Noções básicas de negociação algorítmica: conceitos e exemplos Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo. A negociação algorítmica (negociação automatizada, negociação em caixa preta ou simplesmente negociação de algo) é o processo de utilização de computadores programados para seguir um conjunto definido de instruções para colocar um negócio a fim de gerar lucros a uma velocidade e frequência que é impossível para um Comerciante humano. Os conjuntos de regras definidos baseiam-se em tempo, preço, quantidade ou qualquer modelo matemático. Além de oportunidades de lucro para o comerciante, algo-trading torna os mercados mais líquidos e torna a negociação mais sistemática, excluindo impactos humanos emocionais sobre as atividades de negociação. Suponha que um comerciante segue estes critérios comerciais simples: Compre 50 ações de uma ação quando sua média móvel de 50 dias ultrapassar a média móvel de 200 dias Vender ações da ação quando sua média móvel de 50 dias estiver abaixo da média móvel de 200 dias Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que irá monitorar automaticamente o preço das ações (e os indicadores de média móvel) e colocar as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante já não precisa de manter um relógio para preços e gráficos vivos, ou põr nas ordens manualmente. O sistema de negociação algorítmica automaticamente faz isso para ele, identificando corretamente a oportunidade de negociação. Algo-trading oferece os seguintes benefícios: Trades executados nos melhores preços possíveis Instant e exata colocação da ordem de comércio (assim altas chances de execução em níveis desejados) Negociações Temporizado corretamente e instantaneamente, para evitar mudanças significativas de preços Custos de transação reduzidos (veja o exemplo de insuficiência de implementação abaixo) Verificações automáticas simultâneas em várias condições de mercado Redução do risco de erros manuais na colocação das operações Backtest o algoritmo, com base em dados históricos e em tempo real reduzidos Reduzido A possibilidade de erros por comerciantes humanos com base em fatores emocionais e psicológicos A maior parte do atual dia algo-negociação é de alta freqüência de negociação (HFT), que tenta capitalizar sobre a colocação de um grande número de ordens a velocidades muito rápidas em vários mercados e múltiplas decisões Parâmetros, com base em instruções pré-programadas. Algo-trading é usado em muitas formas de negociação e atividades de investimento, incluindo: Investidores de médio a longo prazo ou empresas de compra de lado (fundos de pensão , Fundos mútuos, companhias de seguros) que compram em ações em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos de grande volume. Os comerciantes de curto prazo e os participantes do lado da venda (fabricantes de mercado, especuladores e arbitradores) beneficiam-se da execução automatizada do comércio além, de algo-negociar ajudas em criar liquidez suficiente para vendedores no mercado. Os comerciantes sistemáticos (seguidores de tendências, comerciantes de pares, fundos de hedge, etc.) acham muito mais eficiente programar suas regras de negociação e deixar o programa trocar automaticamente. A negociação algorítmica proporciona uma abordagem mais sistemática ao comércio ativo do que métodos baseados em intuição ou instinto de comerciantes humanos. Estratégias Algorítmicas de Negociação Qualquer estratégia para negociação algorítmica requer uma oportunidade identificada que seja rentável em termos de ganhos melhorados ou redução de custos. As estratégias de negociação comuns usadas em algo-trading são as seguintes: As estratégias de negociação algorítmicas mais comuns seguem as tendências em médias móveis. Canal breakouts. Movimentos de nível de preços e indicadores técnicos relacionados. Estas são as estratégias mais fáceis e mais simples de implementar através de negociação algorítmica, porque essas estratégias não envolvem fazer previsões ou previsões de preços. Os negócios são iniciados com base na ocorrência de tendências desejáveis. Que são fáceis e simples de implementar através de algoritmos sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. Comprar uma ação cotada dual a um preço mais baixo em um mercado e vendê-lo simultaneamente a um preço mais elevado em um outro mercado oferece o diferencial de preço como o lucro sem risco Ou arbitragem. A mesma operação pode ser replicada para ações versus instrumentos de futuros, já que existem diferenciais de preços de tempos em tempos. Implementar um algoritmo para identificar tais diferenciais de preços e colocar as ordens permite oportunidades rentáveis de forma eficiente. Os fundos de índice definiram períodos de reequilíbrio para trazer as suas participações a par com os respectivos índices de referência. Isso cria oportunidades lucrativas para os comerciantes algorítmicos, que capitalizar sobre os negócios esperados que oferecem 20-80 pontos-base de lucros, dependendo do número de ações no fundo de índice, pouco antes do rebalanceamento do fundo índice. Tais negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços. Um monte de modelos matemáticos comprovados, como a estratégia de negociação delta neutro, que permitem negociação na combinação de opções e sua segurança subjacente. Onde os negócios são colocados para compensar deltas positivos e negativos de modo que o delta da carteira seja mantido em zero. A estratégia de reversão média baseia-se na idéia de que os preços altos e baixos de um ativo são um fenômeno temporário que revertem para seu valor médio periodicamente. Identificar e definir uma faixa de preço e algoritmo de implementação com base em que permite que os comércios sejam colocados automaticamente quando o preço do ativo entrar e sair do seu intervalo definido. Volume ponderada estratégia de preço médio quebra uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando os perfis de volume histórico específico do estoque. O objetivo é executar a ordem próxima ao Preço Médio Ponderado pelo Volume (VWAP), beneficiando assim o preço médio. A estratégia de preço médio ponderado pelo tempo rompe uma grande ordem e libera blocos menores determinados dinamicamente da ordem para o mercado