bestämmer sig för ett språk inkluderar kvaliteten på API: n, språkpaketets tillgänglighet för ett API, exekveringsfrekvens och förväntad glidning. Kvaliteten på API: n refererar till hur väl dokumenterad det är, vilken typ av prestanda det ger, om det behövs fristående programvara som ska nås eller huruvida en gateway kan etableras på ett huvudlöst sätt (dvs ingen GUI). När det gäller interaktiva mäklare måste Trader WorkStation-verktyget köras i en GUI-miljö för att kunna komma åt deras API. Jag var en gång tvungen att installera en Desktop Ubuntu-utgåva på en Amazon Cloud-server för att komma åt Interactive Brokers på distans, helt av den anledningen. De flesta API-erna kommer att ge ett C andor Java-gränssnitt. Det är vanligtvis upp till samhället att utveckla språkspecifika wrappers för C, Python, R, Excel och MatLab. Observera att med varje extra plugin som används (speciellt API wrappers) finns det utrymme för buggar att krypa in i systemet. Testa alltid pluggar av detta slag och se till att de är aktivt underhållna. En värdefull mätare är att se hur många nya uppdateringar av en kodbas har gjorts under de senaste månaderna. Exekveringsfrekvensen är av yttersta vikt i exekveringsalgoritmen. Observera att hundratals beställningar kan skickas varje minut och som sådan är prestanda kritisk. Slippage uppstår genom ett dåligt fungerande exekveringssystem och detta kommer att få en dramatisk inverkan på lönsamheten. Statiskt typade språk (se nedan) som CJava är generellt optimala för utförande men det finns ett kompromiss i utvecklingstiden, testning och enkel underhåll. Dynamiskt typade språk, som Python och Perl, är nu i allmänhet tillräckligt snabba. Kontrollera alltid att komponenterna är modulerade (se nedan) så att de kan bytas ut när systemet vågar. Arkitektonisk planerings - och utvecklingsprocess Komponenterna i ett handelssystem, dess frekvens - och volymkrav har diskuterats ovan, men systeminfrastrukturen har ännu inte täcks. De som agerar som detaljhandlare eller arbetar i en liten fond kommer sannolikt att ha på sig många hattar. Det kommer att vara nödvändigt att täcka alfamodell, riskhantering och exekveringsparametrar, samt den slutliga implementeringen av systemet. Innan delving till specifika språk diskuteras utformningen av en optimal systemarkitektur. Separering av oro En av de viktigaste besluten som måste fattas i början är hur man skiljer sig från ett handelssystems bekymmer. I mjukvaruutveckling betyder detta i huvudsak hur man bryter upp de olika aspekterna av handelssystemet i separata modulära komponenter. Genom att exponera gränssnitt vid var och en av komponenterna är det enkelt att byta ut delar av systemet för andra versioner som stöder prestanda, tillförlitlighet eller underhåll, utan att ändra någon extern dependence-kod. Detta är den bästa praxisen för sådana system. För strategier vid lägre frekvenser rekommenderas sådana metoder. För ultrahögfrekvenshandel kan regelboken ignoreras på bekostnad av att tweaking systemet för ännu mer prestanda. Ett tätt kopplat system kan vara önskvärt. Att skapa en komponentkarta över ett algoritmiskt handelssystem är värt en artikel i sig. Ett optimalt tillvägagångssätt är emellertid att se till att det finns separata komponenter för historiska och realtidsmarknadsdataingångar, datalagring, API för dataåtkomst, backtester, strategiparametrar, portföljkonstruktion, riskhantering och automatiserade exekveringssystem. Till exempel, om den datalagring som används är för närvarande underpresterande, även vid betydande optimeringsnivåer, kan den bytas ut med minimala omskrivningar till datainnehållet eller dataåtkomst API. Så långt som backtester och efterföljande komponenter är det ingen skillnad. En annan fördel med separerade komponenter är att det tillåter en mängd olika programmeringsspråk att användas i det övergripande systemet. Det finns ingen anledning att vara begränsad till ett enda språk om kommunikationsmetoden för komponenterna är språkoberoende. Detta kommer att vara fallet om de kommunicerar via TCPIP, ZeroMQ eller något annat språkoberoende protokoll. Som ett konkret exempel, överväga att