เทรดดิ้ง ระบบ การพัฒนา ภาษา C ++

C Developer - FinTech - Complex Systems คำอธิบายเกี่ยวกับงาน ITG กำลังมองหาวิศวกรอาวุโสระดับสูง C เข้าร่วมทีมพัฒนาระบบการซื้อขายของเรา คุณกำลังมองหาความท้าทายด้านเทคนิคในขณะที่รับความรู้เกี่ยวกับโดเมนในโลกที่น่าตื่นเต้นของการกำหนดเส้นทางการสั่งซื้อทางอิเล็กทรอนิกส์ความเร็วสูงที่ บริษัท นายหน้าซื้อขายหลักทรัพย์ชั้นนำเรากำลังมองหาการขยายทีมงานของเราในด้านนักพัฒนาซอฟต์แวร์ที่มีความสามารถมีประสบการณ์และเป็นนวัตกรรมใหม่ หากคุณมีความเฉลียวฉลาดในการดำน้ำลึกเข้าไปในระบบที่ซับซ้อนและมีการเพิ่มประสิทธิภาพสูงและต้องการทำงานในระบบการซื้อขายความเร็วสูงและความเร็วสูงทั่วทั้งสามทวีปนี่เป็นโอกาสที่เหมาะสมสำหรับคุณ ที่ ITG เทคโนโลยีเป็นชื่อกลางของเรา อย่างแท้จริง พนักงานของเราที่ทำงานในด้านเทคโนโลยีเกือบครึ่งหนึ่งเป็นวิศวกรของเราช่วยให้ธุรกิจของเราสามารถให้บริการที่ดีที่สุดแก่ลูกค้าทั่วโลกของเรา วิศวกรแนวคิด ITG ทำงานร่วมกับหน่วยธุรกิจของเราเพื่อสร้างเทคโนโลยีสำหรับผู้ค้าสถาบันซึ่งช่วยให้พวกเขาสามารถปรับปรุงผลตอบแทนให้กับนักลงทุนได้ พัฒนาระบบการสั่งซื้อทั่วโลกของ ITGrsquos ซึ่งเป็นระบบการซื้อขายแบบกระจายที่มีความเหมาะสมสูงสุดรองรับความต้องการในการกำหนดเส้นทางการสั่งซื้อทางอิเล็กทรอนิกส์ทั้งหมดของ ITGrsquos (ตราสารทุนตราสารอนุพันธ์และสินทรัพย์อื่น ๆ ) ให้โซลูชันที่มีความล่าช้าต่ำสำหรับลูกค้าสถาบันขนาดใหญ่ในขณะเดียวกันก็รักษาแนวการกำกับดูแลที่เปลี่ยนแปลงอย่างรวดเร็ว ในทุกแง่มุมของระบบเพื่อให้มั่นใจเสถียรภาพของระบบทำงานร่วมกับทีมงานสนับสนุนแอพพลิเคชันและโครงสร้างพื้นฐานกำหนดความต้องการทางธุรกิจโดยอาศัยปฏิสัมพันธ์โดยตรงกับผู้มีส่วนได้ส่วนเสียต่างๆตรวจสอบคุณสมบัติใหม่ ๆ เมื่อเริ่มต้นใช้งานการออกแบบและพัฒนาระบบการค้าทางการเงินด้วย C Description พิมพ์เขียวสำหรับการออกแบบ และการนำระบบการซื้อขายและระบบบริหารความเสี่ยงที่ทันสมัยเข้าไว้ด้วยกันให้การออกแบบซอฟต์แวร์ที่ดีมีรูปแบบทางคณิตศาสตร์ในทางปฏิบัติและแนวทางการดำเนินธุรกิจที่ใช้กันอย่างแพร่หลายในปัจจุบันหนังสือเล่มนี้จะช่วยคุณสร้างทุกอย่างที่คุณต้องการเพื่อสร้างการค้าที่ซับซ้อน ing และระบบการบริหารความเสี่ยงที่เหมาะสมกับเนื้อหาส่วนใหญ่ Gurav Mengla นักออกแบบซอฟต์แวร์ด้านระบบการค้าชั้นนำของโลกได้รับประสบการณ์จาก Barclays, HSBC และสถาบันการเงินชั้นนำในการลดความยุ่งยากในการออกแบบระบบการซื้อขายให้คุณได้รับข้อเสนอแนะเกี่ยวกับการแก้ปัญหาทางเทคนิคในการซื้อขายอัตโนมัติ การออกแบบและติดตั้งระบบ พร้อมกับรายละเอียดการออกแบบระบบและรหัสแหล่งที่มาเน้นการขยายและความยืดหยุ่นด้วยกลยุทธ์ในการผสมผสานรูปแบบใหม่เข้ากับระบบที่มีอยู่รายละเอียดครอบคลุมรูปแบบทางการเงินที่ใช้กันอย่างแพร่หลายและแนวทางที่แพร่หลายมากที่สุด ในชุมชนทางการเงินในปัจจุบันสำรวจระบบย่อยของรายงานรายวันรายสัปดาห์รายเดือนและรายปีซึ่งรวมความเสี่ยงในทุกระดับขององค์กรจากแผนกต่างๆไปยังแผนกของ บริษัท ทั้งหมดรวมถึงข้อมูลที่มีค่าและรายละเอียดการออกแบบระบบจากหนังสือรวมทั้งรหัสและระบบ C modelShow more รายละเอียดสินค้ารูปแบบผลิตภัณฑ์สื่อผสม 512 หน้าขนาด 150 x 250 มม. 505g วันที่ตีพิมพ์ 09 Nov 2016 ผู้ผลิต John Wiley amp Sons Inc สิ่งพิมพ์ CityCountry New York, United States Language English ISBN10 0471667706 ISBN13 9780471667704 สินค้าที่ขายดีที่สุด 1,394,799Best Programming Language for Algorithmic Trad ระบบหนึ่งในคำถามที่พบบ่อยที่สุดที่ฉันได้รับในกล่องจดหมาย QS คืออะไรภาษาการเขียนโปรแกรมที่ดีที่สุดสำหรับการซื้อขายแบบอัลกอรึทึม คำตอบสั้น ๆ ก็คือไม่มีภาษาที่ดีที่สุด ควรพิจารณาพารามิเตอร์ยุทธศาสตร์ประสิทธิภาพ modularity การพัฒนาความยืดหยุ่นและค่าใช้จ่ายทั้งหมด บทความนี้จะสรุปองค์ประกอบที่จำเป็นของสถาปัตยกรรมระบบการค้าแบบอัลกอริทึมและวิธีการตัดสินใจเกี่ยวกับการใช้งานมีผลต่อการเลือกภาษา ประการแรกส่วนประกอบสำคัญของระบบการค้าอัลกอริธึมจะได้รับการพิจารณาเช่นเครื่องมือในการวิจัยเครื่องมือเพิ่มประสิทธิภาพพอร์ตการลงทุนผู้จัดการความเสี่ยงและเครื่องมือการดำเนินการ ต่อมาจะมีการตรวจสอบกลยุทธ์การซื้อขายที่แตกต่างกันและจะมีผลต่อการออกแบบระบบอย่างไร