Melhor linguagem de programação para sistemas de negociação algorítmica

Melhor linguagem de programação para sistemas de negociação algorítmica
Obter através da App Store Leia esta publicação em nosso aplicativo!
Linguagem de programação quantitativa de finanças.
Desde algumas semanas, comecei a fazer minhas pesquisas sobre financiamento quantitativo. Durante este tempo, eu poderia descobrir muitas coisas e com essas coisas, muitas perguntas me vieram à minha mente. Muitas notícias ou revistas econômicas / revistas escrevem sobre HFT / Algorithmic trading. A maioria diz que as empresas ou desenvolvedores de software preferem usar o C ++. Em alguns artigos, os escritores falam sobre Java, C #, C ou mesmo ASM. Eu tentei encontrar o motivo do C ++, mas não tive sucesso. Este tópico não fornece respostas que eu preciso (Por que o C ++ ainda é uma linguagem muito popular em financiamento quantitativo?)
Aqui estão as minhas perguntas: 1. Por que C ++? Que algumas empresas podem usar o ASM (e só posso imaginar o ASM no HFT onde milissegundos desempenham um papel), está tudo bem. Mas em comércio de frequência média ou em algoritmos? É por causa da velocidade? Eu procurei bibliotecas de finanças de quant para C ++, mas não consegui encontrar muito. O único é QuantLib, MatLib e TA-Lib. Mas sem APIs de gráficos / Libs ou tutoriais. Parece que ninguém está fazendo tutoriais. 2. Por que algumas pessoas escolhem Java? Eu sei, o Java é um idioma muito popular e tem muitas APIs / Libs e a comunidade está crescendo. Mas se a velocidade pode desempenhar um papel, Java não pode ser o mais rápido (devido ao ambiente virtual). Ou eu estou errado? 3. Por que ninguém está usando Python para negociação de média freqüência ou algo trading? Python tem muitos Apis / Libs como MatLib, TA-Lib, Pyqtgraph. Ok, eu tenho que dizer, Python não é o mais rápido. 4. Nesta discussão Por que o C ++ ainda é uma linguagem muito popular em finanças quantitativas ?, algumas pessoas afirmam que C # pode ser muito melhor para o desenvolvimento de finanças quantitativas. É realmente verdade? Como sobre Libs, APIs, Tutoriais, etc?
E a minha pergunta final, qual é a propriedade importante para a escolha de uma linguagem para financiamento quantitativo? Eu não falo sobre ASM porque é o idioma mais rápido e é usado para cálculos muito complexos que precisam ser feitos rapidamente. Mas sobre C ++, C #, Python e Java? Para mim, é importante que haja Livros e Tutoriais / Exemplos. E o começo, comecei com Python, mas, afinal, lido, não tenho certeza sobre o Python.
As pessoas conseguem esse problema errado porque sempre acabam discutindo as vantagens teóricas dessas línguas, e não as utilizações práticas dessas linguagens.
Haskell é elegante e tem muitas das vantagens teóricas (concisão da linguagem, ortogonalidade, polimorfismo paramétrico, ADTs, funções de ordem superior, compilador inteligente), há cerca de 25 anos, mas ainda não é importante nas finanças.
Python é uma linguagem feia. A sintaxe é adorada pela sua expressividade, mas as decisões de design, como o GIL, a digitação dinâmica, o paradigma orientado a objetos, etc. são inerentemente anti-paralelas e décadas abaixo, quando temos centenas de núcleos em cada processador, nossos filhos vão rir da obscuridade e obsoleteness de tais linguagens (entre outras coisas, como disquetes).
No entanto, hoje quase todos incentivam você a pegar o Python. Por quê?
O futuro de uma língua (ou de qualquer tecnologia, para a matéria) é decidido por sua comunidade, a riqueza de suas bibliotecas e ferramentas de desenvolvimento ea natureza autoperpetuante do código legado naquela linguagem e nunca suas vantagens teóricas. Podemos escrever ensaios sobre como odiamos Java; as bibliotecas ROOT e Boost; a verbosidade do XML, mas essas coisas estão aqui para ficar porque alcançaram uma massa crítica de usuários que estão dispostos a criar ferramentas de força de produção ou bibliotecas ao seu redor. Dezenas de linguagens funcionais, como F #, irão e virão, mas C ++ quase certamente permanecerá por causa da grande quantidade de código legado em C ++. Além disso, C ++ '11 é um enorme marco na classificação dos percalços teóricos ao longo de seu caminho de desenvolvimento.
Algumas escolhas abordarei com cautela:
Idiomas construídos em torno de paradigmas concorrentes e funcionais: Scala, F #. Eu diria abordá-lo com cautela, porque ele é usado na produção na Dropbox, Lime, Tower Research, Credit Suisse, etc., mas essas linguas levaram muito mais tempo para aumentar o uso convencional do que você esperaria que dêem as tendências atuais na arquitetura do processador. É difícil para mim dizer-lhe se ou não investir o seu tempo agora nestas línguas vai pagar exatamente 5 anos a partir de agora, mas todos nós parecem concordar que estas línguas eventualmente. Idiomas específicos do domínio: Julia. Infelizmente, Julia se comercializa com "Loops internos numéricos de velocidade C". Ele atrai o mesmo subconjunto da multidão de Python que argumentaria com esses usuários da Julia que isso é irrelevante, pois eles sempre podem cair para o Cython. Ambas as multidões defendem um paradigma condenado e atraem desenvolvedores de baixa qualidade. (Digo, infelizmente, porque Julia tem um grande número de coisas que as pessoas não percebem: multimethods tipo paramétricos, corutinas simétricas, interfaces limpas com linguagens estrangeiras, influências Lisp e suporte a metaprograma, etc.)