usando intervalos de tempo uniformemente divididos entre uma hora de início e uma de fim. O objetivo é executar a ordem perto do preço médio entre o início eo fim, minimizando assim o impacto no mercado. Até que a ordem de negociação seja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com a proporção de participação definida e de acordo com o volume negociado nos mercados. A estratégia de passos relacionados envia ordens a uma percentagem definida pelo utilizador dos volumes de mercado e aumenta ou diminui esta taxa de participação quando o preço da acção atinge níveis definidos pelo utilizador. A estratégia de déficit de implementação visa minimizar o custo de execução de uma ordem, trocando o mercado em tempo real, economizando assim o custo da ordem e beneficiando do custo de oportunidade da execução atrasada. A estratégia vai aumentar a taxa de participação alvo quando o preço das ações se move favoravelmente e diminuí-lo quando o preço das ações se move adversamente. Existem algumas classes especiais de algoritmos que tentam identificar acontecimentos no outro lado. Esses algoritmos de sniffing, usados, por exemplo, por um fabricante de mercado de sell side têm a inteligência interna para identificar a existência de quaisquer algoritmos no lado de compra de uma grande ordem. Essa detecção por meio de algoritmos ajudará o criador de mercado a identificar grandes oportunidades de pedidos e permitir que ele se beneficie ao preencher os pedidos a um preço mais alto. Isso às vezes é identificado como front-running de alta tecnologia. Requisitos técnicos para negociação algorítmica Implementar o algoritmo usando um programa de computador é a última parte, bateu com backtesting. (Para mais sobre negociação de alta freqüência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta comercial para a colocação de encomendas. São necessários os seguintes: Conhecimento de programação de computadores para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricado Conectividade de rede e acesso a plataformas de negociação para colocar as ordens Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de colocar Ordens A capacidade ea infra-estrutura para backtest o sistema uma vez construído, antes de ir viver em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo Aqui está um exemplo abrangente: Royal Dutch Shell (RDS) está listado em Amsterdam Bolsa de Valores (AEX) e Bolsa de Valores de Londres (LSE). Permite construir um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes: AEX negocia em Euros, enquanto LSE negocia em libras esterlinas Devido à diferença de hora de uma hora, AEX abre uma hora mais cedo do que LSE, seguido por ambas as trocas que negociam simultaneamente por próximas horas e então negociando somente em LSE durante A última hora à medida que a AEX fecha Podemos explorar a possibilidade de negociação de arbitragem nas ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes Um programa de computador que pode ler os preços atuais do mercado Alimentações de preços tanto da LSE quanto da AEX A forex rate feed for Taxa de câmbio GBP-EUR Ordem de capacidade de colocação que pode encaminhar a ordem para a troca correta Capacidade de back-testing em feeds de preços históricos O programa de computador deve executar o seguinte: Leia o feed de preços de entrada de ações RDS de ambas as câmaras Usando as taxas de câmbio disponíveis . Converter o preço de uma moeda para outra Se houver uma discrepância de preço suficientemente grande (descontando os custos de corretagem) levando a uma oportunidade lucrativa, então coloque a ordem de compra em câmbio de menor preço e venda na ordem de câmbio mais alta Se as ordens forem executadas como Desejado, o lucro de arbitragem seguirá Simples e Fácil No entanto, a prática de negociação algorítmica não é tão simples de manter e executar. Lembre-se, se você pode colocar um comércio algo-gerado, assim que os outros participantes do mercado. Conseqüentemente, os preços flutuam em milissegundos e até em microssegundos. No exemplo acima, o que acontece se o seu comércio comprar é executado, mas vender o comércio doesnt como os preços de venda mudar no momento em que sua ordem atinge o mercado Você vai acabar sentado com uma posição aberta. Tornando sua estratégia de arbitragem inútil. Há riscos e desafios adicionais: por exemplo, riscos de falha de sistema, erros de conectividade de rede, intervalos de tempo entre ordens de negociação e execução e, o mais importante de tudo, algoritmos imperfeitos. Quanto mais complexo for um algoritmo, o backtesting mais rigoroso é necessário antes de ser colocado em ação. A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. Sua emocionante para ir para a automação auxiliado por computadores com uma noção de fazer dinheiro sem esforço. Mas um deve certificar-se que o sistema é testado completamente e os limites requeridos são ajustados. Os comerciantes analíticos devem considerar a aprendizagem de programação e sistemas de construção por conta própria, para ter certeza de implementar as estratégias certas de forma infalível. O uso cauteloso e o teste completo de algo-trading podem criar oportunidades lucrativas. Um tipo de imposto incidente sobre ganhos de capital incorridos por pessoas físicas e jurídicas. Os ganhos de capital são os lucros que um investidor. Uma ordem para comprar um título igual ou inferior a um preço especificado. Uma ordem de limite de compra permite que traders e investidores especifiquem. Uma regra do Internal Revenue Service (IRS) que permite retiradas sem penalidade de uma conta IRA. A regra exige que. A primeira venda de ações por uma empresa privada para o público. IPOs são muitas vezes emitidos por empresas menores, mais jovens à procura da. DebtEquity Ratio é o rácio da dívida utilizado para medir a alavancagem financeira de uma empresa ou um rácio da dívida utilizado para medir um indivíduo. Um tipo de estrutura de compensação que os gestores de fundos de hedge normalmente empregam em que parte da compensação é baseado no desempenho. Melhor linguagem de programação para sistemas de negociação algorítmica Uma das perguntas mais freqüentes que recebo no mailbag QS é Qual é a melhor linguagem de programação para negociação algorítmica. A resposta curta é que não há melhor linguagem. Parâmetros de estratégia, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados. Este artigo descreverá os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como as decisões relativas à implementação afetam a escolha da linguagem. Em primeiro lugar, serão consideradas as principais componentes de um sistema de negociação algorítmica, tais como ferramentas de pesquisa, otimizador de portfólio, gerenciador de risco e mecanismo de execução. Posteriormente, diferentes estratégias de negociação serão examinadas e como elas afetam a concepção do sistema. Em particular, a frequência das negociações e o provável volume de transacções serão discutidos. Uma vez selecionada a estratégia de negociação, é necessário arquitetar todo o sistema. Isso inclui a escolha do hardware, do (s) sistema (s) operacional (is) e da resiliência do sistema contra eventos raros, potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, devemos ter devidamente em conta o desempenho - tanto para as ferramentas de pesquisa como para o ambiente de execução ao vivo. O que é o sistema de negociação tentando fazer Antes de decidir sobre o melhor idioma com o qual escrever um sistema de negociação automatizado é necessário definir os requisitos. Será que o sistema vai ser puramente baseado em execução Será que o sistema exige uma gestão de risco ou módulo de construção de carteira Será que o sistema requer um backtester de alto desempenho Para a maioria das estratégias do sistema de negociação pode ser dividido em duas categorias: Pesquisa e geração de sinal. A pesquisa se preocupa com a avaliação do desempenho de uma estratégia em relação aos dados históricos. O processo de avaliação de uma estratégia de negociação sobre dados de mercado anteriores é conhecido como backtesting. O tamanho dos dados ea complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade ea simultaneidade da CPU são muitas vezes os fatores limitantes na otimização da velocidade de execução da pesquisa. Geração de sinal está preocupado com a geração de um conjunto de sinais de negociação a partir de um algoritmo e enviar tais ordens para o mercado, geralmente através de uma corretora. Para certas estratégias é necessário um alto nível de desempenho. As questões de E / S, como a largura de banda ea latência da rede, são freqüentemente o fator limitante na otimização de sistemas de execução. Assim, a escolha das linguagens para cada componente de todo o seu sistema pode ser bastante diferente. Tipo, Frequência e Volume da Estratégia O tipo de estratégia algorítmica empregada terá um impacto substancial na concepção do sistema. Será necessário considerar os mercados que estão sendo negociados, a conectividade com 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, Servidores, GPUs ou FPGAs que possam ser necessários. As escolhas tecnológicas para uma estratégia de ações de baixa freqüência nos EUA serão muito diferentes das de uma estratégia de arbitragem estatística de alta freqüência negociada no mercado de futuros. Antes da escolha da linguagem muitos fornecedores de dados devem ser avaliados que pertencem a uma estratégia em mãos. Será necessário considerar a conectividade com o fornecedor, a estrutura de qualquer API, a oportunidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor ficar offline. É também aconselhável possuir acesso rápido a vários fornecedores. Vários instrumentos têm todos os seus próprios caprichos de armazenamento, exemplos dos quais incluem múltiplos símbolos de ticker para ações e datas de vencimento para futuros (sem mencionar quaisquer dados OTC específicos). Isso precisa ser incorporado ao design da plataforma. Freqüência da estratégia é provável que seja um dos maiores drivers de como a pilha de tecnologia será definida. Estratégias empregando dados com mais freqüência do que minuciosamente ou barras de segunda necessidade significativa consideração no que diz respeito ao desempenho. Uma estratégia que ultrapassa as barras secundárias (isto é, dados de carraça) conduz a um design conduzido pelo desempenho como o requisito primário. Para estratégias de alta freqüência, uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada. Software como HDF5 ou kdb são comumente usados para essas funções. Para processar os volumes extensos de dados necessários para aplicações HFT, um backtester extensivamente otimizado e sistema de execução deve ser usado. CC (possivelmente com algum montador) é provável que o candidato linguagem mais forte. As estratégias de freqüência ultra-alta quase certamente exigirão hardware personalizado, como FPGAs, troca de co-location e kernalnetwork interface tuning. Sistemas de pesquisa Os sistemas de pesquisa normalmente envolvem uma mistura de desenvolvimento interativo e scripts automatizados. O primeiro ocorre frequentemente dentro de um IDE, como Visual Studio, MatLab ou R Studio. Este último envolve cálculos numéricos extensos sobre vários parâmetros e pontos de dados. Isso leva a uma escolha de linguagem proporcionando um ambiente simples para testar o código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetro. IDEs típicos neste espaço incluem Microsoft Visual CC, que contém utilitários de depuração extensa, capacidades de conclusão de código (via Intellisense) e vistas gerais diretas de toda a pilha de projeto (via o banco de dados ORM, LINQ) MatLab. Que é projetado para a álgebra linear numerosa extensa e operações vectorized, mas em uma maneira console interativa R Studio. Que envolve o console de linguagem estatística R em um Edi IDE Eclipse totalmente desenvolvido para Linux Java e C e IDEs 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 GUIIDE como o código será executado em segundo plano. A principal consideração nesta fase é a da velocidade de execução. Uma linguagem compilada (como C) é frequentemente útil se as dimensões do parâmetro backtesting forem grandes. Lembre-se que é necessário ser cuidadoso com tais sistemas, se for esse o caso linguagens interpretadas como Python muitas vezes fazem uso de bibliotecas de alto desempenho como NumPypandas para o backtesting passo, a fim de manter um grau razoável de competitividade com equivalentes compilados. Em