โดยเฉพาะอย่างยิ่งความถี่ของการซื้อขายและปริมาณการซื้อขายที่คาดว่าจะมีการหารือกัน เมื่อเลือกกลยุทธ์การซื้อขายแล้วจะต้องมีการสถาปนิกทั้งระบบ ซึ่งรวมถึงทางเลือกของฮาร์ดแวร์ระบบปฏิบัติการ (s) และความยืดหยุ่นของระบบกับเหตุการณ์ที่หายากที่อาจเกิดภัยพิบัติ ในขณะที่สถาปัตยกรรมกำลังอยู่ในระหว่างการพิจารณาคำนึงถึงความสำคัญของผลการปฏิบัติงานทั้งในด้านเครื่องมือการวิจัยและสภาพแวดล้อมในการดำเนินงานจริง ระบบการซื้อขายกำลังพยายามทำอะไรก่อนที่จะตัดสินใจเลือกภาษาที่ดีที่สุดในการเขียนระบบการซื้อขายอัตโนมัติจำเป็นต้องกำหนดข้อกำหนด ระบบจะดำเนินการโดยสิ้นเชิงหรือไม่ระบบจะต้องมีระบบการจัดการความเสี่ยงหรือโมดูลการสร้างพอร์ตโฟลิโอระบบจะต้องใช้ backtester ประสิทธิภาพสูงสำหรับกลยุทธ์ส่วนใหญ่ระบบการซื้อขายสามารถแบ่งออกเป็น 2 ประเภท ได้แก่ การวิจัยและการสร้างสัญญาณ การวิจัยเกี่ยวข้องกับการประเมินผลการดำเนินงานด้านกลยุทธ์มากกว่าข้อมูลในอดีต กระบวนการประเมินกลยุทธ์การซื้อขายมากกว่าข้อมูลตลาดก่อนหน้านี้เรียกว่า backtesting ขนาดข้อมูลและความซับซ้อนของขั้นตอนวิธีจะมีผลกระทบอย่างมากต่อความเข้มของการคำนวณของ backtester ความเร็วของซีพียูและภาวะพร้อมกันมักเป็นปัจจัย จำกัด ในการเพิ่มประสิทธิภาพความเร็วในการดำเนินการวิจัย การสร้างสัญญาณเกี่ยวข้องกับการสร้างชุดสัญญาณการซื้อขายจากอัลกอริทึมและส่งคำสั่งซื้อดังกล่าวไปยังตลาดโดยปกติจะผ่านการเป็นนายหน้าซื้อขายหลักทรัพย์ สำหรับกลยุทธ์บางอย่างจำเป็นต้องมีประสิทธิภาพระดับสูง ปัญหา IO เช่นแบนด์วิธเครือข่ายและเวลาแฝงมักเป็นปัจจัย จำกัด ในการเพิ่มประสิทธิภาพระบบปฏิบัติการ ดังนั้นการเลือกภาษาสำหรับส่วนประกอบต่างๆของระบบทั้งหมดของคุณอาจแตกต่างกันออกไป ประเภทความถี่และปริมาตรของกลยุทธ์ประเภทของกลยุทธ์ขั้นตอนวิธีที่ใช้จะมีผลกระทบอย่างมากต่อการออกแบบระบบ จำเป็นต้องพิจารณาตลาดที่มีการซื้อขายการเชื่อมต่อกับผู้จัดจำหน่ายข้อมูลภายนอกความถี่และปริมาณของกลยุทธ์การค้าระหว่างความง่ายในการพัฒนาและการเพิ่มประสิทธิภาพการปฏิบัติงานตลอดจนฮาร์ดแวร์ที่กำหนดเองใด ๆ รวมทั้งกำหนดเองที่ตั้งอยู่ เซิร์ฟเวอร์, GPU หรือ FPGA ที่อาจจำเป็น ทางเลือกเทคโนโลยีสำหรับยุทธศาสตร์การลงทุนในตลาดหุ้นในสหรัฐฯที่มีความถี่ต่ำจะแตกต่างจากกลยุทธ์การเก็งกำไรทางสถิติที่มีความถี่สูงในตลาดฟิวเจอร์ส ก่อนที่จะมีการเลือกภาษาผู้จัดจำหน่ายข้อมูลจำนวนมากต้องได้รับการประเมินว่าเกี่ยวข้องกับกลยุทธ์ในมือ จะต้องพิจารณาการเชื่อมต่อกับผู้จัดจำหน่ายโครงสร้างของ API ใด ๆ ความทันเวลาของข้อมูลความต้องการในการจัดเก็บและความยืดหยุ่นในการเผชิญหน้ากับผู้ขายที่ออฟไลน์ นอกจากนี้ยังมีความฉลาดที่จะเข้าถึงผู้ค้าหลายรายได้อย่างรวดเร็วเครื่องมือต่างๆต่างก็มีปัญหาเกี่ยวกับการจัดเก็บข้อมูลของตัวเองตัวอย่างซึ่งรวมถึงสัญลักษณ์หลายตัวสำหรับหุ้นและวันที่หมดอายุสำหรับฟิวเจอร์ส (ไม่พูดถึงข้อมูล OTC ใด ๆ ที่เฉพาะเจาะจง) นี้จะต้องเป็นปัจจัยในการออกแบบแพลตฟอร์ม ความถี่ของกลยุทธ์น่าจะเป็นหนึ่งในตัวขับเคลื่อนที่ใหญ่ที่สุดในการกำหนดขอบเขตเทคโนโลยี กลยุทธ์ที่มีการใช้ข้อมูลมากกว่าบาร์ที่ละเอียดและพิเศษต้องได้รับการพิจารณาอย่างมีนัยสำคัญเกี่ยวกับประสิทธิภาพการทำงาน กลยุทธ์ที่เกินบาร์ที่สอง (นั่นคือข้อมูลที่ทำเครื่องหมาย) นำไปสู่การออกแบบที่ขับเคลื่อนด้วยประสิทธิภาพเป็นสิ่งจำเป็นหลัก สำหรับกลยุทธ์ความถี่สูงข้อมูลตลาดจำนวนมากจะต้องได้รับการจัดเก็บและประเมินผล ซอฟต์แวร์ดังกล่าวเป็น HDF5 หรือ kdb มักใช้สำหรับบทบาทเหล่านี้ เพื่อที่จะประมวลผลปริมาณข้อมูลที่จำเป็นสำหรับแอพพลิเคชัน HFT จำเป็นต้องมีการใช้ backtester และระบบปฏิบัติการที่ดีที่สุดอย่างกว้างขวาง CC (อาจมีบาง assembler) มีแนวโน้มที่จะเป็นผู้สมัครภาษาที่แข็งแกร่ง กลยุทธ์ความถี่สูงพิเศษจะต้องใช้ฮาร์ดแวร์ที่กำหนดเองเช่น FPGAs, co-location และ kernalnetwork interface tuning ระบบการวิจัยระบบการวิจัยมักเกี่ยวข้องกับการผสมผสานระหว่างการพัฒนาแบบโต้ตอบและการเขียนสคริปต์อัตโนมัติ ก่อนหน้านี้มักเกิดขึ้นภายใน IDE เช่น Visual Studio, MatLab หรือ R Studio หลังเกี่ยวข้องกับการคำนวณเชิงตัวเลขอย่างกว้างขวางผ่านพารามิเตอร์และจุดข้อมูลจำนวนมาก ซึ่งจะนำไปสู่การเลือกภาษาที่ให้สภาพแวดล้อมที่ตรงไปตรงมาในการทดสอบโค้ด แต่ยังมีประสิทธิภาพเพียงพอในการประเมินกลยุทธ์มากกว่ามิติข้อมูลหลายพารามิเตอร์ IDEs ทั่วไปในพื้นที่นี้ประกอบด้วย Microsoft Visual CC ซึ่งประกอบด้วยโปรแกรมอรรถประโยชน์การแก้จุดบกพร่องมากมายความสามารถในการทำรหัส (ผ่าน Intellisense) และภาพรวมที่ตรงไปตรงมาของสแต็คโครงการทั้งหมด (ผ่านทางฐานข้อมูล ORM, LINQ) MatLab ซึ่งถูกออกแบบมาสำหรับพีชคณิตเชิงเส้นจำนวนมากและการดำเนินการแบบเวกเตอร์ แต่ในคอนโซลแบบโต้ตอบ R Studio ซึ่งรวบรวมคอนโซลภาษาสถิติ R ไว้ใน IDE Eclipse IDE ที่สมบูรณ์แบบสำหรับ Linux Java และ C และ IDE แบบกึ่งกรรมสิทธิ์เช่น Enthought Canopy for Python ซึ่งรวมถึงห้องสมุดการวิเคราะห์ข้อมูลเช่น NumPy SciPy scikit-learn และ pandas ในสภาพแวดล้อมแบบโต้ตอบ (คอนโซล) เดียว สำหรับการทดสอบย้อนหลังแบบตัวเลขภาษาทั้งหมดข้างต้นมีความเหมาะสมแม้ว่าจะไม่จำเป็นต้องใช้ GUIIDE เนื่องจากโค้ดจะถูกเรียกใช้ในพื้นหลัง การพิจารณาที่สำคัญในขั้นตอนนี้คือความเร็วในการดำเนินการ ภาษาที่คอมไพล์ (เช่น C) มักมีประโยชน์ถ้ามิติข้อมูลพารามิเตอร์การทำ backtesting มีขนาดใหญ่ โปรดจำไว้ว่าจำเป็นต้องระวังระบบดังกล่าวหากเป็นเช่นนั้นภาษาที่ตีความเช่น Python มักใช้ประโยชน์จากไลบรารีที่มีประสิทธิภาพสูงเช่น NumPypandas สำหรับขั้นตอนการทำ backtesting เพื่อรักษาระดับการแข่งขันที่เหมาะสมกับการเรียบเรียงข้อมูลที่เทียบเท่า ในท้ายที่สุดภาษาที่เลือกสำหรับการทำ backtesting จะถูกกำหนดโดยความต้องการของ algorithmic เฉพาะเช่นเดียวกับช่วงของไลบรารีที่มีอยู่ในภาษา (เพิ่มเติมจากด้านล่าง) อย่างไรก็ตามภาษาที่ใช้สำหรับสภาพแวดล้อมของ backtester และการวิจัยสามารถเป็นอิสระจากการใช้โครงสร้างการลงทุนการจัดการความเสี่ยงและการดำเนินการทั้งหมดได้อย่างที่เราจะทำได้ การก่อสร้างพอร์ตโฟลิโอและการบริหารความเสี่ยงการสร้างพอร์ตการลงทุนและส่วนประกอบการบริหารความเสี่ยงมักถูกมองข้ามโดยผู้ค้าปลีกรายย่อย นี่เป็นข้อผิดพลาดเกือบตลอดเวลา เครื่องมือเหล่านี้มีกลไกที่จะเก็บทุนไว้ พวกเขาไม่เพียง แต่พยายามที่จะบรรเทาจำนวนเดิมพันที่มีความเสี่ยง แต่ยังลดการหมุนเวียนของธุรกิจการค้าด้วยตนเองซึ่งจะช่วยลดต้นทุนการทำธุรกรรม รุ่นที่ซับซ้อนของส่วนประกอบเหล่านี้อาจมีผลอย่างมากต่อคุณภาพและความสม่ำเสมอในการทำกำไร มันเป็นเรื่องง่ายที่จะสร้างความมั่นคงของกลยุทธ์เป็นกลไกการก่อสร้างพอร์ตการลงทุนและผู้จัดการความเสี่ยงได้อย่างง่ายดายสามารถปรับเปลี่ยนการจัดการระบบหลาย ดังนั้นควรพิจารณาองค์ประกอบที่สำคัญในตอนเริ่มแรกของการออกแบบระบบการค้าอัลกอริทึม งานของระบบการก่อสร้างพอร์ตโฟลิโอคือการดำเนินธุรกิจการค้าที่ต้องการและสร้างธุรกิจการค้าที่เกิดขึ้นจริงซึ่งจะช่วยลดปั่นป่วนรักษาความเสี่ยงต่อปัจจัยต่าง ๆ (เช่นภาคชั้นสินทรัพย์ความผันผวน ฯลฯ ) และเพิ่มการจัดสรรทุนให้มากที่สุด กลยุทธ์ในพอร์ตโฟลิโอ การสร้าง Portfolio จะลดปัญหาพีชคณิตเชิงเส้น (เช่น matrixisation matrix) และด้วยเหตุนี้ประสิทธิภาพจะขึ้นอยู่กับประสิทธิภาพของการใช้พีชคณิตเชิงเส้นตัวเลข ห้องสมุดทั่วไป ได้แก่ uBLAS LAPACK และ NAG สำหรับ C. MatLab ยังมีการดำเนินการเมตริกซ์ที่ดีที่สุดอย่างกว้างขวาง Python ใช้ NumPySciPy สำหรับการคำนวณดังกล่าว พอร์ตเล็ตที่มีการปรับสมดุลบ่อย ๆ จะต้องมีไลบรารีเมทริกซ์ที่รวบรวมไว้ (และดีที่สุด) เพื่อดำเนินการขั้นตอนนี้ออกไปเพื่อไม่ให้เกิดคอขวดในระบบการซื้อขาย การจัดการความเสี่ยงเป็นส่วนสำคัญอีกอย่างหนึ่งของระบบการค้าอัลกอริทึม ความเสี่ยงอาจมาในหลายรูปแบบ: ความผันผวนที่เพิ่มขึ้น (แม้ว่าอาจเป็นที่น่าพอใจสำหรับกลยุทธ์บางอย่าง) ความสัมพันธ์ระหว่างประเภทสินทรัพย์ค่าเริ่มต้นของคู่สัญญาการขัดข้องของเซิร์ฟเวอร์เหตุการณ์ดำน้ำสีดำและข้อบกพร่องที่ไม่ได้ตรวจพบในรหัสการซื้อขาย น้อย องค์ประกอบของการบริหารความเสี่ยงพยายามคาดการณ์ผลกระทบจากความผันผวนและความสัมพันธ์ระหว่างประเภทสินทรัพย์กับผลกระทบต่อการซื้อขายหลักทรัพย์ บ่อยครั้งนี้จะลดลงไปยังชุดของการคำนวณทางสถิติเช่นการทดสอบความเครียด Monte Carlo นี่เป็นความคล้ายคลึงกับความต้องการในการคำนวณของเครื่องมือกำหนดราคาตราสารอนุพันธ์และเป็นเช่นนี้จะเป็นไปตามข้อกำหนดของ CPU การจำลองแบบเหล่านี้เป็นแบบ parallelisable สูง (ดูด้านล่าง) และในระดับหนึ่งอาจทำให้ฮาร์ดแวร์เกิดปัญหาได้ ระบบการดำเนินงานงานของระบบการดำเนินการคือการรับสัญญาณการซื้อขายที่กรองจากโครงสร้างการลงทุนและส่วนประกอบการบริหารความเสี่ยงและส่งไปยัง บริษัท นายหน้าหรือวิธีการเข้าถึงตลาดอื่น ๆ สำหรับกลยุทธ์การค้าปลีกส่วนใหญ่ที่เกี่ยวกับขั้นตอนนี้เกี่ยวข้องกับการเชื่อมต่อ API หรือ FIX กับนายหน้าซื้อขายหลักทรัพย์เช่น Interactive Brokers ข้อควรพิจารณาเบื้องต้นในการตัดสินใจเกี่ยวกับภาษารวมถึงคุณภาพของ API ความพร้อมใช้งานของภาษา wrapper สำหรับ API ความถี่ในการดำเนินการและความล่าช้าที่คาดไว้ คุณภาพของ API หมายถึงว่ามีการจัดทำเป็นเอกสารไว้เป็นอย่างดีมีประสิทธิภาพเท่าไรไม่ว่าจะต้องการซอฟต์แวร์แบบสแตนด์อโลนที่สามารถเข้าถึงได้หรือไม่ว่าจะสามารถสร้างเกตเวย์ในรูปแบบไม่มีหัว (เช่นไม่มี GUI) ในกรณีของโบรกเกอร์เชิงโต้ตอบเครื่องมือ Trader WorkStation จำเป็นต้องทำงานในสภาพแวดล้อม GUI เพื่อเข้าถึง API ของตน ฉันเคยติดตั้งเดสก์ท็อปอูบุนตูรุ่นลงบนเซิร์ฟเวอร์เมฆ Amazon เพื่อเข้าถึงโบรกเกอร์เชิงโต้ตอบระยะไกลโดยสิ้นเชิงด้วยเหตุนี้ API ส่วนใหญ่จะมีอินเตอร์เฟส C และ Java โดยทั่วไปจะขึ้นอยู่กับชุมชนเพื่อพัฒนาห่อภาษาเฉพาะสำหรับ C, Python, R, Excel และ MatLab โปรดทราบว่าด้วยปลั๊กอินเพิ่มเติมที่ใช้ (โดยเฉพาะ wrappers API) มีขอบเขตสำหรับข้อผิดพลาดในการคืบคลานเข้าสู่ระบบ ทดสอบปลั๊กอินประเภทนี้ทุกครั้งและมั่นใจว่าได้รับการบำรุงรักษาอย่างสม่ำเสมอ เครื่องวัดที่คุ้มค่าคือการดูจำนวนการอัปเดตใหม่ ๆ ที่เกิดขึ้นกับโค้ดบอสในช่วงหลายเดือนที่ผ่านมา ความถี่ในการดำเนินการมีความสำคัญสูงสุดในขั้นตอนการดำเนินการ โปรดทราบว่าอาจมีการส่งคำสั่งซื้อหลายร้อยรายการในทุกๆนาทีและเนื่องจากประสิทธิภาพดังกล่าวเป็นสิ่งสำคัญ การลื่นไถลจะเกิดขึ้นจากระบบการดำเนินการที่ไม่ดีและจะส่งผลต่อความสามารถในการทำกำไร ภาษาที่พิมพ์แบบสถิต (ดูด้านล่าง) เช่น CJava มักจะเหมาะสมที่สุดสำหรับการดำเนินการ แต่มีการลดเวลาในการพัฒนาทดสอบและบำรุงรักษาง่าย ภาษาแบบไดนามิกเช่น Python และ Perl โดยทั่วไปแล้วจะเร็วพอ ตรวจสอบให้แน่ใจว่าส่วนประกอบต่างๆได้รับการออกแบบเป็นแบบโมดูล (modular fashion) (ดูด้านล่าง) เพื่อให้สามารถเปลี่ยนออกเป็นระบบได้ การวางแผนและการพัฒนาด้านสถาปัตยกรรมส่วนประกอบของระบบการค้าความถี่และความต้องการของปริมาณที่ได้กล่าวไว้ข้างต้น แต่โครงสร้างพื้นฐานของระบบยังไม่ครอบคลุม ผู้ที่ทำหน้าที่เป็นผู้ค้าปลีกหรือทำงานในกองทุนขนาดเล็กอาจจะสวมหมวกจำนวนมาก จะต้องครอบคลุมรูปแบบอัลฟาการจัดการความเสี่ยงและพารามิเตอร์การดำเนินการและการใช้งานระบบขั้นสุดท้ายด้วย ก่อนที่จะเจาะเข้าไปในภาษาเฉพาะการออกแบบสถาปัตยกรรมระบบที่ดีที่สุดจะกล่าวถึง แยกความกังวลการตัดสินใจที่สำคัญที่สุดประการหนึ่งที่ต้องทำในตอนแรกคือการแยกความกังวลของระบบการซื้อขายออกจากกันอย่างไร ในการพัฒนาซอฟต์แวร์นี้เป็นหลักหมายถึงการแยกแยะด้านต่างๆของระบบการค้าออกเป็นองค์ประกอบแบบโมดูลแยกต่างหาก การเปิดเผยอินเทอร์เฟซของแต่ละคอมโพเนนต์ทำให้ง่ายต่อการสลับส่วนต่างๆของระบบสำหรับรุ่นอื่น ๆ ที่ช่วยให้ประสิทธิภาพการทำงานน่าเชื่อถือหรือการบำรุงรักษาโดยไม่ต้องแก้ไขรหัสการอ้างอิงภายนอกใด ๆ นี่เป็นแนวทางที่ดีที่สุดสำหรับระบบดังกล่าว สำหรับกลวิธีที่ความถี่ต่ำควรมีการแนะนำวิธีปฏิบัติดังกล่าว สำหรับการซื้อขายความถี่สูงเป็นพิเศษ rulebook อาจต้องถูกละเลยด้วยค่าใช้จ่ายในการปรับแต่งระบบเพื่อให้ได้ประสิทธิภาพมากยิ่งขึ้น อาจมีระบบคู่สมรสที่แน่นแฟ้นมากขึ้น การสร้างแผนที่ส่วนประกอบของระบบการค้าแบบอัลกอริทึมจะคุ้มค่ากับบทความในตัวเอง อย่างไรก็ตามแนวทางที่ดีที่สุดคือการตรวจสอบให้แน่ใจว่ามีองค์ประกอบข้อมูลแยกต่างหากสำหรับข้อมูลข้อมูลตลาดในอดีตและแบบเรียลไทม์การจัดเก็บข้อมูล API การเข้าถึงข้อมูล backtester พารามิเตอร์กลยุทธ์การสร้างพอร์ตโฟลิโอการจัดการความเสี่ยงและระบบการทำงานอัตโนมัติ ตัวอย่างเช่นหากมีการใช้งานคลังข้อมูลที่มีประสิทธิภาพน้อยกว่าแม้ในระดับที่มีประสิทธิภาพมาก แต่ก็สามารถเปลี่ยนให้น้อยที่สุดโดยใช้การป้อนข้อมูลหรือ API การเข้าถึงข้อมูลน้อยที่สุด เท่าที่เป็น backtester และส่วนประกอบที่ตามมามีความกังวลไม่มีความแตกต่าง ประโยชน์ของคอมโพเนนต์ที่แยกออกจากกันก็คือการอนุญาตให้ใช้ภาษาโปรแกรมหลายภาษาในระบบโดยรวม ไม่จำเป็นต้อง จำกัด เฉพาะภาษาเดียวถ้าวิธีการสื่อสารของคอมโพเนนต์เป็นภาษาที่เป็นอิสระ นี่จะเป็นกรณีที่พวกเขาสื่อสารด้วย TCPIP, ZeroMQ หรือโปรโตคอลอื่น ๆ ที่ไม่ขึ้นกับภาษา เป็นตัวอย่างที่เป็นรูปธรรมให้พิจารณากรณีของระบบการทำ backtesting ที่เขียนด้วย C สำหรับประสิทธิภาพในการขัดจังหวะตัวเลขขณะที่ผู้จัดการพอร์ตโฟลิโอและระบบการดำเนินการเขียนด้วยภาษา Python โดยใช้ SciPy และ IBPy การพิจารณาประสิทธิภาพการทำงานเป็นส่วนสำคัญในการพิจารณากลยุทธ์ทางการค้าส่วนใหญ่ สำหรับกลยุทธ์ความถี่สูงนั้นเป็นปัจจัยที่สำคัญที่สุด ประสิทธิภาพครอบคลุมหลากหลายประเด็นเช่นความเร็วในการประมวลผลอัลกอริธึมแฝงของเครือข่ายแบนด์วิดท์ข้อมูล IO, concurrencyparallelism และการปรับขนาด แต่ละส่วนเหล่านี้จะถูกปกคลุมไปด้วยตำราเรียนขนาดใหญ่ดังนั้นบทความนี้จึงจะทำให้พื้นผิวของแต่ละหัวข้อมีรอยขีดข่วนเท่านั้น สถาปัตยกรรมและการเลือกภาษาจะถูกกล่าวถึงในแง่ของผลกระทบต่อประสิทธิภาพการทำงาน ภูมิปัญญาที่มีอยู่ตามที่ Donald Knuth กล่าว หนึ่งในบรรพบุรุษของวิทยาการคอมพิวเตอร์คือการเพิ่มประสิทธิภาพก่อนวัยอันควรเป็นรากของความชั่วร้ายทั้งหมด เกือบทุกกรณียกเว้นกรณีที่สร้างอัลกอริธึมการค้าความถี่สูงสำหรับผู้ที่สนใจกลยุทธ์ด้านความถี่ต่ำวิธีการทั่วไปคือสร้างระบบในวิธีที่ง่ายที่สุดเท่าที่จะเป็นไปได้และเพิ่มประสิทธิภาพเฉพาะเนื่องจากปัญหาคอขวดเริ่มปรากฏขึ้น เครื่องมือโปรไฟล์จะใช้เพื่อกำหนดว่าเกิดปัญหาขึ้นที่คอขวด โปรไฟล์สามารถทำได้สำหรับปัจจัยทั้งหมดที่ระบุไว้ข้างต้นไม่ว่าจะเป็นสภาพแวดล้อมของ MS Windows หรือ Linux มีหลายระบบปฏิบัติการและเครื่องมือภาษาที่มีให้ทำเช่นเดียวกับสาธารณูปโภคของบุคคลที่สาม การเลือกภาษาจะถูกกล่าวถึงในบริบทของการปฏิบัติงาน C, Java, Python, R และ MatLab ทั้งหมดมีไลบรารีที่มีประสิทธิภาพสูง (ไม่ว่าจะเป็นส่วนหนึ่งของมาตรฐานหรือภายนอก) สำหรับโครงสร้างข้อมูลพื้นฐานและงานอัลกอริทึม C มาพร้อมกับ Standard Template Library ในขณะที่ Python มี NumPySciPy งานทางคณิตศาสตร์ทั่วไปจะพบได้ในไลบรารีเหล่านี้และไม่ค่อยเป็นประโยชน์ที่จะเขียนการใช้งานใหม่ ข้อยกเว้นประการหนึ่งคือถ้าจำเป็นต้องใช้สถาปัตยกรรมฮาร์ดแวร์ที่มีการกำหนดค่าสูงและใช้อัลกอริธึมในการใช้ส่วนขยายที่เป็นกรรมสิทธิ์อย่างกว้างขวาง (เช่นแคชที่กำหนดเอง) อย่างไรก็ตามการคิดค้นสิ่งใหม่ ๆ เกี่ยวกับล้อเสียเวลาที่อาจใช้เวลาในการพัฒนาและเพิ่มประสิทธิภาพส่วนอื่น ๆ ของโครงสร้างการค้าได้ดียิ่งขึ้น เวลาในการพัฒนาเป็นสิ่งที่มีค่ามากโดยเฉพาะในบริบทของนักพัฒนาซอฟต์แวร์ แต่เพียงผู้เดียว ความล่าช้ามักเป็นปัญหาของระบบการดำเนินการเนื่องจากเครื่องมือการวิจัยมักจะอยู่ในเครื่องเดียวกัน สำหรับอดีตความล่าช้าอาจเกิดขึ้นได้หลายจุดตามเส้นทางการดำเนินการ ต้องมีการตรวจสอบฐานข้อมูล (latency ของ disknetwork) ต้องมีการสร้างสัญญาณ (ระบบปฏิบัติการ, kernal messaging latency), สัญญาณการค้าส่ง (NIC latency) และคำสั่งที่ได้รับการประมวลผล (ระบบแฝงภายใน) สำหรับการใช้งานในความถี่ที่สูงขึ้นจำเป็นต้องคุ้นเคยกับการเพิ่มประสิทธิภาพ kernal อย่างใกล้ชิดรวมถึงการเพิ่มประสิทธิภาพของการส่งผ่านเครือข่าย นี่เป็นพื้นที่ที่ลึกและมีความหมายมากกว่าขอบเขตของบทความ แต่ถ้าใช้อัลกอริธึม UHFT เป็นที่ต้องการแล้วต้องตระหนักถึงความรู้ความลึกที่ Caching จำเป็นจะเป็นประโยชน์ในชุดเครื่องมือของนักพัฒนาเชิงปริมาณ การแคชหมายถึงแนวคิดในการจัดเก็บข้อมูลที่เข้าถึงได้บ่อยๆในลักษณะที่ช่วยให้สามารถเข้าถึงข้อมูลได้มีประสิทธิภาพมากยิ่งขึ้นโดยใช้ค่าความเป็นไปได้ที่อาจเกิดขึ้นของข้อมูล กรณีการใช้งานทั่วไปเกิดขึ้นในการพัฒนาเว็บเมื่อนำข้อมูลจากฐานข้อมูลเชิงสัมพันธ์ที่ได้รับการสนับสนุนจากดิสก์และใส่ลงในหน่วยความจำ คำขอใด ๆ ที่ตามมาสำหรับข้อมูลไม่จำเป็นต้องเข้าชมฐานข้อมูลและเพื่อให้ผลการปฏิบัติงานมีความสำคัญ สำหรับสถานการณ์การซื้อขายแคชอาจเป็นประโยชน์อย่างมาก ตัวอย่างเช่นสถานะปัจจุบันของพอร์ตโฟลิโอของกลยุทธ์สามารถจัดเก็บไว้ในแคชจนกว่าจะมีการปรับสมดุลอีกครั้งเพื่อให้รายการไม่จำเป็นต้องถูกสร้างขึ้นใหม่ในแต่ละลูปของอัลกอริทึมการซื้อขาย การฟื้นฟูดังกล่าวน่าจะเป็นการทำงานของ CPU หรือดิสก์ IO สูง อย่างไรก็ตามการแคชไม่ใช่ปัญหาของตนเอง การรีเซ็ตข้อมูลแคชทั้งหมดพร้อมกันเนื่องจากลักษณะการจัดเก็บข้อมูลแคชทำให้เกิดความต้องการโครงสร้างพื้นฐานอย่างมาก