Com isso, gostaria de encorajar algumas escolhas:
Idiomas com apoio de irmão mais velho: Go, Swift, C #. Além do suporte do Google, Go tornou-se muito popular na China; A Microsoft fez um enorme avanço no C #; e muitas ferramentas de desenvolvimento de UI de alta qualidade sempre geram as principais linguas da Apple. Idiomas destinados a suplantar C / C ++ como uma linguagem de programação de nível de sistema: D, Nimrod. D já tem o apoio do Facebook e a Nimrod mantém a expressividade da sintaxe de Python enquanto obtém benchmarks impressionantes e está sendo usada para determinados projetos de programação de nível de sistemas. Tenha cuidado no entanto que ambos ainda dependem da abordagem GC para gerenciamento de memória.
Algum dos acima alcançou uma massa crítica de bons desenvolvedores? Acho que não. A solução real para você é que uma linguagem de programação realmente não é difícil de pegar! O que é mais importante é que você escolha como projetar um programa em vez de um idioma específico. Passe algum tempo com os 6 principais paradigmas de linguagem:
Programação imperativa (C) e abstrações de classes (C ++, C #, Java) Abstração funcional (Lisp, ML, F #) Especificações declarativas (modelos C ++, Haskell, Prolog) Abstração sintática (Lisp) Paralelismo (Cilk, SISAL, Clojure, Erlang) Corutinas (C #, F #, Haskell, Esquema, Ícone)
O comércio quantitativo geralmente invoca conceitos desses três campos principais:
Algoritmos, padrões de design e estruturas de dados: árvores B, listas de ignorar, memorização, DP etc. Programação de sistemas: endereçamento de memória, montagem, ligação, pilha / pilha, cache etc. Bancos de dados: Normalização, confirmação de duas fases, replicação, espelhamento, esquema design etc.
E se você se aproximar do foco do desenvolvedor quant do espectro:
Infelizmente, não há uma resposta correta para esta questão, é como o carro que você deveria dirigir no fim de semana.
C ++ é uma linguagem popular em finanças quantitativas, mas geralmente é (mas nem sempre!) Usado apenas para construir o backbone da aplicação, como o preço derivado. Por que C ++? O C ++ é uma boa escolha porque o C ++ é independente da plataforma, podemos construir de forma nativa um código de preço de opções para Linux, Mac, Windows etc. O QuantLib é um bom exemplo.
C # é outra linguagem muito popular em finanças. Podemos usar o C # para criar um aplicativo comercial, analisar dados XML de outro banco, criar um servidor web, etc. Claro, também podemos fazer preços derivados em C #, mas talvez não possamos otimizar o desempenho. Em C ++, podemos dividir as cargas de trabalho com o OpenMP, vectorizar um loop de Monte-Carlo, etc., mais difícil com o C #.
C # definitivamente não é uma linguagem melhor do que C ++ em finanças quantitativas. Depende realmente do que você quer fazer. Por exemplo, ninguém usaria C # para negociação HPC.
Nem todo mundo em financiamento quantitativo pode fazer programação difícil, a maioria não. Python (Excel VBL ou R) seria um idioma melhor para eles.
Se quiser aprender algo para o seu primeiro trabalho, comece com o C ++. Tente entender o QuantLib.

Um guia para as linguagens de programação populares usadas para sistemas de negociação.
Como um sistema de negociação algorítmico funcionará depende da linguagem de programação usada, e se funcionará bem depende da compreensão dessa linguagem de programação.
Há uma série de linguagens de programação com vantagens e desvantagens próprias e, assim como qualquer outra decisão, você terá que pesar os prós e contras de cada uma ao decidir qual você gostaria de aprender. Alguns fatores entram em que tipo de linguagem de programação as empresas prefeririam que seus funcionários aprendessem. Em vez de dizer: "bem, pessoas gostam de Java, I & # 039; irei com isso", & quot; considere os tipos de empresas que você está aplicando, e qual idioma parece mais adequado para cada negócio e cultura de cada um deles.
