อาคาร อัตโนมัติ Trading ระบบ จาวา

ยินดีต้อนรับสู่ Home of the Open Java Trading System ระบบการซื้อขาย Open Java (OJTS) หมายถึงโครงสร้างพื้นฐานทั่วไปในการพัฒนาระบบการซื้อขายหลักทรัพย์ ประกอบด้วยสี่ส่วนคือการรวบรวมข้อมูลดิบผ่านอินเตอร์เน็ตการรับรู้สัญญาณการซื้อขายโมดูลการสร้างภาพและโมดูลเพื่อเชื่อมต่อกับอินเทอร์เฟซแบบเป็นโปรแกรมของแพลตฟอร์มการซื้อขายเช่นธนาคาร โครงการมีจุดมุ่งหมายเพื่อให้โครงสร้างพื้นฐานที่ใช้ร่วมกันของ Java (แพลตฟอร์มอิสระ) ที่มีอยู่ในตัวเองสำหรับนักพัฒนาระบบการซื้อขาย บางส่วนที่ควรได้รับคือการจัดเตรียมคีมาฐานข้อมูล SQL92 ที่สอดคล้องกันเพื่อจัดเก็บข้อมูลทางการเงินอินเทอร์เฟซ Java ทั่วไปสำหรับการแลกเปลี่ยนข้อมูลระหว่างโมดูลต่างๆการสร้างภาพข้อมูลทางการเงินดิบและสัญญาณการซื้อขายและด้านทั่วไปอื่น ๆ ที่จำเป็นในการสร้าง ระบบการซื้อขายขั้นสุดท้ายเนื่องจากงานและครอบครัวของฉันฉันไม่พบเวลาในการปรับปรุง OJTS อีกต่อไป ฉันยังคงอัปเดตส่วนลิงก์ด้านล่างที่จะแนะนำให้คุณใช้งานโครงการโอเพ่นซอร์ซอร์ java ในพื้นที่ดังกล่าว ในความเป็นจริงอันเป็นผลมาจากความสนใจของฉันในการเปลี่ยนแปลงของตลาดหุ้นฉันเริ่มเดินทางเข้าสู่รายละเอียดที่ลึกขึ้นของเศรษฐศาสตร์แห่งชาติเพื่อให้เข้าใจถึงอัตราแลกเปลี่ยนเงินตราต่างประเทศ หัวข้อนี้นำไปสู่การศึกษาเงินในตัวเองอย่างลึกซึ้งในฐานะหน่วยเมตริกที่เราใช้ในด้านเศรษฐศาสตร์เพื่อวัดมูลค่าความสำเร็จหรือประโยชน์ หัวข้อนี้กลายเป็นเรื่องที่น่าสนใจอย่างมาก แต่ในเวลาเดียวกันมันเป็นเรื่องยากมากที่จะหาข้อมูลเกี่ยวกับระบบการเงินของเรา ไปรอบ ๆ และถามผู้คนว่าเงินมาจากใครเป็นผู้สร้างและกำหนดมูลค่าของสิ่งใด คุณจะสังเกตเห็นว่าแม้แต่คนที่มีปริญญาโทหรือปริญญาเอก เศรษฐศาสตร์จะไม่ทราบรายละเอียดเหล่านี้ โอ้ใช่พวกเขาจะตอบคำถามทางเทคนิคที่คลุมเครือบางอย่าง แต่พวกเขาจะไม่สามารถวาดแผนภาพง่ายๆที่แสดงขั้นตอนนี้ได้ เอชกรัมเวลส์มีรายงานว่า: การเขียนสกุลเงินเป็นที่ยอมรับกันโดยทั่วไปว่าเป็นเรื่องที่น่ารังเกียจ บรรณาธิการจะอ้อนวอนนักเขียนเกือบจะร้องไห้ไม่ให้เขียนเกี่ยวกับเงินไม่ใช่เพราะเรื่องที่ไม่น่าสนใจ แต่เป็นเพราะเรื่องนี้เป็นเรื่องที่น่ารำคาญอย่างสุดซึ้ง ผมขอแนะนำให้บุคคลที่อาศัยอยู่ในสังคมประชาธิปไตยอ่านเรื่องนี้ มีผลกระทบต่อชีวิตของเราในทุกๆวันในขอบเขตที่ไม่สามารถขยายได้ในความเห็นของฉันพลเมืองของประเทศประชาธิปไตยทุกคนในโลกนี้ควรรู้ว่าเงินของเรามาจากไหน เป็นไปได้มากที่คุณมาที่เว็บไซต์นี้เพื่อหาเครื่องมือที่ช่วยคุณในการเพิ่มความมั่งคั่งทางการเงินของคุณ เพื่อให้เข้าใจถึงจำนวนเงินของหน่วยเมตริก (ไม่ว่าจะเป็นดอลลาร์หรือยูโร) จะเป็นส่วนประกอบที่สำคัญในชุดเครื่องมือของคุณสำหรับทำเงิน ถ้าคุณมีเวลาน้อยมากและสามารถที่จะอ่านหนังสือเล่มเดียวเกี่ยวกับเรื่องนั้นได้แล้วผมขอแนะนำให้คุณอ่าน Wealth, Wealth เสมือนจริงและตราสารหนี้ของ Frederick Soddy ฉันสามารถซื้อสำเนาที่ใช้ผ่าน Amazon สำหรับ 23.48 แต่ยังมีเวอร์ชันออนไลน์อยู่ คุณจะต้องมีปลั๊กอิน DjVu เพื่ออ่าน หนังสือเล่มนี้ได้รับการตีพิมพ์เป็นครั้งแรกเมื่อปีพ. ศ. 2472 แต่ก็ยังอธิบายถึงข้อเท็จจริงที่เกิดขึ้นจริงได้เป็นอย่างดี แม้ว่าฉันจะไม่เห็นด้วยกับข้อสรุปทั้งหมดของ Frederick Soddy ผลงานของเขาน่าจะก่อให้เกิดความเร้าใจและจะนำคุณไปสู่การถามคำถามที่ถูกต้อง การเผยแพร่ข้อมูลการแก้ไขข้อผิดพลาดและเอกสารฉบับปรับปรุงประกาศการระงับการพัฒนาที่ใช้งานอยู่และการอ้างอิงเพิ่มเติมเกี่ยวกับระบบการเงินของเรา (DollarEuro) เพิ่มส่วนลิงก์ไปยังโครงการระบบการค้า java ที่น่าสนใจอื่น ๆ ฉันกำลังสืบสวนเกี่ยวกับวิธีทำให้ OJTS สามารถทำงานร่วมกับระบบการซื้อขาย java อื่น ๆ ได้มากขึ้น โครงการเอกสารการลงทุนและระบบการค้าที่สามารถดูได้ที่ ITSdoc. org มีวิกิใหม่ที่ ITSdoc. org เน้นการกระจายความรู้ในโดเมนของระบบการลงทุนและการค้า แนวคิดเบื้องหลัง ITSdoc. org คือการมีแพลตฟอร์มการทำงานร่วมกันคล้ายกับวิกิพีเดียซึ่งช่วยให้ชุมชนแบ่งปันความรู้ เปิดตัว OpenJavaTradingSystem v0.13 แล้ว เมื่อวานนี้ฉันได้เปิดตัวไลบรารี 0.13 OpenJavaTradingSystem เวอร์ชัน 0.13 คุณลักษณะใหม่ ๆ ได้แก่ การเรียกข้อมูลสำหรับหุ้นกองทุนและสกุลเงินจาก OnVista การดำเนินการเกี่ยวกับการจัดการและการแปลงสกุลเงิน พอร์ตเล็ตถูกใช้งานและคุณสามารถทำงานกับพอร์ตโฟลิโอได้เช่นเดียวกับรายการกระดาษความปลอดภัยชุดเดียว เพิ่มกรอบการทำงานทั่วไปสำหรับการใช้อัลกอริทึมกับชุดเวลาในตลาดหุ้น สลับจากเชลล์แบบโต้ตอบ SISCScheme เป็น ABCLCommonLisp พร้อมด้วยตัวแก้ไขชื่อ J. เพิ่มกลไกแคชข้อมูลทั่วไปเพื่อแคชข้อมูลที่เรียกดูแล้วผ่านเว็บในระบบไฟล์ บวกการปรับปรุงเล็กน้อยอื่น ๆ อีกมากมายหากคุณสนใจในเวอร์ชันใหม่นี้คุณควรเริ่มต้นที่ส่วน quickstartscreenshot คู่มือนี้ยังไม่ได้รับการอัปเดต แต่อาจให้ข้อมูลพื้นหลังอันมีค่าหากคุณต้องการใช้ห้องสมุดในโครงการของคุณ เอกสารควรได้รับการอัปเดตเร็ว ๆ นี้ขณะนี้ยังไม่มีการพัฒนามากนักเพราะฉันกำลังปรับปรุงความรู้เกี่ยวกับเครือข่าย Bayesian ดูตัวอย่างหนังสือในเว็บไซต์ของฉัน สองโครงการที่น่าสนใจมากที่เคารพคือ WEKA และ BNJ เร็ว ๆ นี้ฉันจะยังคงพัฒนาและฉันจะเริ่มรวมปัญญาแรกเข้าสู่ระบบ วันนี้ผมได้วางจำหน่ายครั้งแรกในส่วนไฟล์ของพื้นที่ดาวน์โหลด sourceforge นอกจากนี้ฉันปรับปรุงคู่มือเพื่อจัดทำเอกสารเกี่ยวกับการใช้งานแบบโต้ตอบของโครงการผ่านชั้น