última análise, o idioma escolhido para o backtesting será determinado por necessidades específicas algorítmicas, bem como a gama de bibliotecas disponíveis no idioma (mais sobre isso abaixo). No entanto, a linguagem utilizada para o backtester e ambientes de pesquisa pode ser completamente independente daqueles usados nos componentes de construção de portfólio, gerenciamento de risco e execução, como será visto. Construção de Portfólio e Gerenciamento de Risco Os componentes de construção de carteira e gerenciamento de risco são freqüentemente ignorados por comerciantes de algoritmos 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 minimizar o churn das próprias operações, reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É fácil criar um estável de estratégias como o mecanismo de construção de carteira e gerente de risco pode ser facilmente modificado para lidar com vários sistemas. Assim, eles devem ser considerados componentes essenciais no início do projeto de um sistema de negociação algorítmica. O trabalho do sistema de construção de carteira é levar um conjunto de negócios desejados e produzir o conjunto de negócios reais que minimizam 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 da carteira reduz-se frequentemente a um problema linear da álgebra (tal como uma factorização da matriz) e conseqüentemente o desempenho é altamente dependente da eficácia da execução numérica da álgebra linear disponível. As bibliotecas comuns incluem uBLAS. LAPACK e NAG para C. MatLab também possui operações de matriz amplamente otimizadas. Python utiliza NumPySciPy para tais computações. Uma carteira freqüentemente reequilibrada exigirá uma biblioteca de matriz compilada (e bem otimizada) para levar essa etapa para fora, de modo a não encolher o sistema de negociação. A gestão de risco é outra parte extremamente importante de um sistema de negociação algorítmica. 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, padrão de contraparte, interrupções de servidores, eventos de cisne preta e bugs não detectados no código de negociação poucos. Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e correlação entre as classes de ativos e seus efeitos subseqüentes sobre o capital comercial. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como testes de estresse de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de determinação de preços de derivados e, como tal, será ligado à CPU. Essas simulações são altamente paralelas (ver 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 filtrada dos componentes de construção de carteira e gerenciamento de risco e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação de algoritmos de varejo, isso envolve uma conexão API ou FIX para uma corretora, como Interactive Brokers. As principais considerações ao decidir sobre uma linguagem incluem a qualidade da API, a disponibilidade do wrapper de linguagem para uma API, a freqüência de execução ea antecipação do deslizamento. A qualidade da API refere-se a quão bem documentada é, que tipo de desempenho fornece, se ele precisa de software autônomo para ser acessado ou se um gateway pode ser estabelecido de uma forma sem cabeça (ou seja, sem GUI). No caso de Interactive Brokers, a ferramenta Trader WorkStation precisa estar em execução em um ambiente GUI para acessar sua API. Uma vez eu tive que instalar uma edição Desktop Ubuntu em um servidor de nuvem Amazon para acessar Interactive Brokers remotamente, puramente por esta razão A maioria das APIs irá fornecer uma interface C andor Java. Normalmente, é a comunidade que desenvolve invólucros específicos de linguagem para C, Python, R, Excel e MatLab. Observe que com cada plugin adicional utilizado (especialmente API wrappers) há espaço para bugs a fluência no sistema. Sempre testar plugins desse tipo e garantir que eles sejam mantidos ativamente. Um indicador valioso é ver quantas novas atualizações de um codebase foram feitas nos últimos meses. A freqüência de execução é de extrema importância no algoritmo de execução. Observe 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 executando e isso terá um impacto dramático sobre a rentabilidade. Linguagens estaticamente tipadas (veja abaixo), como CJava, geralmente são ótimas para execução, mas há um trade-off no tempo de desenvolvimento, teste e facilidade de manutenção. As linguagens de tipo dinâmico, como Python e Perl, são agora geralmente suficientemente rápidas. Certifique-se sempre de que os componentes são projetados de forma modular (veja abaixo) para que possam ser trocados para fora à medida que o sistema é escalado. Processo de Planejamento e Desenvolvimento Arquitetônico Os componentes de um sistema de negociação, suas necessidades de freqüência e volume foram discutidos acima, mas a infra-estrutura do sistema ainda não foi coberta. Aqueles que atuam como um comerciante de varejo ou trabalhando em um pequeno fundo provavelmente será usando muitos chapéus. Será necessário estar cobrindo o modelo alfa, os parâmetros de gerenciamento e execução de riscos, e também a implementação final do sistema. Antes de aprofundar em linguagens específicas o projeto 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 de comércio. No desenvolvimento de software, isso significa essencialmente como quebrar os diferentes aspectos do sistema de comércio em componentes modulares separados. Ao expor as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que auxiliem o desempenho, a confiabilidade ou a manutenção, sem modificar nenhum código de dependência externa. Esta é a melhor prática para esses sistemas. Para estratégias em freqüências mais baixas tais práticas são aconselhadas. Para a negociação de freqüência ultra alta o livro de regras pode ter que ser ignorado à custa de ajustar o sistema para ainda mais desempenho. Um sistema mais fortemente acoplado pode ser desejável. A criação de um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ótima é certificar-se de que há componentes separados para as entradas de dados históricos e em tempo real do mercado, 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 que está sendo usado está underperforming, até mesmo em níveis significativos de otimização, ele pode ser trocado com rewrites