Decidir em um idioma dependerá da determinação do tipo de sistema comercial que você estará usando. Você pretende projetar um sistema de negociação baseado em execução? Será necessário um backtester de alto desempenho? Perguntas como essas acabarão por levá-lo à resposta para a qual a linguagem de programação irá fazer você parecer um bom candidato para contratar. Mas, para tomar essa decisão, você também precisará ter uma compreensão decente dos prós e contras de cada um. Leia o guia abaixo para saber mais sobre as linguagens de programação que você pode usar para desenvolver uma arquitetura do sistema comercial:
O Java cresceu extremamente popular desde a sua primeira aparição. A promessa por trás desta linguagem particular de alto nível é construir um programa uma vez, e você pode executá-lo em qualquer lugar e # 8211; uma vantagem que alimentou a subida de Java. Há uma série de benefícios para este idioma que o tornam uma opção melhor do que muitos outros. É uma linguagem fácil de usar e confiável. Pode ser depurado, escrito e aprendido com facilidade, e atribui muita importância à verificação de erros. Os problemas que não apareceriam até o tempo de execução quando o uso de outros idiomas são encontrados rapidamente com o Java.
Além disso, outra grande vantagem de usar Java é o fato de que esse idioma específico é independente da plataforma. O idioma orientado a objetos também permite aos usuários criar programas modulares e códigos reutilizáveis. Os programadores podem facilmente mover um programa de uma plataforma para outra sem problema, um enorme benefício. Não é apenas facilidade de uso e versatilidade que tornou Java tão popular. Cada componente do idioma foi projetado com segurança em mente.
Python é outro idioma orientado a objetos que é bastante legível. A linguagem de programação fácil de aprender é interativa, bem como portátil, o que permite que seja manuseado com facilidade. Outra linguagem que torna os empregos de tecnologia no setor financeiro mais fáceis, sua estrutura está bem organizada, o que significa que iniciadores e codificadores de longa data podem começar rapidamente a produzir programas com o Python. Além disso, um programador que está tendo problemas para aprender o idioma pode facilmente encontrar ajuda da comunidade Python de suporte. O idioma também é versátil, como o Java, e pode ser executado em várias plataformas sem muita mudança em sua interface. E não só Python é uma linguagem rápida para aprender, também é rápido para codificar. Os programadores podem ignorar uma série de etapas que outros idiomas exigem, o que pode diminuir o custo da manutenção do sistema.
Outra vantagem para a Python é que é fácil afixar novos módulos para o idioma, tornando-o bastante expansivo. Um grande conjunto de módulos para Python já está disponível. Isso permite aos usuários compartilhar funcionalidades entre vários programas, desconstruindo-os em módulos individuais e aplicando-os a várias arquiteturas.
Esta linguagem de propósito geral é tipicamente usada na programação de sistemas, e é bastante popular. C ++ é uma linguagem complicada que não é para iniciantes e funciona bem para programação orientada a objetos, abstração de dados e programação tradicional, entre outros usos. A Microsoft afirmou que quase todos os softwares de classe mundial são projetados usando o C ++. Embora esta seja uma vez a linguagem rapidamente ascendente, ela foi amplamente substituída por Java, mas o C ++ ainda tem suas vantagens. Por exemplo, o Java usa uma quantidade significativa de memória, o que dá à C ++ a vantagem quando executada em alguns dispositivos. Outra vantagem que C ++ possui sobre Java é a destruição determinista. Quando um objeto é excluído em um ambiente C ++, a destruição é executada imediatamente, o que permite que os recursos utilizados pelo objeto sejam liberados imediatamente.
Cada linguagem de programação tornou-se popular devido às suas vantagens particulares, e dependerá de você decidir quais os tornarão atraentes para gerentes de contratação. Basta ter em mente a conexão entre as empresas que você está solicitando e os prós e contras particulares do idioma que você escolhe aprender.

QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 26 de julho de 2018.
Uma das perguntas mais freqüentes que recebo no QS mailbag é "Qual é a melhor linguagem de programação para negociação algorítmica?". A resposta curta é que não existe um "melhor" idioma. Parâmetros de estratégia, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreve os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha do idioma.
Em primeiro lugar, serão considerados os principais componentes de um sistema de negociação algorítmico, como ferramentas de pesquisa, otimizador de portfólio, gerenciador de riscos e motor de execução. Posteriormente, serão examinadas diferentes estratégias de negociação e como elas afetam o design do sistema. Em particular, a freqüência de negociação e o provável volume de negociação serão discutidos.
Uma vez que a estratégia de negociação foi selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o (s) sistema (s) operacional (is) e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, deve-se ter em conta o desempenho, tanto para as ferramentas de pesquisa quanto para o ambiente de execução ao vivo.
Qual é o sistema de comércio tentando fazer?
Antes de decidir sobre o "melhor" idioma com o qual escrever um sistema de negociação automatizado, é necessário definir os requisitos. O sistema será puramente baseado em execução? O sistema exigirá um módulo de gerenciamento de risco ou construção de portfólio? O sistema exigirá um backtester de alto desempenho? Para a maioria das estratégias, o sistema comercial pode ser dividido em duas categorias: Pesquisa e geração de sinal.
A pesquisa está preocupada com a avaliação de um desempenho de estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação em relação aos dados anteriores do mercado é conhecido como backtesting. O tamanho dos dados e a complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade da CPU e a concorrência são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa.
A geração de sinal está preocupada com a geração de um conjunto de sinais de negociação a partir de um algoritmo e envio de ordens para o mercado, geralmente através de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. As questões de E / S, como a largura de banda da rede e a latência, muitas vezes são fatores limitantes na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bastante diferente.