SISC Scheme สำหรับความใจร้อนที่นี่เป็นส่วน quickstartscreenshot เพื่อให้คุณไป เอกสารเกี่ยวกับโครงการภายในของโครงการ เอกสารข้อมูลการใช้ Java Data Objects และเอกสารการเชื่อมต่อ gtgtHTML gtgtPDF เอกสารการใช้งาน gtgtHTML gtgtPDF โครงการเอกสารการลงทุนและระบบการซื้อขาย gtgtITSdoc. org T echnology บล็อกของบุคคลที่สามที่ใช้ในโครงการนี้เครื่องมือฐานข้อมูล HSQL (ใบอนุญาต: hsqldblic. txt) HSQLDB เป็นเครื่องมือฐานข้อมูลที่จัดส่งพร้อมกับ เพื่อให้คุณสามารถเริ่มใช้ OJTS โดยไม่ต้องติดตั้งฐานข้อมูลของบุคคลที่สาม แต่ถ้าคุณวางแผนที่จะใช้ฐานข้อมูล SQL92 อื่นที่เข้ากันได้แล้วนี่คือตัวเลือกการกำหนดค่า Castor (ใบอนุญาต: ใบอนุญาต Exolab) Castor เป็นกรอบข้อมูลการรวมข้อมูลโอเพนซอร์สสำหรับ Javatm เส้นทางที่สั้นที่สุดของวัตถุ Java เอกสาร XML และตารางเชิงสัมพันธ์ Castor ให้การพึ่งพา Java-to-XML, การคงอยู่ของ Java-to-SQL และอื่น ๆ Castor Doclet (ใบอนุญาต: GNU LGPL v2.1) Java doclet เพื่อสร้างไฟล์แผนที่และ DDL สำหรับ Castor JDO และ Castor XML TestMaker (ใบอนุญาต: TestMaker Open-source License) จากโครงการ TestMaker การใช้งานโปรโตคอลเช่น HTTP หรือ HTTPS ใช้สำหรับการรวบรวมข้อมูลจากเว็บเท่านั้น jCookie (ใบอนุญาต: GNU LGPL v2.1) ไลบรารี jCookie จำเป็นสำหรับไลบรารี TestMaker เพื่อใช้งานได้ htmlparser (ใบอนุญาต: GNU LGPL v2.1) ห้องสมุด htmlparser ใช้เพื่อดึงข้อมูลจากแหล่งข้อมูลเว็บ ABCLCommonLisp (ใบอนุญาต: GNU GPL v2) ABCL (Armed Bear Common Lisp) ใช้เพื่อใช้หัวใจ algorithmic ของโครงการในภาษา ANSI Common Lisp JFreeChart (ใบอนุญาต: GNU LGPL v2.1) JFreeChart ใช้สำหรับการสร้างภาพข้อมูลทางการเงินเป็นแผนภูมิ JSci (ใบอนุญาต: GNU LGPL v2.1) JSci - API วิทยาศาสตร์สำหรับ Java เวลา Joda (ใบอนุญาต: ใบอนุญาต OpenSource ที่สร้างขึ้นที่บ้าน) เวลา Joda แทนการเรียน JDK แบบวันที่และเวลา การเชื่อมโยงไปยังโครงการอื่น ๆ กลุ่ม JavaTraders Google อาจเป็นรายการที่ดีที่สุดสำหรับคุณในการค้นหาเกี่ยวกับระบบและเครื่องมือการซื้อขาย Java อื่น ๆ L icense ข้อกำหนดในการใช้งานรหัสของโครงการได้รับอนุญาตภายใต้เงื่อนไขของ LGPL และเอกสารทั้งหมดที่คุณพบในโครงการนี้ได้รับอนุญาตภายใต้ข้อกำหนดของ FDL การตรวจทานนี้เป็นตัวบ่งชี้ถึงแนวคิดที่มีคุณค่าบวกกับลิงก์ไปยัง กระดาษสีขาวที่น่าสนใจมากทั้งหมดตั้งอยู่บนเว็บไซต์ Tridium Inc การเคลื่อนไหว Bajas มีศักยภาพในการกำหนดสภาพแวดล้อมของแอ็พพลิเคชันระบบอัตโนมัติในอาคารโดยมีข้อกำหนดที่อธิบายถึงชุดของ Java APIs และ XML schema