mínimo para a ingesta de dados ou API de acesso a dados. Tanto quanto o backtestter e componentes subsequentes estão em causa, não há diferença. Outro benefício de componentes separados é que ele permite que uma variedade de linguagens de programação para ser usado no sistema global. Não é necessário restringir-se a uma única língua se o método de comunicação dos componentes for independente da linguagem. Este será o caso se eles estão se comunicando via TCPIP, ZeroMQ ou algum outro protocolo independente de linguagem. Como exemplo concreto, considere o caso de um sistema de backtesting sendo escrito em C para o desempenho de crunching de números, enquanto o gerenciador de portfólio e sistemas de execução são escritos em Python usando SciPy e IBPy. Considerações sobre Desempenho O desempenho é uma consideração significativa para a maioria das estratégias de negociação. Para as estratégias de freqüência mais alta, é o fator mais importante. Desempenho cobre uma ampla gama de problemas, tais como velocidade de execução algorítmica, latência de rede, largura de banda, IO de dados, paralelismo de concorrência e dimensionamento. Cada uma dessas áreas são cobertas individualmente por grandes livros didáticos, portanto, este artigo apenas arranhará a superfície de cada tópico. A arquitetura ea escolha da língua serão agora discutidas em termos de seus efeitos sobre o desempenho. A sabedoria predominante como afirmado por Donald Knuth. Um dos pais da Ciência da Computação, é que a otimização prematura é a raiz de todo o mal. Isso é quase sempre o caso - exceto quando se constrói 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 como gargalos começam a aparecer. As ferramentas de criação de perfil são usadas para determinar onde surgem gargalos. Perfis podem ser feitos para todos os fatores listados acima, em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e linguagem disponíveis para fazê-lo, bem como utilitários de terceiros. A escolha da língua será agora discutida no contexto do desempenho. C, Java, Python, R e MatLab contêm bibliotecas de alto desempenho (tanto como parte de seu padrão ou externamente) para estrutura de dados básicos e trabalho algorítmico. C é fornecido com a Biblioteca de modelos padrão, enquanto o Python contém NumPySciPy. Tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico escrever uma nova implementação. Uma exceção é se a arquitetura de hardware altamente personalizada é necessária e um algoritmo está fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes reinvenção da roda desperdiça tempo que poderia ser melhor gasto desenvolvendo e otimizando outras partes da infra-estrutura de negociação. Tempo de desenvolvimento é extremamente precioso, especialmente no contexto de desenvolvedores exclusivos. A latência é muitas vezes uma questão do sistema de execução, uma vez que as ferramentas de pesquisa estão normalmente situadas na mesma máquina. Para o primeiro, latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de disknetwork), os sinais devem ser gerados (sistema operacional, latência de mensagens kernal), sinais comerciais enviados (latência NIC) e pedidos processados (latência interna dos sistemas de troca). Para operações de freqüência mais alta, é necessário tornar-se intimamente familiarizado com otimização kernal, bem como otimização da transmissão em rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado, em seguida, estar ciente da profundidade do conhecimento necessário Caching é muito útil no kit de ferramentas de um desenvolvedor de negociação quantitativa. O cache refere-se ao conceito de armazenar dados acessados com frequência de uma forma que permite um acesso de melhor desempenho, à custa da potencial indisponibilidade dos dados. Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional com suporte a disco e colocá-lo na memória. Quaisquer solicitações subseqüentes para os dados não precisam acertar o banco de dados e, portanto, os ganhos de desempenho podem ser significativos. Para situações de negociação cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até que ele seja reequilibrado, de modo que a lista não precisa ser regenerada em cada loop do algoritmo de negociação. Tal regeneração é provável que seja uma CPU alta ou operação de E / S de disco. No entanto, o cache não é sem seus próprios problemas. A regeneração de dados de cache de uma só vez, devido à natureza volátil do armazenamento em cache, pode colocar uma demanda significativa na infra-estrutura. Outra questão é dog-piling. Onde várias gerações de uma nova cópia de cache são executadas sob carga extremamente alta, o que leva a uma falha em cascata. A alocação dinâmica de memória é uma operação cara na execução do software. Portanto, é imperativo que aplicativos de negociação de maior desempenho estejam bem conscientes de como a memória está sendo alocada e desalocada durante o fluxo do programa. Padrões de linguagem mais recentes, como Java, C e Python, todos executam a coleta automática de lixo. Que se refere à desalocação da memória alocada dinamicamente quando os objetos saem do escopo. A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz os erros e facilita a legibilidade. No entanto, muitas vezes é sub-ideal para certas estratégias de negociação de alta freqüência. A coleta de lixo personalizada é freqüentemente desejada para esses casos. Em Java, por exemplo, ajustando o coletor de lixo ea configuração de heap, é possível obter alto desempenho para estratégias HFT. C não fornece um coletor de lixo nativo e, portanto, é necessário manipular toda a atribuição de alocação de memória como parte de uma implementação de objetos. Embora potencialmente propenso a erros (potencialmente levando a ponteiros pendentes) é extremamente útil ter controle de grão fino de como objetos aparecem no heap para determinadas aplicações. Ao escolher um idioma, certifique-se de estudar como o coletor de lixo funciona e se ele pode ser modificado para otimizar para um caso de uso particular. Muitas operações em sistemas de negociação algorítmicos são passíveis de paralelização. Isto refere-se ao conceito de realizar operações programáticas múltiplas ao mesmo tempo, isto é, em paralelo. Os chamados algoritmos embarassingly