Tipo, Frequência e Volume de Estratégia.
O tipo de estratégia algorítmica empregada terá um impacto substancial no design do sistema. Será necessário considerar os mercados comercializados, a conectividade com os fornecedores de dados externos, a freqüência e o volume da estratégia, o trade-off entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo customizado servidores, GPUs ou FPGAs que possam ser necessários.
As opções de tecnologia para uma estratégia de ações de baixa freqüência dos EUA serão muito diferentes das de uma negociação de estratégias de arbitragem estatística de alta freqüência no mercado de futuros. Antes da escolha do idioma, muitos fornecedores de dados devem ser avaliados que pertencem à estratégia em questão.
Será necessário considerar a conectividade com o fornecedor, a estrutura de todas as APIs, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor que está offline. Também é aconselhável possuir acesso rápido a vários fornecedores! Vários instrumentos têm todos os seus peculiaridades de armazenamento, exemplos dos quais incluem símbolos de ticker múltiplos para ações e datas de vencimento para futuros (sem mencionar nenhum dado OTC específico). Isso precisa ser incorporado ao design da plataforma.
A frequência da estratégia provavelmente será um dos maiores drivers de como a pilha de tecnologia será definida. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar, exigem uma consideração significativa em relação ao desempenho.
Uma estratégia que excede as barras segundo (isto é, dados de marca) leva a um design orientado a desempenho como o principal requisito. Para estratégias de alta freqüência, uma quantidade substancial de dados do mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb + é comumente usado para essas funções.
Para processar os extensos volumes de dados necessários para aplicações HFT, um sistema de backtester e execução extensivamente otimizado deve ser usado. C / C ++ (possivelmente com algum montador) é provável para o candidato a linguagem mais forte. As estratégias de ultra-alta freqüência certamente exigirão hardware personalizado, como FPGAs, co-localização de troca e ajuste de interface de rede / kernal.
Sistemas de pesquisa.
Os sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e script automatizado. O primeiro geralmente ocorre dentro de um IDE, como Visual Studio, MatLab ou R Studio. O último envolve cálculos numéricos extensos em vários parâmetros e pontos de dados. Isso leva a uma escolha de idioma que fornece um ambiente direto para testar código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetros.
Os IDE típicos neste espaço incluem Microsoft Visual C ++ / C #, que contém extensos utilitários de depuração, recursos de conclusão de código (via "Intellisense") e visões gerais diretas de toda a pilha do projeto (via o banco de dados ORM, LINQ); MatLab, que é projetado para uma grande variedade de álgebras lineares numéricas e operações vetoriais, mas de uma forma de console interativo; R Studio, que envolve o console de linguagem estatística R em um IDE de pleno direito; Eclipse IDE para Linux Java e C ++; e IDE semi-proprietários, como Enthought Canopy para Python, que incluem bibliotecas de análise de dados, como NumPy, SciPy, scikit-learn e pandas em um único ambiente interativo (console).
Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar uma GUI / IDE, pois o código será executado "em segundo plano". A principal consideração nesta fase é a velocidade de execução. Um idioma compilado (como C ++) geralmente é útil se as dimensões do parâmetro backtest forem grandes. Lembre-se de que é necessário desconfiar de tais sistemas se for esse o caso!
Idiomas interpretados, como Python, muitas vezes fazem uso de bibliotecas de alto desempenho, como NumPy / pandas para a etapa de teste, para manter um grau razoável de competitividade com equivalentes compilados. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades algorítmicas específicas, bem como o intervalo de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, o idioma utilizado para o backtester e os ambientes de pesquisa podem ser completamente independentes dos usados ​​na construção de portfólio, gerenciamento de riscos e componentes de execução, como será visto.
Construção de carteiras e gerenciamento de riscos.
A construção do portfólio e os componentes de gerenciamento de riscos são muitas vezes ignorados pelos comerciantes algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não só tentam aliviar o número de apostas "arriscadas", mas também minimizam o churn dos próprios negócios, reduzindo os custos de transação.
Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É direto criar um estável de estratégias, pois o mecanismo de construção do portfólio e o gerenciador de riscos podem ser facilmente modificados para lidar com múltiplos sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de comércio algorítmico.
O trabalho do sistema de construção de carteiras é levar um conjunto de trades desejados e produzir o conjunto de negócios reais que minimizam o churn, manter exposições a vários fatores (como setores, classes de ativos, volatilidade, etc.) e otimizar a alocação de capital para vários estratégias em um portfólio.
A construção do portfólio geralmente se reduz a um problema de álgebra linear (como uma fatoração da matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação de álgebra linear numérica disponível. As bibliotecas comuns incluem uBLAS, LAPACK e NAG para C ++. O MatLab também possui operações de matriz amplamente otimizadas. Python utiliza NumPy / SciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca de matriz compilada (e bem otimizada!) Para levar a cabo esta etapa, de modo a não engarrafar o sistema de negociação.
O gerenciamento de riscos é outra parte extremamente importante de um sistema de comércio algorítmico. O risco pode vir de várias formas: aumento da volatilidade (embora isso possa ser visto como desejável para certas estratégias!), Aumento de correlações entre classes de ativos, contraparte padrão, interrupções do servidor, eventos de "cisnes negros" e erros não detectados no código comercial, para nomear alguns.
Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e a correlação entre as classes de ativos e seus efeitos (s) subsequentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como Monte Carlo "testes de estresse". Isso é muito semelhante às necessidades computacionais de um mecanismo de preços de derivativos e, como tal, será vinculado à CPU. Essas simulações são altamente paralelizáveis ​​(veja abaixo) e, até certo ponto, é possível "lançar hardware no problema".
Sistemas de Execução.
O trabalho do sistema de execução é receber sinais de negociação filtrados dos componentes de construção de portfólio e gerenciamento de riscos e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação algorítmica de varejo, isso envolve uma conexão API ou FIX para uma corretora, como Interactive Brokers. As considerações primárias ao decidir sobre um idioma incluem a qualidade da API, a disponibilidade do idioma para uma API, a freqüência de execução e o deslizamento antecipado.
A "qualidade" da API refere-se ao quão bem documentado é, qual o tipo de desempenho que ele fornece, se ele precisa de um software autônomo para ser acessado ou se um gateway pode ser estabelecido de forma sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa ser executada em um ambiente GUI para acessar sua API. Uma vez, tive que instalar uma edição do Desktop Ubuntu em um servidor de nuvem da Amazon para acessar os corretores interativos de forma remota, apenas por esse motivo!
A maioria das APIs fornecerá uma interface C ++ e / ou Java. Geralmente, é de responsabilidade da comunidade desenvolver wrappers específicos do idioma para C #, Python, R, Excel e MatLab. Note-se que, com cada plugin adicional utilizado (especialmente os wrappers da API), há possibilidades de insetos no sistema. Sempre testar plugins desse tipo e garantir que eles sejam ativamente mantidos. Um indicador valioso é ver quantas novas atualizações de uma base de código foram feitas nos últimos meses.
A frequência de execução é de extrema importância no algoritmo de execução. Note que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. Slippage será incorrido através de um sistema de execução mal executado e isso terá um impacto dramático sobre a rentabilidade.
Os idiomas estaticamente digitados (veja abaixo), como C ++ / Java, geralmente são ótimos para execução, mas há um trade-off em tempo de desenvolvimento, testes e facilidade de manutenção. Idiomas dinamicamente digitados, como Python e Perl, geralmente são geralmente "rápidos o suficiente". Certifique-se sempre de que os componentes foram projetados de forma modular (veja abaixo) para que eles possam ser "trocados" à medida que o sistema se reduz.
Processo de Planejamento e Desenvolvimento Arquitetônico.
Os componentes de um sistema de comércio, seus requisitos de freqüência e volume foram discutidos acima, mas a infraestrutura do sistema ainda não foi coberta. Aqueles que atuam como comerciante de varejo ou que trabalham em um fundo pequeno provavelmente estarão "vestindo muitos chapéus". Será necessário cobrir o modelo alfa, o gerenciamento de riscos e os parâmetros de execução, bem como a implementação final do sistema. Antes de aprofundar linguagens específicas, o design de uma arquitetura de sistema ideal será discutido.
Separação de preocupações.
Uma das decisões mais importantes que devem ser tomadas no início é como "separar as preocupações" de um sistema comercial. No desenvolvimento de software, isso significa essencialmente como dividir os diferentes aspectos do sistema de negociação em componentes modulares separados.
Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que ajudem o desempenho, confiabilidade ou manutenção, sem modificar nenhum código de dependência externo. Esta é a "melhor prática" para esses sistemas. Para estratégias em frequências mais baixas, tais práticas são aconselhadas. Para a negociação de alta freqüência, o livro de regras pode ser ignorado à custa de ajustar o sistema para ainda mais desempenho. Um sistema mais acoplado pode ser desejável.
Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ótima é garantir que haja componentes separados para as entradas de dados de mercado históricos e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros de estratégia, construção de portfólio, gerenciamento de riscos e sistemas de execução automatizada.
Por exemplo, se o armazenamento de dados em uso estiver atualmente com desempenho inferior, mesmo em níveis significativos de otimização, ele pode ser trocado com reescrituras mínimas para a ingesta de dados ou API de acesso a dados. Até o ponto em que o backtester e os componentes subsequentes estão em causa, não há diferença.
Outro benefício de componentes separados é que permite que uma variedade de linguagens de programação sejam usadas no sistema geral. Não é necessário restringir a um único idioma se o método de comunicação dos componentes for independente de linguagem. Este será o caso se estiverem se comunicando via TCP / IP, ZeroMQ ou algum outro protocolo independente de linguagem.
Como um exemplo concreto, considere o caso de um sistema de backtesting que está sendo escrito em C ++ para o desempenho do "crunching", enquanto o gerenciador de portfólio e os sistemas de execução são escritos em Python usando SciPy e IBPy.
Considerações sobre o desempenho.
O desempenho é uma consideração significativa para a maioria das estratégias comerciais. Para estratégias de maior freqüência, é o fator mais importante. O "Desempenho" cobre uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, E / S de dados, simultaneidade / paralelismo e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto este artigo apenas arranhará a superfície de cada tópico. A escolha da arquitetura e da linguagem agora será discutida em termos de seus efeitos sobre o desempenho.