ett backtesting system skrivs i C för antal crunching prestanda, medan portföljhanteraren och exekveringssystemen är skrivna i Python med SciPy och IBPy. Prestanda Överväganden Prestanda är ett viktigt övervägande för de flesta handelsstrategier. För högre frekvensstrategier är det den viktigaste faktorn. Prestanda täcker ett brett spektrum av problem, till exempel algoritmisk exekveringshastighet, nätverks latens, bandbredd, data IO, konkurrenscyparallelism och skalning. Var och en av dessa områden omfattas individuellt av stora läroböcker, så den här artikeln kommer bara att skrapa ytan på varje ämne. Arkitektur och språkval kommer nu att diskuteras med avseende på deras effekter på prestanda. Den rådande visdom som framgår av Donald Knuth. en av fäderna för datavetenskap, är att för tidig optimering är roten till allt ont. Detta är nästan alltid fallet - förutom när man bygger en högfrekvent handelsalgoritm För dem som är intresserade av lägre frekvensstrategier är ett gemensamt förhållningssätt att bygga ett system på det enklaste sättet och bara optimera när flaskhalsar börjar dyka upp. Profileringsverktyg används för att avgöra var flaskhalsar uppstår. Profiler kan göras för alla faktorer som anges ovan, antingen i en MS Windows eller Linux-miljö. Det finns många operativsystem och språkverktyg tillgängliga för att göra det, liksom tredjepartsverktyg. Språkvalet kommer nu att diskuteras i samband med prestanda. C, Java, Python, R och MatLab innehåller alla högpresterande bibliotek (antingen som en del av deras standard eller externt) för grundläggande datastruktur och algoritmiskt arbete. C-fartyg med Standard Template Library, medan Python innehåller NumPySciPy. Vanliga matematiska uppgifter finns i dessa bibliotek och det är sällan bra att skriva en ny implementering. Ett undantag är om det krävs högspecifikt hårdvaruarkitektur och en algoritm använder sig extensivt av egna tillägg (till exempel anpassade cacher). Men ofta återuppfyllning av hjulavfallet tid som skulle kunna användas bättre utveckla och optimera andra delar av handelsinfrastrukturen. Utvecklingstiden är extremt dyrbar, särskilt i samband med ensamutvecklare. Latency är ofta ett problem med exekveringssystemet eftersom forskningsverktygen oftast ligger på samma maskin. För det första kan latens förekomma vid flera punkter längs exekveringsvägen. Databaser måste konsulteras (disknetwork latens), signaler måste genereras (operativsystem, kärnmeddelande latens), handel signaler skickas (NIC latens) och order bearbetas (växelsystem interna latens). För högre frekvensoperationer är det nödvändigt att bli noggrant bekant med kärnoptimering samt optimering av nätverksöverföring. Detta är ett djupt område och ligger väsentligt bortom artikelns räckvidd men om en UHFT-algoritm är önskad, var då medveten om det djup av kunskap som krävs. Caching är väldigt användbar i verktyget för en kvantitativ handelsutvecklare. Caching avser begreppet lagring av ofta åtkomstad data på ett sätt som möjliggör högre prestanda åtkomst, på bekostnad av dataens potentiella stavhet. Ett vanligt användningsfall uppstår i webbutveckling när du tar data från en diskbaserad relationsdatabas och lägger den i minnet. Eventuella efterföljande förfrågningar om uppgifterna behöver inte träffas i databasen, så prestationsvinster kan vara viktiga. För handelssituationer kan caching vara mycket fördelaktigt. Till exempel kan den nuvarande situationen för en strategiportfölj lagras i en cache tills den är ombalanserad, så att listan inte behöver regenereras på varje slinga i handelsalgoritmen. Sådan regenerering är sannolikt en hög CPU - eller disk-IO-operation. Caching är dock inte utan egna problem. Regenerering av cacherdata på en gång, på grund av cachelagrings volatilitet, kan ge betydande efterfrågan på infrastruktur. En annan fråga är hundhoppning. där flera generationer av en ny cache kopia utförs under extremt hög belastning, vilket leder till kaskadfel. Dynamisk minnesallokering är en dyr operation vid programkörning. Det är således absolut nödvändigt att applikationer med högre prestandahandel är väl medvetna om hur minnet