ปัญหาอีกอย่างหนึ่งคือการซ้อนสุนัข ที่หลายรุ่นของสำเนาแคชใหม่จะดำเนินการภายใต้ภาระที่สูงมากซึ่งจะนำไปสู่ความล้มเหลวน้ำตก การจัดสรรหน่วยความจำแบบไดนามิกเป็นการดำเนินการซอฟต์แวร์ที่มีราคาแพง ดังนั้นจึงมีความจำเป็นสำหรับการใช้งานการซื้อขายที่มีประสิทธิภาพสูงขึ้นเพื่อให้ทราบว่าหน่วยความจำมีการปันส่วนและยกเลิกการจัดสรรระหว่างการไหลของโปรแกรมอย่างไร มาตรฐานภาษาใหม่กว่าเช่น Java, C และ Python ทั้งหมดจะทำการเก็บขยะอัตโนมัติ ซึ่งหมายถึงการจัดสรรหน่วยความจำที่ปันส่วนแบบไดนามิกเมื่อวัตถุออกไปนอกขอบเขต การรวบรวมขยะเป็นประโยชน์อย่างมากในระหว่างการพัฒนาเนื่องจากช่วยลดความผิดพลาดและช่วยในการอ่านง่าย อย่างไรก็ตามก็มักจะเป็น sub-optimal สำหรับกลยุทธ์การซื้อขายความถี่สูงบางอย่าง ต้องการเก็บขยะแบบกำหนดเองสำหรับกรณีเหล่านี้ ตัวอย่างเช่นในจาวาโดยการปรับแต่งตัวเก็บรวบรวมขยะและการกำหนดฮีพจะทำให้ได้รับสมรรถนะสูงสำหรับกลยุทธ์ HFT C ไม่ได้ให้ตัวเก็บขยะดั้งเดิมและดังนั้นจึงจำเป็นต้องจัดการจัดสรรหน่วยความจำทั้งหมดเป็นส่วนหนึ่งของการใช้งานวัตถุ แม้ว่าอาจมีข้อผิดพลาดเกิดขึ้นได้ง่าย (อาจนำไปสู่คำชี้ลอย) สิ่งนี้มีประโยชน์อย่างยิ่งที่จะต้องควบคุมลักษณะของวัตถุที่ปรากฏบนกองสำหรับแอพพลิเคชันบางอย่าง เมื่อเลือกภาษาให้แน่ใจว่าได้ศึกษาวิธีการทำงานของตัวเก็บรวบรวมขยะและไม่ว่าจะสามารถปรับเปลี่ยนเพื่อให้เหมาะสำหรับกรณีการใช้งานเฉพาะอย่าง การดำเนินงานหลายอย่างในระบบการค้าอัลกอริธึมเป็นไปในแนวทาง parallelisation ซึ่งหมายถึงแนวคิดในการดำเนินงานแบบหลายโปรแกรมในเวลาเดียวกันนั่นคือขนาน ขั้นตอนวิธีแบบขนานที่น่าอับอายรวมถึงขั้นตอนที่สามารถคำนวณได้อย่างอิสระจากขั้นตอนอื่น ๆ การดำเนินการเชิงสถิติบางอย่างเช่นการจำลองแบบมอนติคาร์โลเป็นตัวอย่างที่ดีของอัลกอริทึมแบบขนานที่น่าอับอายขณะที่การสุ่มแบบสุ่มและการดำเนินการเส้นทางที่ตามมาสามารถคำนวณได้โดยปราศจากความรู้เกี่ยวกับเส้นทางอื่น ๆ อัลกอริทึมอื่น ๆ มีเพียงส่วนเดียวเท่านั้น แบบจำลองพลศาสตร์ของไหลเป็นตัวอย่างเช่นซึ่งโดเมนของการคำนวณสามารถแบ่งออกได้ แต่ในท้ายที่สุดโดเมนเหล่านี้ต้องสื่อสารกันและกันและด้วยเหตุนี้การดำเนินการบางส่วนจึงเป็นลำดับ อัลกอริธึม Parallelisable ขึ้นอยู่กับ Amdahls Law ซึ่งให้ข้อ จำกัด ด้านบนตามทฤษฎีสำหรับการเพิ่มประสิทธิภาพของอัลกอริทึมแบบขนานเมื่อต้องแยกกระบวนการ N (เช่นแกนหรือเธรด CPU) การเทียบได้กลายเป็นสิ่งที่มีความสำคัญมากขึ้นเนื่องจากเป็นวิธีการเพิ่มประสิทธิภาพเนื่องจากความเร็วของโปรเซสเซอร์มีการหยุดนิ่งเนื่องจากโปรเซสเซอร์รุ่นใหม่ ๆ มีแกนหลายตัวที่ใช้ในการคำนวณแบบคู่ขนาน การเพิ่มขึ้นของฮาร์ดแวร์กราฟิกสำหรับผู้บริโภค (ส่วนใหญ่สำหรับวิดีโอเกม) ได้นำไปสู่การพัฒนาหน่วยประมวลผลกราฟิก (GPU) ซึ่งประกอบด้วยแกนหลายร้อยชิ้นสำหรับการดำเนินการที่เกิดขึ้นพร้อมกันอย่างมาก GPU ดังกล่าวมีราคาไม่แพงมาก เฟรมระดับสูงเช่น Nvidias CUDA ได้นำไปสู่การยอมรับอย่างกว้างขวางในสถาบันการศึกษาและการเงิน ฮาร์ดแวร์ GPU ดังกล่าวโดยทั่วไปเหมาะสำหรับด้านการวิจัยด้านการเงินเชิงปริมาณส่วนฮาร์ดแวร์ที่มีความเชี่ยวชาญเฉพาะอื่น ๆ (รวมถึงอาร์เรย์ของ Gate-Programmable Gate Array - FPGA) ใช้สำหรับ (U) HFT ปัจจุบันโมเดิร์นที่ทันสมัยที่สุดรองรับองศาของ concurrencymultthreading ดังนั้นจึงเป็นเรื่องง่ายที่จะเพิ่มประสิทธิภาพ backtester เนื่องจากการคำนวณทั้งหมดโดยทั่วไปเป็นอิสระจากผู้อื่น การปรับขนาดในด้านวิศวกรรมซอฟต์แวร์และการดำเนินงานหมายถึงความสามารถของระบบในการรองรับการโหลดที่เพิ่มขึ้นอย่างต่อเนื่องในรูปแบบของคำขอที่มากขึ้นการใช้งานโปรเซสเซอร์ที่สูงขึ้นและการจัดสรรหน่วยความจำมากขึ้น ในการค้าแบบอัลกอริธึมกลยุทธ์สามารถปรับขนาดได้หากสามารถยอมรับปริมาณเงินทุนได้มากและยังให้ผลตอบแทนที่สม่ำเสมอ เทคโนโลยีการซื้อขายแบบสเกลจะช่วยให้สามารถรับมือกับปริมาณการค้าที่มากขึ้นและเพิ่มเวลาในการเก็บข้อมูลโดยปราศจากคอขวด ในขณะที่ระบบต้องได้รับการออกแบบมาเพื่อให้มีขนาดจึงยากที่จะคาดเดาได้ว่าจะเกิดคอขวดขึ้น การเข้าสู่ระบบการทดสอบโปรไฟล์และการตรวจสอบอย่างเข้มงวดจะช่วยให้ระบบสามารถปรับขนาดได้อย่างมาก ภาษาที่ตัวเองมักจะถูกอธิบายว่าไม่สามารถเอาชนะได้ นี่เป็นผลมาจากข้อมูลที่ไม่ถูกต้องมากกว่าความเป็นจริง