paralelos incluem etapas que podem ser calculadas de forma totalmente independente de outras etapas. Certas operações estatísticas, tais como simulações de Monte Carlo, são um bom exemplo de algoritmos embarassingly paralelos como cada desenho aleatório e operação de caminho subseqüente pode ser computado sem conhecimento de outros caminhos. Outros algoritmos são apenas parcialmente paralelizáveis. As simulações de dinâmica de fluidos são um exemplo, onde o domínio de computação pode ser subdividido, mas, em última instância, esses domínios devem se comunicar uns com os outros e, portanto, as operações são parcialmente sequenciais. Algoritmos paralelizáveis estão sujeitos à Lei Amdahls. Que proporciona um limite superior teórico para o aumento de desempenho de um algoritmo paralelizado quando sujeito a N processos separados (por exemplo, num núcleo de CPU ou thread). A paralelização tornou-se cada vez mais importante como um meio de otimização, uma vez que as velocidades do clock do processador estagnaram, pois os processadores mais recentes contêm muitos núcleos com os quais realizar cálculos paralelos. A ascensão de hardware gráfico de consumo (predominantemente para jogos de vídeo) levou ao desenvolvimento de Unidades de Processamento Gráfico (GPUs), que contêm centenas de núcleos para operações altamente concorrentes. Essas GPUs são agora muito acessíveis. Estruturas de alto nível, como a Nvidias CUDA, têm levado à adoção generalizada na academia e nas finanças. Esse hardware GPU geralmente é adequado apenas para o aspecto de pesquisa de finanças quantitativas, enquanto outros hardware mais especializados (incluindo Field-Programmable Gate Arrays - FPGAs) são usados para (U) HFT. Hoje em dia, a maioria dos langauges modernos suportam um grau de simultaneidademultithreading. Assim, é fácil otimizar um backtester, uma vez que todos os cálculos são geralmente independentes dos outros. Escala em engenharia de software e operações refere-se à capacidade do sistema para lidar consistentemente aumentando cargas na forma de solicitações maiores, maior uso do processador e mais alocação de memória. Na negociação algorítmica uma estratégia é capaz de escalar se ele pode aceitar grandes quantidades de capital e ainda produzir retornos consistentes. A pilha de tecnologia de negociação escalas se ele pode suportar maiores volumes de comércio e aumento da latência, sem gargalos. Enquanto os sistemas devem ser projetados para escalar, muitas vezes é difícil prever antecipadamente onde um gargalo irá ocorrer. Rigorosa exploração madeireira, testes, perfil e monitoramento vai ajudar muito em permitir que um sistema de escala. As próprias línguas são muitas vezes descritas como não escaláveis. Isso geralmente é o resultado de desinformação, ao invés de fato duro. É a pilha de tecnologia total que deve ser determinada para escalabilidade, não a linguagem. Claramente certas línguas têm um desempenho maior do que outras em casos de uso específicos, mas uma língua nunca é melhor que outra em todos os sentidos. Um meio de gerenciar a escala é separar preocupações, como mencionado acima. A fim de introduzir adicionalmente a capacidade de lidar com picos no sistema (isto é, volatilidade súbita que desencadeia uma série de negócios), é útil criar uma arquitectura de enfileiramento de mensagens. Isso significa simplesmente colocar um sistema de fila de mensagens entre componentes para que os pedidos sejam empilhados se um determinado componente não conseguir processar muitos pedidos. Ao invés de solicitações sendo perdidas eles são simplesmente mantidos em uma pilha até que a mensagem é tratada. Isso é particularmente útil para enviar comércios para um mecanismo de execução. Se o motor está sofrendo sob latência pesada, então ele vai fazer o backup de comércios. Uma fila entre o gerador de sinal de comércio e a API de execução aliviará esta questão à custa de possíveis desvios comerciais. Um corretor de fila de mensagens de código aberto bem respeitado é RabbitMQ. Hardware e sistemas operacionais O hardware que executa sua estratégia pode ter um impacto significativo na rentabilidade do seu algoritmo. Este não é um problema restrito aos comerciantes de alta freqüência também. Uma má escolha em hardware e sistema operacional pode levar a uma máquina falhar ou reiniciar no momento mais inoportuno. Assim, é necessário considerar onde sua aplicação vai residir. A escolha é geralmente entre uma máquina desktop pessoal, um servidor remoto, um provedor de nuvem ou um servidor co-localizado de troca. As máquinas de mesa são simples de instalar e administrar, especialmente com os sistemas operacionais mais recentes, como o Windows 78, Mac OSX e Ubuntu. Os sistemas desktop possuem, no entanto, algumas desvantagens significativas. O principal é que as versões de sistemas operacionais projetados para máquinas desktop provavelmente exigirão rebootspatching (e muitas vezes no pior dos casos). Eles também usam mais recursos computacionais pela virtude de exigir uma interface gráfica com o usuário (GUI). A utilização de hardware em um ambiente doméstico (ou local) pode levar a conectividade com a internet e problemas de tempo de atividade. O principal benefício de um sistema desktop é que a potência computacional significativa pode ser comprada para a fração do custo de um servidor dedicado remoto (ou sistema baseado em nuvem) de velocidade comparável. Um servidor dedicado ou uma máquina baseada em nuvem, embora muitas vezes mais cara do que uma opção de desktop, permite uma infra-estrutura de redundância mais significativa, como backups de dados automatizados, a capacidade de garantir mais facilmente o tempo de atividade e o monitoramento remoto. Eles são mais difíceis de administrar, pois requerem a capacidade de usar recursos de login remoto do sistema operacional. No Windows isso geralmente é via o GUI Remote Desktop Protocol (RDP). Em sistemas baseados em Unix, a linha de comando Secure SHell (SSH) é usada. A infraestrutura de servidor baseada em Unix é quase sempre baseada em linha de comando, o que imediatamente torna inutilizáveis ferramentas de programação baseadas em GUI (como MatLab ou Excel). Um servidor co-localizado, como a frase é usada nos