tilldelas och fördelas under programflödet. Nyare språkstandarder som Java, C och Python utför alla automatiska sopor. som hänför sig till deallokering av dynamiskt tilldelat minne när objekt går ur räckvidd. Skräpsamling är extremt användbar under utveckling eftersom det minskar fel och hjälpmedelläsbarhet. Det är emellertid ofta suboptimalt för vissa högfristiga handelsstrategier. Anpassad skräpsamling är ofta önskad för dessa fall. I Java, till exempel, genom att ställa in sopkollektor och hålkonfiguration, är det möjligt att få hög prestanda för HFT-strategier. C tillhandahåller inte en inbyggd sopsamlare och så är det nödvändigt att hantera all minnesallokeringsallokering som en del av en objektimplementering. Medan potentiellt fel benägen (potentiellt leder till danglingpekare) är det extremt användbart att ha finkorrigerad kontroll över hur föremål förekommer på högen för vissa applikationer. När du väljer ett språk, var noga med att studera hur sopsamlare fungerar och om det kan modifieras för att optimera för ett visst användningsfall. Många operationer i algoritmiska handelssystem är mottagliga för parallellisering. Detta avser begreppet att utföra flera programmatiska operationer samtidigt, dvs parallellt. Så kallade embarassingly parallella algoritmer inkluderar steg som kan beräknas helt oberoende av andra steg. Vissa statistiska operationer, som Monte Carlo-simuleringar, är ett bra exempel på embarassingly parallella algoritmer eftersom varje slumpmässig teckning och efterföljande banoperation kan beräknas utan kännedom om andra vägar. Andra algoritmer är endast delvis parallella. Vätskedynamik simuleringar är ett exempel där beräkningsdomänen kan delas upp, men i slutändan måste domänerna kommunicera med varandra och således är operationerna delvis sekventiella. Parallelliserbara algoritmer är föremål för Amdahls Law. som tillhandahåller en teoretisk övre gräns för prestationsökningen av en parallelliserad algoritm när den är föremål för N separata processer (t ex på en CPU-kärna eller tråd). Parallellisering har blivit allt viktigare som ett sätt att optimera eftersom processorns klockhastigheter har stagnerat, eftersom nyare processorer innehåller många kärnor för att utföra parallella beräkningar. Ökningen av konsumentgrafikhårdvara (främst för videospel) har lett till utvecklingen av grafiska processenheter (GPU), som innehåller hundratals kärnor för starkt samtidiga operationer. Sådana GPU är nu mycket överkomliga. Högnivåramar, till exempel Nvidias CUDA, har lett till omfattande adoption i akademia och finans. Sådan GPU-hårdvara är i allmänhet endast lämplig för forskningsaspekten för kvantitativ finansiering, medan andra mer specialiserade hårdvaror (inklusive Fältprogrammerbara Gate Arrays - FPGAs) används för (U) HFT. Numera stöder de flesta moderna långaugar en grad av samtidighet. Således är det enkelt att optimera en backtester, eftersom alla beräkningar är generellt oberoende av de andra. Skalning i mjukvaruutveckling och operationer avser systemets förmåga att hantera konsekvent ökande belastningar i form av större förfrågningar, högre processoranvändning och mer minnesallokering. I algoritmisk handel kan en strategi skala om den kan acceptera större mängder kapital och fortfarande ge konsekvent avkastning. Handelsstapeln staplar om den kan tåla större volymer och ökad latens utan flaskhalsing. Även om system måste utformas för att skala, är det ofta svårt att förutsäga i förväg där en flaskhals kommer att uppstå. Stigande loggning, testning, profilering och övervakning kommer att hjälpa till med att tillåta ett system att skala. Språk själva beskrivs ofta som oskalbara. Detta är vanligtvis ett resultat av felaktig information, snarare än hårdfakta. Det är den totala tekniken stapeln som bör fastställas för skalbarhet, inte språket. Tydligt vissa språk har större prestanda än andra i speciella användningsfall, men ett språk är aldrig bättre än någon annan i alla avseenden. Ett sätt att hantera skalan är att skilja problem som nämnts ovan. För att ytterligare införa förmågan att hantera spikar i systemet (dvs plötslig volatilitet som utlöser