A sabedoria prevalecente, como afirmou Donald Knuth, um dos pais da Ciência da Computação, é que "a otimização prematura é a raiz de todo o mal". Este é quase sempre o caso - exceto quando se forma um algoritmo de negociação de alta freqüência! Para aqueles que estão interessados ​​em estratégias de baixa freqüência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os estrangulamentos começam a aparecer.
Ferramentas de perfil são usadas para determinar onde surgem os estrangulamentos. Perfis podem ser feitos para todos os fatores listados acima, em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e de idioma disponíveis para isso, bem como utilitários de terceiros. A escolha da linguagem agora será discutida no contexto da performance.
C ++, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (como parte do padrão ou externo) para estrutura básica de dados e trabalho algorítmico. C ++ é fornecido com a Biblioteca de modelos padrão, enquanto o Python contém NumPy / SciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação.
Uma exceção é se uma arquitetura de hardware altamente personalizada é necessária e um algoritmo está fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a "reinvenção da roda" desperdiça o tempo que pode ser melhor gasto no desenvolvimento e otimização de outras partes da infra-estrutura de negociação. O tempo de desenvolvimento é extremamente precioso especialmente no contexto dos únicos desenvolvedores.
A latência é muitas vezes uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão localizadas na mesma máquina. Para o primeiro, a latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de disco / rede), os sinais devem ser gerados (sistema operacional, latência de mensagens do kernal), sinais comerciais enviados (latência NIC) e pedidos processados ​​(latência interna dos sistemas de troca).
Para operações de maior freqüência, é necessário familiarizar-se intimamente com a otimização do kernal, além de otimizar a transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado então esteja ciente da profundidade do conhecimento necessário!
O cache é muito útil no conjunto de ferramentas de um desenvolvedor de negócios quantitativo. O armazenamento em cache refere-se ao conceito de armazenar dados freqüentemente acessados ​​de uma maneira que permita um acesso de alto desempenho, em detrimento do potencial estancamento dos dados. Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional com respaldo de disco e colocá-lo na memória. Quaisquer pedidos subseqüentes para os dados não precisam "acessar o banco de dados" e, portanto, os ganhos de desempenho podem ser significativos.
Para situações de negociação, o cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até ser reequilibrado, de modo que a lista não precisa ser regenerada em cada ciclo do algoritmo de negociação. Essa regeneração provavelmente será uma alta CPU ou operação de E / S de disco.
No entanto, o armazenamento em cache não está sem os seus próprios problemas. A regeneração de dados de cache de uma só vez, devido à natureza volátil do armazenamento de cache, pode colocar uma demanda significativa na infraestrutura. Outra questão é o empilhamento de cães, onde múltiplas gerações de uma nova cópia de cache são realizadas sob uma carga extremamente alta, o que leva a uma falha em cascata.
A alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de maior desempenho comercial sejam conscientes de como a memória está sendo alocada e desalocada durante o fluxo do programa. Novos padrões de linguagem, como Java, C # e Python, todos executam a coleta automática de lixo, que se refere à desalocação da memória alocada dinamicamente quando os objetos ficam fora do escopo.
A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz erros e ajuda a legibilidade. No entanto, muitas vezes é sub óptimo para certas estratégias de negociação de alta freqüência. A coleta de lixo personalizada é muitas vezes desejada para esses casos. Em Java, por exemplo, ao ajustar a configuração do coletor de lixo e do heap, é possível obter alto desempenho para as estratégias de HFT.
C++ doesn't provide a native garbage collector and so it is necessary to handle all memory allocation/deallocation as part of an object's implementation. While potentially error prone (potentially leading to dangling pointers) it is extremely useful to have fine-grained control of how objects appear on the heap for certain applications. When choosing a language make sure to study how the garbage collector works and whether it can be modified to optimise for a particular use case.
Many operations in algorithmic trading systems are amenable to parallelisation . This refers to the concept of carrying out multiple programmatic operations at the same time, i. e in "parallel". So-called "embarassingly parallel" algorithms include steps that can be computed fully independently of other steps. Certain statistical operations, such as Monte Carlo simulations, are a good example of embarassingly parallel algorithms as each random draw and subsequent path operation can be computed without knowledge of other paths.
Other algorithms are only partially parallelisable. Fluid dynamics simulations are such an example, where the domain of computation can be subdivided, but ultimately these domains must communicate with each other and thus the operations are partially sequential. Parallelisable algorithms are subject to Amdahl's Law, which provides a theoretical upper limit to the performance increase of a parallelised algorithm when subject to $N$ separate processes (e. g. on a CPU core or thread ).
Parallelisation has become increasingly important as a means of optimisation since processor clock-speeds have stagnated, as newer processors contain many cores with which to perform parallel calculations. The rise of consumer graphics hardware (predominently for video games) has lead to the development of Graphical Processing Units (GPUs), which contain hundreds of "cores" for highly concurrent operations. Such GPUs are now very affordable. High-level frameworks, such as Nvidia's CUDA have lead to widespread adoption in academia and finance.