สำหรับแอ็พพลิเคชันระบบควบคุมร่วมกัน Baja JAVA Architecture Architecture มาตรฐาน Baja (Building Automation Java Architecture) เป็นความพยายามมาตรฐานที่มีภารกิจในการสร้างแพลตฟอร์ม Java แบบเปิดสำหรับตลาดระบบอัตโนมัติในอาคาร Baja เป็นชุดโปรแกรมซอฟต์แวร์ส่วนประกอบที่ออกแบบมาตั้งแต่วันแรกเพื่อใช้ประโยชน์จากพลังของอินเทอร์เน็ตสนับสนุน plug-and-play ที่แท้จริงและช่วยให้สามารถทำงานร่วมกันได้อย่างสมบูรณ์แบบสำหรับผู้ขายหลายราย ด้วยการใช้ Java APIs และ XML schema Baja ช่วยให้นักพัฒนาสามารถผนวกโปรโตคอลอุปกรณ์และมาตรฐานการติดต่อสื่อสารของผู้ให้บริการหลายรายเข้าด้วยกันเป็นเทคโนโลยีเดียวกับที่ใช้เทคโนโลยีอินเทอร์เน็ตเป็นมาตรฐานสากลเดียวและปรับให้เข้ากับสภาพแวดล้อมแบบเปิดและทำงานร่วมกันได้ ผลที่ได้คือโซลูชันที่ช่วยปลดล็อกศักยภาพของอุปกรณ์อัจฉริยะและอินเทอร์เน็ตในรูปแบบที่ไม่สามารถคาดเดาได้ก่อนหน้านี้ในขณะเดียวกันก็ลดต้นทุนด้านระบบอัตโนมัติและค่าใช้จ่ายด้านโครงสร้างพื้นฐานสารสนเทศลงอย่างมาก กลุ่มผู้เชี่ยวชาญที่เลี้ยงสัตว์ Baja ผ่านขั้นตอนมาตรฐานประกอบด้วยผู้เล่นหลักหลายรายในอุตสาหกรรมระบบอัตโนมัติ รวมถึง: Tridium, Inc. Johnson Controls Sun Microsystems Yamatake Invensys Echelon Honeywell CPC (Emerson Electric) เทคโนโลยีอาคารของซีเมนส์การเคลื่อนไหว Bajas ของ บริษัท Trane มีศักยภาพในการกำหนดสภาพแวดล้อมแอ็พพลิเคชันระบบอัตโนมัติในอาคารโดยมีข้อกำหนดที่อธิบายถึงชุดของ Java APIs และ XML schema สำหรับการใช้งานระบบควบคุม interoperable กำหนดสถาปัตยกรรม Java มาตรฐานสำหรับคอนโทรลเลอร์แบบโปรแกรมซึ่งเป็นสถาปัตยกรรมคอมโพเนนต์ทั่วไปที่ช่วยให้สามารถทำงานร่วมกันระหว่างซอฟต์แวร์ของผู้ขายหลายรายและอุปกรณ์ต่างกันซึ่งเป็นโมเดลที่ใช้งานง่ายโดยโปรแกรมเมอร์ที่ไม่ใช่เพื่อสร้างแอพพลิเคชันการควบคุมและความสามารถในการเขียนโปรแกรมในขณะที่แอ็พพลิเคชันเป็น วิ่ง. สำหรับ 99 เปอร์เซ็นต์ของอาคารที่มีอยู่ในตลาดในสหรัฐฯที่ปัจจุบันไม่สามารถแทนที่อุปกรณ์ดั้งเดิมของตนเพื่อให้เป็นไปตามมาตรฐานระบบแบบเปิดระบบ Baja หมายถึงความเป็นอิสระจากฮาร์ดแวร์ล็อกอินและการล็อกซอฟต์แวร์ จะช่วยให้ธุรกิจสามารถพัฒนาแอปพลิเคชันและไดรเวอร์อุปกรณ์ของตนเองได้อย่างง่ายดายในสภาพแวดล้อมแบบเปิดที่ใช้งานง่าย Baja จะช่วยให้การสื่อสารและการรวมข้อมูลสำคัญจากระบบและโปรแกรมซอฟต์แวร์ทั้งหมดในอาคาร ผลประกอบการสุทธิ: กรอบที่จะช่วยให้ธุรกิจสามารถตอบสนองความต้องการของลูกค้าได้ดียิ่งขึ้นด้วยโซลูชั่นที่ดีที่สุดในสายพันธุ์และความเข้ากันได้ทางอินเทอร์เน็ตที่สมบูรณ์แบบ มาตรฐาน Baja จะเป็นกรรมสิทธิ์ร่วมกันของ Tridium Inc. และ Sun MicroSystems. Cyan Spring ATS Cyan Spring ATS เป็นแพลตฟอร์มการซื้อขายอัลกอริทึมแบบโอเพ่นซอร์ส มีวัตถุประสงค์เพื่อให้บริการโซลูชั่นการซื้อขายอัตโนมัติแก่ธนาคารเพื่อการลงทุนผู้จัดการกองทุนและผู้ค้ารายย่อย Cyan Spring ATS รวมการซื้อขายอัลกอริธึมและการจัดการคำสั่งซื้อไว้ในระบบรวมที่ช่วยให้สามารถพัฒนากลยุทธ์และการใช้งานได้อย่างรวดเร็ว Mile Stones เวอร์ชัน 1.32 พร้อมกับการเชื่อมต่อของ IB เวอร์ชั่น 1.36 พร้อมกับขีดความสามารถในการคงอยู่และกรอบการทดสอบด้านหลัง 1.53 รุ่นที่ปล่อยออกมาพร้อมกับการปรับใช้กลยุทธ์รันไทม์เวอร์ชัน 1.65 ที่เผยแพร่โดยใช้เครื่องมือเดี่ยวเวอร์ชัน 2.31 ออกมาพร้อมกับอัพเกรดเป็น Java 7 compatible ข้อมูลซอฟต์แวร์ค้นหาข้อมูลเพิ่มเติมเกี่ยวกับแอพพลิเคชัน Cyan Spring Algorithmic Trading Software ช่วยให้สามารถพัฒนากลวิธีที่เรียบง่ายและมีความซับซ้อนได้ง่ายกรอบยุทธศาสตร์ที่แข็งแกร่งสนับสนุนการพัฒนากลยุทธ์การสั่งซื้อแบบ Single-Order อย่างรวดเร็ว กลยุทธ์เครื่องเดี่ยวและกลยุทธ์หลายตราสาร Cyan Spring Trader Workstation (CSTW) ให้ส่วนติดต่อผู้ใช้แบบกราฟิก (GUI) สำหรับผู้ค้าเพื่อตรวจสอบและควบคุมการทำงานของกลยุทธ์ Cyan Spring ATS สนับสนุนโปรโตคอล FIX และการเชื่อมต่อนายหน้าแบบโต้ตอบค้นหาสถาปัตยกรรมระบบเกี่ยวกับ Cyan Spring ATS Choice เป็นของคุณ: ระบบการซื้อขายขององค์กรที่มีการกำหนดค่าเซิร์ฟเวอร์คลัสเตอร์แบบกระจายหรือหุ่นยนต์ algo แบบน้ำหนักเบาพร้อมการกำหนดค่าไคลเอ็นต์และเซิร์ฟเวอร์แบบง่าย โซลูชัน Java กับสถาปัตยกรรมที่ขับเคลื่อนด้วยเหตุการณ์การใช้งานหลายระดับโดยใช้ Java Message System (JMS) เซิร์ฟเวอร์ Mutliple อาจทำงานร่วมกันเป็นคลัสเตอร์เพื่อแชร์ภาระงาน Cyan Spring Trader Workstation (CSTW) สามารถเชื่อมต่อกับเซิร์ฟเวอร์หลายเครื่องในคลัสเตอร์เดียวกันคำถามที่พบบ่อย Feel อิสระที่จะโพสต์ที่ฟอรั่มของเราสำหรับคำถามใด ๆ ที่คุณอาจมีข้อมูลการบริการคุณชอบซอฟต์แวร์ของเรา Cyan Spring ATS Group คือจุดนัดพบของนักพัฒนาซอฟต์แวร์ที่มีความเชี่ยวชาญในการสร้างระบบจัดเก็บข้อมูลแบบผสมผสาน หากคุณต้องการซอฟท์แวร์ของเราคุณอาจพิจารณาบริการต่อไปนี้ที่เราให้คำปรึกษาและพัฒนาแบบกำหนดเองเกี่ยวกับ Cyan Spring ASTS Consultancy ในการพัฒนาและติดตั้งระบบการค้าทั่วไปนักพัฒนาซอฟต์แวร์และผู้ร่วมสมทบของเราอาจเปิดทางเลือกในการเข้าร่วมงานกับ บริษัท ของคุณในฐานะผู้รับเหมาหรือพนักงานประจำ กรุณาแจ้งมาที่ infocyanspring เพื่อสอบถามรายละเอียดเพิ่มเติม Cyan Spring ATS - ซอฟต์แวร์โอเพ่นซอร์สโอเพ่นซอร์ส Copyright 2011-2012 Cyan Spring Limited