en flotta av handel) är det användbart att skapa en meddelandekurarkitektur. Detta innebär helt enkelt att placera ett meddelandekössystem mellan komponenter så att orderna staplas upp om en viss komponent inte kan hantera många förfrågningar. I stället för att förfrågningar förloras hålls de helt enkelt i en stapel tills meddelandet hanteras. Detta är särskilt användbart för att skicka handlar till en exekveringsmotor. Om motorn lider under tung latens så kommer det att backa upp affärer. En kö mellan handelssignalgenerern och exekverings-API kommer att lindra denna fråga på bekostnad av potentiell handelsglidning. En väl respekterad öppen källkodsmäklare är RabbitMQ. Hårdvara och operativsystem Hårdvaran som kör din strategi kan få stor inverkan på lönsamheten för din algoritm. Detta är inte ett problem begränsat till högfrekventa handlare heller. Ett dåligt val i hårdvaru - och operativsystem kan leda till maskinkrasch eller omstart vid det mest oupphörliga ögonblicket. Således är det nödvändigt att överväga var din ansökan kommer att ligga. Valet är generellt mellan en personlig skrivbordsmaskin, en fjärrserver, en molnleverantör eller en utbytessamlokaliserad server. Skrivbordsmaskiner är enkla att installera och administrera, särskilt med nyare användarvänliga operativsystem som Windows 78, Mac OSX och Ubuntu. Stationära system har emellertid vissa betydande nackdelar. Det främsta är att versionerna av operativsystem som är designade för stationära datorer sannolikt kommer att kräva omstartspatchning (och ofta i värsta tider). De utnyttjar också mer beräkningsmässiga resurser i kraft av att man behöver grafiskt användargränssnitt (GUI). Att använda maskinvara i ett hem (eller lokalt kontor) miljö kan leda till internetanslutning och strömuppehållsproblem. Den största fördelen med ett skrivbordssystem är att betydande hästkrafter kan köpas för bråkdelen av kostnaden för en fjärrstyrd dedikerad server (eller ett molnbaserat system) med jämförbar hastighet. En dedikerad server eller molnbaserad maskin, som ofta är dyrare än ett skrivbordsmöjlighet, möjliggör mer betydande infrastruktur för redundans, till exempel automatiserad datasäkerhetskopiering, möjligheten att lättare säkerställa upptid och fjärrövervakning. De är svårare att administrera eftersom de kräver möjligheten att använda fjärranslutna inloggningsfunktioner i operativsystemet. I Windows är det generellt via GUI Remote Desktop Protocol (RDP). I Unix-baserade system används kommandoraden Secure SHell (SSH). Unixbaserad serverinfrastruktur är nästan alltid kommandoradsbaserad, vilket gör att GUI-baserade programmeringsverktyg (till exempel MatLab eller Excel) omedelbart inte kan användas. En samlokaliserad server, som frasen används på kapitalmarknaderna, är helt enkelt en dedikerad server som ligger inom en utbyte för att minska latens för handelsalgoritmen. Detta är absolut nödvändigt för vissa högfristiga handelsstrategier, som är beroende av låg latens för att generera alfa. Den sista aspekten på hårdvaruval och valet av programmeringsspråk är plattformsoberoende. Är det nödvändigt att koden körs över flera olika operativsystem Är koden avsedd att köras på en viss typ av processorarkitektur, t. ex. Intel x86x64 eller kommer det att kunna utföras på RISC-processorer som de som tillverkas av ARM Dessa problem kommer att vara starkt beroende av frekvensen och typen av strategi som genomförs. Resilience and Testing Ett av de bästa sätten att förlora mycket pengar på algoritmisk handel är att skapa ett system utan elasticitet. Detta hänvisar till systemets hållbarhet när det är föremål för sällsynta händelser, såsom mäklarefel, plötslig överskottsvolatilitet, regionomfattande driftstopp för en molnleverantör eller oavsiktlig borttagning av en hel handelsdatabas. År av vinst kan elimineras inom några sekunder med en dåligt utformad arkitektur. Det är absolut nödvändigt att överväga problem som debuggng, testning, loggning, säkerhetskopiering, hög tillgänglighet och övervakning som kärnkomponenter i ditt system. Det är troligt att i någon rimligt komplicerad kundanpassad kvantitativ handelsansökan kommer