mercados de capital, é simplesmente um servidor dedicado que reside dentro de uma troca, a fim de reduzir a latência do algoritmo de negociação. Isso é absolutamente necessário para certas estratégias de negociação de alta freqüência, que dependem de baixa latência para gerar alfa. O aspecto final para a escolha de hardware ea escolha da linguagem de programação é independência de plataforma. Existe uma necessidade para o código para executar em vários sistemas operacionais diferentes É o código projetado para ser executado em um determinado tipo de arquitetura de processador, como o Intel x86x64 ou será possível executar em processadores RISC, como aqueles fabricados pela ARM Estas questões serão altamente dependentes da frequência e do tipo de estratégia a ser implementada. Resiliência e Testes Uma das melhores maneiras de perder muito dinheiro em negociação algorítmica é criar um sistema sem resiliência. Isso se refere à durabilidade do sistema quando sujeito a eventos raros, como falências de corretagem, súbita volatilidade excessiva, tempo de inatividade em toda a região para um provedor de servidor de nuvem ou a exclusão acidental de um banco de dados de negociação inteiro. Anos de lucros podem ser eliminados em poucos segundos com uma arquitetura mal projetada. É absolutamente essencial considerar questões como debuggng, testes, registro, backups, alta disponibilidade e monitoramento como componentes principais de seu sistema. É provável que em qualquer aplicação de negociação quantitativa personalizada razoavelmente complicada pelo menos 50 de tempo de desenvolvimento serão gastos em depuração, testes e manutenção. Quase todas as linguagens de programação enviam com um depurador associado ou possuem alternativas de terceiros bem respeitadas. Em essência, um depurador permite a execução de um programa com inserção de pontos de interrupção arbitrários no caminho de código, o que interrompe temporariamente a execução a fim de investigar o estado do sistema. O principal benefício da depuração é que é possível investigar o comportamento do código antes de um ponto de falha conhecido. Depuração é um componente essencial na caixa de ferramentas para analisar erros de programação. No entanto, eles são mais amplamente utilizados em linguagens compiladas como C ou Java, como linguagens interpretadas como Python são muitas vezes mais fáceis de depurar devido a menos LOC e menos verbose declarações. Apesar desta tendência Python faz navio com o pdb. Que é uma ferramenta de depuração sofisticada. O Microsoft Visual C IDE possui extensa GUI depuração utilitários, enquanto para a linha de comando Linux C programador, o depurador gdb existe. O teste no desenvolvimento de software refere-se ao processo de aplicar parâmetros e resultados conhecidos a funções, métodos e objetos específicos dentro de uma base de código, a fim de simular o comportamento e avaliar múltiplos caminhos de código, ajudando a garantir que um sistema se comporte como deveria. Um paradigma mais recente é conhecido como Test Driven Development (TDD), onde código de teste é desenvolvido contra uma interface especificada sem implementação. Antes da conclusão da base de código real, todos os testes falharão. Como o código é escrito para preencher os espaços em branco, os testes eventualmente todos passam, momento em que o desenvolvimento deve cessar. O TDD exige um extenso projeto de especificações iniciais, bem como um grau saudável de disciplina, a fim de realizar com êxito. Em C, Boost fornece uma estrutura de teste de unidade. Em Java, a biblioteca JUnit existe para cumprir a mesma finalidade. O Python também tem o módulo unittest como parte da biblioteca padrão. Muitas outras línguas possuem quadros de teste de unidade e muitas vezes há várias opções. Em um ambiente de produção, a exploração madeireira sofisticada é absolutamente essencial. Logging refere-se ao processo de saída de mensagens, com vários graus de severidade, no que diz respeito ao comportamento de execução de um sistema para um arquivo simples ou banco de dados. Os logs são uma primeira linha de ataque ao caçar comportamento inesperado do tempo de execução do programa. Infelizmente, as deficiências de um sistema de registro tendem apenas a ser descoberto após o fato. Como com os backups discutidos abaixo, um sistema de registro deve ser dada a devida consideração antes de um sistema é projetado. Tanto o Microsoft Windows quanto o Linux vêm com uma extensa capacidade de log de sistema e as linguagens de programação tendem a ser fornecidas com bibliotecas de registro padrão que cobrem a maioria dos casos de uso. Muitas vezes, é aconselhável centralizar as informações de registro para analisá-las em uma data posterior, uma vez que muitas vezes pode levar a idéias sobre como melhorar o desempenho ou redução de erros, que quase certamente terá um impacto positivo em seus retornos de negociação. Enquanto o registro de um sistema fornecerá informações sobre o que aconteceu no passado, o monitoramento de uma aplicação fornecerá uma visão sobre o que está acontecendo agora. Todos os aspectos do sistema devem ser considerados para monitoramento. Métricas de nível de sistema, como uso de disco, memória disponível, largura de banda de rede e uso de CPU fornecem informações de carga básica. Métricas de negociação, tais como volume de preços anormal, levantamentos rápidos repentinos e exposição da conta para diferentes setores também devem ser monitorados continuamente. Além disso, um sistema de limiar deve ser instigado que fornece notificação quando certas métricas são violadas, elevando o método de notificação (e-mail, SMS, chamada telefônica automatizada), dependendo da gravidade da métrica. O monitoramento do sistema geralmente é o domínio do administrador do sistema ou do gerenciador de operações. No entanto, como um único desenvolvedor de negociação, essas métricas devem ser estabelecidas como parte do projeto maior. Existem muitas soluções para monitoramento: proprietárias, hospedadas e de código aberto, que permitem a personalização extensiva de métricas para um caso de uso específico. Backups e alta disponibilidade devem ser as principais preocupações de um sistema comercial. 