Such GPU hardware is generally only suitable for the research aspect of quantitative finance, whereas other more specialised hardware (including Field-Programmable Gate Arrays - FPGAs) are used for (U)HFT. Nowadays, most modern langauges support a degree of concurrency/multithreading. Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others.
Scaling in software engineering and operations refers to the ability of the system to handle consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation. In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns. The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking .
While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur. Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale. Languages themselves are often described as "unscalable". This is usually the result of misinformation, rather than hard fact. It is the total technology stack that should be ascertained for scalability, not the language. Clearly certain languages have greater performance than others in particular use cases, but one language is never "better" than another in every sense.
One means of managing scale is to separate concerns, as stated above. In order to further introduce the ability to handle "spikes" in the system (i. e. sudden volatility which triggers a raft of trades), it is useful to create a "message queuing architecture". This simply means placing a message queue system between components so that orders are "stacked up" if a certain component is unable to process many requests.
Rather than requests being lost they are simply kept in a stack until the message is handled. This is particularly useful for sending trades to an execution engine. If the engine is suffering under heavy latency then it will back up trades. A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage. A well-respected open source message queue broker is RabbitMQ.
Hardware e sistemas operacionais.
The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a personal desktop machine, a remote server, a "cloud" provider or an exchange co-located server.
Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7/8, Mac OSX and Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times!). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI).
Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed.
A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system.
In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable.
A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha.
The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems? Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM? These issues will be highly dependent upon the frequency and type of strategy being implemented.
Resilience and Testing.
One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system.
It is likely that in any reasonably complicated custom quantitative trading application at least 50% of development time will be spent on debugging, testing and maintenance.
Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point .
Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb, which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists.
Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease.
TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options.
In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed.
Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.
While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.
Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric.
System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case.
Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering!
It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment?
Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I won't delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system.
Choosing a Language.
Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised.
Type Systems.
When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C++ and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript.
For a 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 doesn't catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. 'Dynamic' languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone.
Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays.
Open Source or Proprietary?
One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. Existem vantagens e desvantagens para ambas as abordagens. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensing/maintenance costs.
The Microsoft stack (including Visual C++, Visual C#) and MathWorks' MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant "battle testing" in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds.
Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C++, C# and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain.
There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools "play well" with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned.
MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive.
Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C++ and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats.
The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Além disso, eles geralmente permitem um desenvolvimento baseado em console interativo, reduzindo rapidamente o processo de desenvolvimento iterativo.
Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce.
Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C++ in order to improve execution speeds, but it requires some experience in multi-language programming.
While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Os sistemas operacionais de código aberto, como o Linux, podem ser mais difíceis de administrar.
I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C++ and R. The maturity, community size, ability to "dig deep" if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C++) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend.
Batteries Included?
The header of this section refers to the "out of the box" capabilities of the language - what libraries does it contain and how good are they? This is where mature languages have an advantage over newer variants. C++, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms.
C++ is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms "for free". Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance).
Outside of the standard libraries, C++ makes use of the Boost library, which fills in the "missing parts" of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C++11 spec, including native support for lambda expressions and concurrency.
Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL++ (MySQL/C++), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin!
An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C++ and Java, but some also support C# and Python, either directly or with community-provided wrapper code to the C++ APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol.
Conclusão.
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.
O benefício de uma arquitetura separada é que permite que os idiomas sejam "conectados" para diferentes aspectos de uma pilha de negociação, conforme e quando os requisitos mudarem. A trading system is an evolving tool and it is likely that any language choices will evolve along with it.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever para a lista de e-mails QuantStart:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.

5 Programming Languages You Should Know If You Are An Aspiring Trader.
Programming skills are increasingly important. Many of these programming languages can be learnt for free.
Like many other jobs, the advancement of technology is slowly shifting the skill sets needed for traders. As a trader, you will likely be heavily involved in quantitative trading – which includes high-frequency trading and algorithmic trading. With so many free courses on programming languages online, you will be hard-pressed to find someone who doesn’t know anything about programming.
This means that you will be on the losing end when you are looking for a job in trading if you do not upgrade yourself. As such, we have compiled five programming languages that are commonly used in algorithmic trading, and where you can learn them.
C++ is a middle-level programming language. Components of High-Frequency Trading (HFT) that are latency-sensitive are usually developed in C++ because it is most efficient at processing high volumes of data. Furthermore, C++ is used for many banks’ legacy systems. Switching to a new language and programme will require huge amounts of resources to be spent, so demand for C++ developers is here to stay.
Free websites like LearnCpp and SoloLearn provide good introductory tutorials to C++. Note that C++ has a steep learning curve as is it built on C, so it would be easier to learn if you have prior knowledge of C.
It has been reported that Java is the most sought after programming language on Wall Street. Java is largely used for data modelling, simulations, and low latency execution (although there is a debate on whether Java or C++ is more useful in HFT).
If you want to pick up basic Java programming, you can try Java Tutorial for Complete Beginners for free or check out this Code Academy course. However, if you are someone who is completely new to programming, Java might not be a good language to start with as it is more complex, thus harder to pick up.