สงวนลิขสิทธิ์ภาษาการเขียนโปรแกรมที่ดีที่สุดสำหรับระบบการซื้อขายขั้นตอนหนึ่งคำถามที่พบบ่อยที่สุดที่ฉันได้รับในกล่องจดหมาย QS คืออะไรภาษาการเขียนโปรแกรมที่ดีที่สุดสำหรับการซื้อขายแบบอัลกอริธึม 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 กลยุทธ์ที่มีการใช้ข้อมูลมากกว่าแถบที่ละเอียดที่สุดหรือประการที่สองต้องได้รับการพิจารณาอย่างมีนัยสำคัญเกี่ยวกับประสิทธิภาพการทำงาน 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 ซึ่งนำไปสู่การเลือกภาษาที่ให้สภาพแวดล้อมที่ตรงไปตรงมาเพื่อทดสอบโค้ด แต่ยังมีประสิทธิภาพเพียงพอในการประเมินกลยุทธ์ทางด้านมิติข้อมูลหลายพารามิเตอร์ 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 โปรดจำไว้ว่าจำเป็นต้องระวังระบบดังกล่าวหากเป็นเช่นนั้นภาษาที่แปลเช่น Python มักจะใช้ประโยชน์จากไลบรารีที่มีประสิทธิภาพสูงเช่น NumPypandas สำหรับขั้นตอนการทำ backtesting เพื่อรักษาระดับการแข่งขันที่เหมาะสมกับการเรียบเรียงข้อมูลที่เทียบเท่ากัน ในท้ายที่สุดภาษาที่เลือกสำหรับการทำ backtesting จะถูกกำหนดโดยความต้องการของ algorithmic เฉพาะเช่นเดียวกับช่วงของไลบรารีที่มีอยู่ในภาษา (เพิ่มเติมจากด้านล่าง) อย่างไรก็ตามภาษาที่ใช้สำหรับสภาพแวดล้อมของ backtester และการวิจัยสามารถเป็นอิสระจากการใช้โครงสร้างการลงทุนการจัดการความเสี่ยงและส่วนประกอบของการดำเนินการทั้งหมดได้อย่างที่เห็น 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 หมายถึงว่ามีการจัดทำเป็นเอกสารไว้เป็นอย่างดีมีประสิทธิภาพเท่าไรไม่ว่าจะต้องการซอฟต์แวร์แบบสแตนด์อโลนที่สามารถเข้าถึงได้หรือไม่ว่าจะสามารถสร้างเกตเวย์ได้โดยไม่ต้องพาดหัว (เช่นไม่มี GUI) ในกรณีของโบรกเกอร์เชิงโต้ตอบเครื่องมือ Trader WorkStation จำเป็นต้องใช้งานในสภาพแวดล้อม 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 อาจต้องถูกละเลยที่มีค่าใช้จ่ายในการปรับแต่งระบบเพื่อให้ได้ประสิทธิภาพมากยิ่งขึ้น อาจมีระบบคู่สมรสที่แน่นแฟ้นมากขึ้น การสร้างแผนที่ส่วนประกอบของระบบการค้าแบบอัลกอริทึมจะคุ้มค่ากับบทความในตัวเอง อย่างไรก็ตามแนวทางที่ดีที่สุดคือการตรวจสอบให้แน่ใจว่ามีองค์ประกอบข้อมูลแยกต่างหากสำหรับข้อมูลข้อมูลตลาดในอดีตและแบบเรียลไทม์การจัดเก็บข้อมูล API การเข้าถึงข้อมูล backtester พารามิเตอร์กลยุทธ์การสร้างพอร์ตโฟลิโอการจัดการความเสี่ยงและระบบการทำงานอัตโนมัติ ตัวอย่างเช่นหากมีการใช้งานคลังข้อมูลที่มีประสิทธิภาพน้อยกว่าแม้ในระดับที่มีนัยสำคัญ แต่ก็สามารถสลับออกไปได้โดยการเขียนข้อมูลใหม่ให้น้อยที่สุดสำหรับการป้อนข้อมูลหรือ API การเข้าถึงข้อมูล เท่าที่เป็น backtester และส่วนประกอบที่ตามมามีความกังวลไม่มีความแตกต่าง ประโยชน์ของคอมโพเนนต์ที่แยกออกจากกันก็คือการอนุญาตให้ใช้ภาษาโปรแกรมหลายภาษาในระบบโดยรวม ไม่จำเป็นต้อง จำกัด เฉพาะภาษาเดียวถ้าวิธีการสื่อสารของคอมโพเนนต์เป็นภาษาที่เป็นอิสระ นี่จะเป็นกรณีที่พวกเขาสื่อสารด้วย TCPIP, ZeroMQ หรือโปรโตคอลอื่น ๆ ที่ไม่ขึ้นกับภาษา เป็นตัวอย่างที่เป็นรูปธรรมให้พิจารณากรณีของระบบการทำ backtesting ที่เขียนด้วย C สำหรับประสิทธิภาพในการขัดจังหวะตัวเลขในขณะที่ผู้จัดการพอร์ตโฟลิโอและระบบการดำเนินงานจะเขียนด้วยภาษา 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 Thus it is imperative for higher performance trading applications to be well-aware how memory is being allocated and deallocated during program flow. Newer language standards such as Java, C and Python all perform automatic garbage collection . which refers to deallocation of dynamically allocated memory when objects go out of scope . Garbage collection is extremely useful during development as it reduces errors and aids readability. However, it is often sub-optimal for certain high frequency trading strategies. Custom garbage collection is often desired for these cases. In Java, for instance, by tuning the garbage collector and heap configuration, it is possible to obtain high performance for HFT strategies. C doesnt provide a native garbage collector and so it is necessary to handle all memory allocationdeallocation as part of an objects 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 Amdahls 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 Nvidias 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 concurrencymultithreading. 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 and Operating Systems The hardware running your strategy can have a significant impact on the profitability of your algorithm. This is not an issue restricted to high frequency traders either. A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment. Thus it is necessary to consider where your application will reside. The choice is generally between a 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 78, 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 rebootspatching (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 x86x64 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 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 Trading