เป็นกลุ่มเทคโนโลยีทั้งหมดที่ควรตรวจสอบความถูกต้องของ scalability ไม่ใช่ภาษา ภาษาบางอย่างชัดเจนมีประสิทธิภาพมากกว่าคนอื่นในกรณีการใช้งานโดยเฉพาะ แต่ภาษาใดภาษาหนึ่งจะไม่ดีไปกว่าที่อื่นในทุกแง่มุม วิธีหนึ่งในการจัดการระดับคือการแยกความกังวลดังที่ได้ระบุไว้ข้างต้น เพื่อที่จะแนะนำความสามารถในการจัดการกับความต้องการในระบบ (นั่นคือความผันผวนอย่างกะทันหันซึ่งเป็นสาเหตุของการค้าขาย) จะเป็นประโยชน์ในการสร้างสถาปัตยกรรมการจัดคิวข้อความ นี่หมายถึงการวางระบบคิวข้อความระหว่างคอมโพเนนต์เพื่อให้มีการเรียงลำดับขึ้นหากคอมโพเนนต์บางอย่างไม่สามารถประมวลผลคำขอจำนวนมากได้ แทนที่จะขอให้สูญหายพวกเขาจะถูกเก็บไว้ในกองจนกว่าจะมีการจัดการข้อความ นี้มีประโยชน์อย่างยิ่งสำหรับการส่งการค้าไปยังเครื่องมือการดำเนินการ ถ้าเครื่องยนต์กำลังทุกข์ทรมานภายใต้แฝงหนักก็จะกลับขึ้นการค้า คิวระหว่างเครื่องกำเนิดสัญญาณการค้าและ API การดำเนินการจะช่วยลดปัญหานี้ในราคาที่ตกเป็นเหยื่อการค้าขาย โบรกเกอร์คิวข้อความโอเพนซอร์สที่ได้รับการยอมรับเป็นอย่างดีคือ RabbitMQ ฮาร์ดแวร์และระบบปฏิบัติการฮาร์ดแวร์ที่ใช้งานกลยุทธ์ของคุณอาจมีผลกระทบอย่างมากต่อความสามารถในการทำกำไรของอัลกอริทึมของคุณ นี่ไม่ใช่ปัญหาที่ จำกัด สำหรับผู้ค้าที่มีความถี่สูงเช่นกัน ทางเลือกที่แย่ในฮาร์ดแวร์และระบบปฏิบัติการอาจนำไปสู่ความผิดพลาดหรือรีบูตเครื่องได้ในขณะที่ไม่เหมาะสม ดังนั้นจึงจำเป็นต้องพิจารณาว่าใบสมัครของคุณจะอยู่ที่ใด ทางเลือกโดยทั่วไปคือระหว่างเดสก์ท็อปส่วนตัวเซิร์ฟเวอร์ระยะไกลผู้ให้บริการระบบคลาวด์หรือเซิร์ฟเวอร์แลกเปลี่ยนร่วม เครื่องเดสก์ท็อปสามารถติดตั้งและจัดการได้โดยง่ายโดยเฉพาะระบบปฏิบัติการที่เป็นมิตรกับผู้ใช้ที่ใหม่กว่าเช่น Windows 78, Mac OSX และ Ubuntu ระบบเดสก์ท็อปมีข้อเสียที่สำคัญบางประการอย่างไรก็ตาม ที่สำคัญที่สุดก็คือระบบปฏิบัติการเวอร์ชันที่ออกแบบมาสำหรับเครื่องเดสก์ท็อปมีแนวโน้มว่าจะต้องมีการรีบูตเครื่องใหม่ (และบ่อยครั้งในเวลาที่เลวร้ายที่สุด) นอกจากนี้ยังใช้แหล่งข้อมูลด้านการคำนวณเพิ่มเติมโดยอาศัยอํานาจในการใช้อินเทอร์เฟซผู้ใช้แบบกราฟิก (GUI) การใช้ฮาร์ดแวร์ในสภาวะแวดล้อมภายในบ้าน (หรือสำนักงานในท้องถิ่น) อาจนำไปสู่การเชื่อมต่ออินเทอร์เน็ตและปัญหา uptime ของระบบไฟฟ้า ประโยชน์หลักของระบบเดสก์ท็อปคือแรงม้าที่คำนวณได้อย่างมากสามารถซื้อได้สำหรับค่าใช้จ่ายเพียงเล็กน้อยของเซิร์ฟเวอร์ระยะไกล (หรือระบบคลาวด์) ที่มีความเร็วเทียบเท่ากัน เซิร์ฟเวอร์เฉพาะหรือเครื่อง Cloud-Based ในขณะที่มักมีราคาแพงกว่าตัวเลือกสำหรับเดสก์ท็อปทำให้โครงสร้างพื้นฐานที่ซ้ำซ้อนมากขึ้นเช่นการสำรองข้อมูลอัตโนมัติความสามารถในการตรวจสอบการทำงานที่รวดเร็วและการตรวจสอบระยะไกลได้อย่างตรงไปตรงมา ยากที่จะจัดการได้เนื่องจากต้องใช้ความสามารถในการเข้าสู่ระบบจากระยะไกลของระบบปฏิบัติการ ใน Windows โดยทั่วไปจะใช้ GUI Remote Desktop Protocol (RDP) ในระบบ Unix ระบบจะใช้ Secure Shell (SSH) ของบรรทัดคำสั่ง โครงสร้างพื้นฐานเซิร์ฟเวอร์ Unix เป็นเกือบทุกบรรทัดคำสั่งซึ่งจะทำให้เครื่องมือเขียนโปรแกรม GUI (เช่น MatLab หรือ Excel) ใช้งานไม่ได้ เซิร์ฟเวอร์แบบ co-located เป็นวลีที่ใช้ในตลาดทุนเป็นเพียงเซิร์ฟเวอร์ทุ่มเทที่อยู่ภายในการแลกเปลี่ยนเพื่อลดความล่าช้าของอัลกอริธึมการค้า นี่เป็นสิ่งที่จำเป็นอย่างยิ่งสำหรับกลยุทธ์การซื้อขายความถี่สูงบางอย่างที่ต้องพึ่งพาแฝงต่ำเพื่อสร้างอัลฟา ด้านสุดท้ายของการเลือกฮาร์ดแวร์และการเลือกใช้ภาษาในการเขียนโปรแกรมคือความเป็นอิสระของแพลตฟอร์ม มีรหัสที่ต้องการทำงานในหลายระบบปฏิบัติการหรือไม่รหัสนี้ออกแบบมาให้ทำงานบนสถาปัตยกรรมโปรเซสเซอร์บางประเภทเช่น Intel x86x64 หรือจะเป็นไปได้ในการประมวลผลบนโปรเซสเซอร์ RISC เช่นที่ผลิตโดย ARM ประเด็นเหล่านี้จะขึ้นอยู่กับความถี่และประเภทของกลยุทธ์ที่ใช้อยู่ ความยืดหยุ่นและการทดสอบหนึ่งในวิธีที่ดีที่สุดที่จะสูญเสียเงินเป็นจำนวนมากในการซื้อขายแบบอัลกอริทึมคือการสร้างระบบที่ไม่มีความยืดหยุ่น นี้หมายถึงความทนทานของ sytem เมื่ออยู่ภายใต้เหตุการณ์ที่หายากเช่นการล้มละลายของนายหน้าซื้อขายหลักทรัพย์ความผันผวนมากเกินไปอย่างฉับพลันการหยุดทำงานในภูมิภาคสำหรับผู้ให้บริการเซิร์ฟเวอร์เมฆหรือการลบข้อมูลฐานข้อมูลการซื้อขายโดยไม่ได้ตั้งใจ ปีของผลกำไรสามารถกำจัดภายในไม่กี่วินาทีกับสถาปัตยกรรมที่ออกแบบไม่ดี จำเป็นอย่างยิ่งที่จะต้องพิจารณาประเด็นต่างๆเช่นการดีบักการทดสอบการบันทึกการสำรองข้อมูลความพร้อมใช้งานสูงและการตรวจสอบเป็นองค์ประกอบหลักของระบบของคุณ มีแนวโน้มว่าจะมีการใช้แอพพลิเคชันการค้าเชิงปริมาณที่มีความซับซ้อนมากพอสมควรอย่างน้อย 50 ครั้งสำหรับการดีบักการทดสอบและการบำรุงรักษา เกือบทุกภาษาโปรแกรมทั้งเรือที่มีการเชื่อมโยงที่เกี่ยวข้องหรือมีทางเลือกของบุคคลที่สามที่ดีเคารพ โดยพื้นฐานแล้วโปรแกรมดีบักจะช่วยให้สามารถรันโปรแกรมได้โดยการแทรกจุดแตกหักในเส้นทางโค้ดซึ่งจะหยุดการทำงานชั่วคราวเพื่อตรวจสอบสถานะของระบบ ประโยชน์หลักของการดีบักคือการตรวจสอบพฤติกรรมของโค้ดก่อนที่จะมีจุดผิดพลาดที่เป็นที่รู้จัก การแก้จุดบกพร่องเป็นองค์ประกอบสำคัญในกล่องเครื่องมือสำหรับการวิเคราะห์ข้อผิดพลาดในการเขียนโปรแกรม อย่างไรก็ตามมีการใช้กันอย่างแพร่หลายในภาษาที่เรียบเรียงเช่น C หรือ Java เนื่องจากภาษาที่ตีความเช่น Python มักจะแก้ปัญหาได้ง่ายขึ้นเนื่องจาก LOC น้อยลงและมีคำอธิบายที่น้อยลง แม้จะมีแนวโน้มนี้ Python จะมาพร้อมกับ pdb ซึ่งเป็นเครื่องมือดีบักที่ซับซ้อน 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 pricesvolume, sudden rapid drawdowns and account exposure for different sectorsmarkets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment Similarly, high availability needs to be baked in from the start. Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I wont delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesnt catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. Dynamic languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as 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 TradingHow to develop a trading system It is also important that the edge is robust. A system is robust when it maintains positive expectancy. The system should be tested on an up, down and sideways move. Many trend following systems perform well when the instrument trends but don8217t do as well when the instrument is in a sideways whipsaw period. It is crucial that the period is taken into account during back testing. I recommend back-testing on at least 2000 bars. If you are backtesting a system on the daily charts I recommend using 10 years. On the intra-day charts I recommend back testing the systems as far back as your data vendor will allow. This is usually 6 months to a year. Back Testing Programs It is important to use professional level software with back-testing capabilities when developing your system. To name a few: One of the best back testing programs out there although programming may be difficult as it is in Pascal. There is no phone customer service for wealth-lab either. NCMfx offers programming services at competitive rates, and at tremendous discounts for its existing forex customers. Risk management Features System development wizard Professional level back-testing and analysis software. Metastock offers numerous trading systems and indicators. Metastock has its own language, it may be a bit easier than Wealth-Lab but far more limited. The customer service is good. And there are numerous add ons and plug ins that you can purchase to suite your style of trading. NCMfx offers programming services at competitive rates, and at tremendous discounts for its existing forex customers. Alexander Nekritin is a professional trader with over 8 years of experience. His specialties include risk management and system development. Alexander is the CEO of forexyourself. which is a forex introducing broker and education company that helps suite client8217s needs in forex trading. Alexander has a degree with a concentration in Investment Banking and derivative instruments from Babson College in Massachusetts.