minst 50 utvecklings tid att spenderas på felsökning, provning och underhåll. Nästan alla programmeringsspråk skickas antingen med en tillhörande debugger eller har väl respekterade alternativ från tredje part. I grunden tillåter en debugger exekvering av ett program med införande av godtyckliga brytpunkter i kodbanan, som tillfälligt stoppar utförandet för att undersöka systemets tillstånd. Huvuddelen av felsökning är att det är möjligt att undersöka kodens beteende före en känd olyckshändelse. Felsökning är en viktig del i verktygslådan för att analysera programmeringsfel. De brukar dock användas mer i kompilerade språk som C eller Java, eftersom tolkade språk som Python ofta är enklare att felsöka på grund av färre LOC och mindre uttalade uttalanden. Trots denna tendens skickar Python med pdb. vilket är ett sofistikerat felsökningsverktyg. Microsoft Visual C IDE har omfattande GUI-felsökningsverktyg, medan GNU-debuggeren för kommandoraden Linux C-programmerare finns. Testning i mjukvaruutveckling avser processen att tillämpa kända parametrar och resultat på specifika funktioner, metoder och objekt inom en kodbas för att simulera beteende och utvärdera flera kodbanor, vilket hjälper till att säkerställa att ett system beter sig som det ska. Ett senare paradigm är känt som testdriven utveckling (TDD), där testkoden utvecklas mot ett visst gränssnitt utan genomförande. Före slutförandet av den faktiska kodbasen kommer alla test att misslyckas. Som kod skrivs för att fylla i ämnena, kommer testen så småningom alla att passera, vid vilken tidpunkt utveckling ska upphöra. TDD kräver omfattande specifikationer i förväg samt en sund disciplin för att kunna genomföras framgångsrikt. I C erbjuder Boost en enhetstestningsram. I Java finns JUnit-biblioteket för att uppfylla samma syfte. Python har också den unittest modulen som en del av standardbiblioteket. Många andra språk har enhetstestramar och ofta finns det flera alternativ. I en produktionsmiljö är sofistikerad logning absolut nödvändig. Logging hänvisar till processen att skriva ut meddelanden, med olika grader av svårighetsgrad, angående utförande beteende för ett system till en platt fil eller databas. Loggar är en första attacklinje när man letar efter oväntat program runtime beteende. Tyvärr brukar bristerna i ett loggningssystem bara upptäckas efter det faktum. Som med säkerhetskopierade diskussioner nedan bör ett loggningssystem ges med vederbörlig hänsyn innan ett system är utformat. Både Microsoft Windows och Linux har omfattande systemloggningsfunktioner och programmeringsspråk tenderar att levereras med standardloggningsbibliotek som täcker de flesta användningsfall. Det är ofta klokt att centralisera loggningsinformation för att kunna analysera det senare, eftersom det ofta kan leda till idéer om förbättring av prestanda eller felreduktion, vilket nästan säkert kommer att ha en positiv inverkan på din avkastning. Medan loggning av ett system kommer att ge information om vad som har skett tidigare, kommer övervakning av en applikation att ge insikt om vad som händer just nu. Alla aspekter av systemet bör övervägas för övervakning. Systemnivåmått såsom diskanvändning, tillgängligt minne, nätverksbandbredd och CPU-användning ger grundläggande information om lasten. Handelsvärdena, såsom onormal prisvolym, plötsliga snabba drawdowns och kontoexponering för olika sektorer bör också övervakas löpande. Vidare bör ett tröskelsystem initieras som ger anmälan när vissa mätvärden bryts, förhöjning av anmälningsmetoden (e-post, SMS, automatiserat telefonsamtal) beroende på graden av metriska. Systemövervakning är ofta domänen för systemadministratören eller operationshanteraren. Men som en enda handelsutvecklare måste dessa mätvärden etableras som en del av den större designen. Många lösningar för övervakning existerar: proprietär, värd och öppen källkod, vilket möjliggör omfattande anpassning av mätvärden för ett visst användningsfall. Säkerhetskopiering och hög tillgänglighet bör vara huvudbekymmer för ett 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 fx, 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