The difference between C# and C++ is that the former was designed to be a higher-level component-oriented language, while the latter is a low-level platform-neutral object-oriented programming language. In fact, C# actually shares more similarities with Java than with C++, despite their names. C# and Java are thus used for the same functions in trading.
The free C# Fundamentals for Absolute Beginners course by Microsoft Virtual Academy is a good place to start. Another recommended course is Udemy’s S$28 C# Basics for Beginners, with a rating of 4.7/5. Udemy also has C# courses for intermediate and advanced students.
Python is slower than C# and C++, but is widely used in quant trading because it is a high-level language. Research and prototyping are carried out much more easily due to Python’s high-performing libraries. Furthermore, it is beginner-friendly, hence easier for traders to pick up.
DataCamp’s Intro to Python for Data Science does a good job of introducing the basics of Python. Learn Python The Hard Way is also a good resource for learning Python. Once you have mastered the basic syntax, head over to this interactive Python Riddle to get comfortable with using it!
R is an open source programming language primarily used in statistics and data analytics. Any good trading algorithm has to be extensively tested using sample data. R allows designing of programs that generate trading signals and maximise strategy’s returns.
There are numerous free online sources available to learn R. DataCamp’s Model a Quantitative Trading Strategy in R teaches R with a focus on trading, while Coursera’s specialisation is a more general introduction to using R for data analytics.
The 10,000 Hour Rule says that one needs to practice for 10,000 hours to be decent at your field. To properly pick up any programming language, you will definitely have to put in extra effort, be it setting aside time every single day to learn and practice, signing up for classes, or participating in problem-solving events. The learning curve for some languages may be very steep, but that is no reason to give up on learning a new skill.

The Best Programming Languages for Trading.
While designing the algorithm trading system the major components research tool, risk manager, execution Engine, and portfolios optimiser should be considered. There are different trading strategies except them which will greatly in designing of the system. Once you decide the trading strategy, then it becomes easy to architect the whole system. The trading system includes the selection of operating system, choice of hardware, resiliency against rare and potentially catastrophic events. Before considering the system architecture first consider the performance, research tools as well as live execution environment. You can hire freelancers who know about trading.
Before deciding which programming languages are the best for creating the trading system first define the requirements of the system. Decide whether your system is completely execution based? Is your system required risk management software? Do your system require high-performance back tester? The trading system has two type of research and signal generation. The research of the system is the process of evolution of strategy performance over historical data. Signal generation is the process which generates the set of trading signals from the algorithm and sends such it to the market through a brokerage. The strategy of the trading algorithm impacts the design of the system. It is necessary to consider the connectivity to external data vendors, and volume of the strategy while developing the traded system.
Best Programming Languages for Trading.
C# is a programming language which is developed by Microsoft framework. It is language mostly used for web development. C# and Java programming language has more similarity than the C++ programming language. You can use C# and Java for the same function in trading. It is the general purpose object-oriented programming language so this language performs a lot of functionality and developer can easily create the trading application using this language. Now C# is also used for developing mobile apps for iOS and Android.
C++ is a general-purpose object-oriented language that has an impact on other programming languages, and this programming language creates the tons of applications, drivers, and firmware, etc. The C++ plays an important role in developing the component of High - Frequency trading that are latency sensitive because it is most efficient at processing a high volume of data. The software of C++ is also used in a different business application and also used in the banks legacy systems. Developing the trading application in other language becomes difficult because these programming languages require a lot of resources; so many developers prefer the C++ programming language for creating the trading application.
Java is a high-level object-oriented programming language is used for creating the server side applications, video games, and mobile applications. This programming language mostly used for data modeling, simulations, and low latency execution. This programming language is used for developing the native Android apps and web-based application. It is popular language because of its simplicity and readability. It is the language compatible with any system hence the developer can easily modify the existing developed application with this language. It is the language which has established itself as one of the most influential and solid programming languages. You can hire freelancers who have knowledge and experience in Java programming language.
Python has general purpose programming language usage. It is slower programming language than C++ and C# but greatly used in quant trading because it is a high-level programming language. Python has a great framework so anyone can develop application easily using this language. Because of the Python’s high performing libraries, the research and prototyping are easy. It is beginner friendly language because of its simple syntax structure, so it is easier for traders to pick up. Because of its simple programming structure developer can easily express the concept in fewer lines. Once you become mastered in basic syntax of Python, then you can easily comfortable with this language.
R is a programming language primarily used in statics and data analytics. R provides extensive variety of statistics such as classical statistical tests, linear and nonlinear modelling, and time - series analysis, clustering and graphical techniques. Use any sample data, and any good trading algorithm needs to get tested. R programming language allows designing of programs that generate trading signals and maximise strategy returns. It is the open source programming language which compiles and run on a wide variety of UNIX platform and similar system. You can find freelance jobs online in R programming language.
In this article, you get information regarding the best programming language for trading. Before picking the proper programming language for trading, you have to put extra efforts, setting aside time every single day to learn and practice, and participating in problem-solving events. Above mentioned programming languages easily helps you for analysis for trading.