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 TradingAs purely a computer scientist youre in the perfect position to get started in algorithmic trading. This is something Ive witnessed firsthand at Quantiacs1. where scientists and engineers are able to jump right into automated trading without any prior experience. In other words, programming chops are the main ingredient needed to get started. To get a general understanding of what challenges await you afterduring the creation of an algorithmic trading system, check out this Quora post . Building a trading system from the ground up will require some background knowledge, a trading platform, market data, and market access. While not a requirement, choosing a single trading platform that provides most of these resources will help you get up to speed fast. That being said, the skills you develop will be transferable to any programming language and almost any platform. Believe it or not, building automated trading strategies isnt predicated on being a market expert. Nonetheless, learning basic market mechanics will help you discover profitable trading strategies. Options, Futures, and Other Derivates by John C. Hull - Great first book for entering quantitative finance, and approaching it from the mathematics side. Quantitative Trading by Ernie Chan - Ernie Chan provides the best introductory book for quantitative trading and walks you through the process of creating trading algorithms in MATLAB and Excel. Algorithmic Trading of Futures via Machine Learning - A 5-page breakdown of applying a simple machine learning model to commonly used technical analysis indicators. Heres an aggregated reading list PDF with a full breakdown of books, videos, courses, and trading forums. The best way to learn is by doing, and in the case of automated trading that comes down to charting and coding. A good starting point is existing examples of trading systems and existing exhibits of technical analysis techniques. Moreover, a skilled computer scientist has the additional edge of being able to apply machine learning to algorithmic trading. Here are some of those resources: TradingView - A fantastic visual charting platform on its own, TradingView is a great playground for getting comfortable with technical analysis. It has the added benefit of allowing you to script trading strategies and browse other peoples trade ideas. Automated Trading Forum - Great online community for posting beginner questions and finding answers to common quant issues when just getting started. Quant forums are a great place to become immersed in strategies, tools, and techniques. YouTube Seminar on trading ideas with working code samples on Github . Machine Learning: More presentations on automated trading can be found at the Quantiacs Quant Club . Most people from a scientific background (whether thats computer science or engineering) have had exposure to Python or MATLAB, which happen to be popular languages for quantitative finance. Quantiacs has created an open source toolbox that provides backtesting and 15 years of historical market data for free. The best part is everything is built on both Python and MATLAB giving you the choice of what to develop your system with. Heres a sample trend-following trading strategy in MATLAB. This is all the code needed to run an automated trading system, showcasing both the power of MATLAB and the Quantiacs Toolbox. Quantiacs lets you trade 44 futures and all the stocks of the SampP 500. In addition, a variety of additional libraries such as TensorFlow are supported. (Disclaimer: I work at Quantiacs) Once youre ready to make money as a quant, you can join the latest Quantiacs automated trading contest, with a total of 2,250,000 in investments available: Can you compete with the best quants 29.1k Views middot View Upvotes middot Not for Reproduction This answer has been completely re-written Here are 6 main knowledge base for building algorithmic trading systems. You should be acquainted with all of them in order to build effective trading systems. Some of the terms used may be slightly technical, but you should be able to understand them by Googling. Note: (Most of) these do not apply if you want to do High-Frequency Trading 1. Market Theories You need to understand how the market works. More specifically, you should understand market inefficiencies, relationships between different assetsproducts and price behaviour. Trading ideas stem from market inefficiencies. You will need to know how to evaluate market inefficiencies that give you a trading edge versus those that doesnt. Designing effective robots entails understanding how automated trading systems work. Essentially, an algorithmic trading strategy consists of 3 core components: 1) Entries, 2) Exits and 3) Position sizing. Youll need to design these 3 components in relation to the market inefficiency you are capturing (and no, this is not a straightforward process). You dont need to know advanced math (although it will help if you aim to build more complex strategies). Good critical thinking skills and a decent grasp on statistics will take you very far. Design involves backtesting (testing for trading edge and robustness) and optimisation (maximising performance with minimal curve fitting). Youll need to know how to manage a portfolio of algorithmic trading strategies too. Strategies can be complementary or conflicting this may lead to unplanned increases in risk exposure or unwanted hedging. Capital allocation is important too do you split capital equally during regular intervals or reward the winners with more capital If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 4. Data Management Garbage in garbage out. Inaccurate data leads to inaccurate test results. We need reasonably clean data for accurate testing. Cleaning data is a trade-off between cost and accuracy. If you want more accurate data, you need to spend more time (time money) cleaning it. Some issues that cause dirty data include missing data, duplicate data, wrong data (bad ticks). Other issues that leads to misleading data include dividends, stock splits and futures rollovers etc. 5. Risk Management There are 2 main types of risk: Market risk and Operational risk. Market risk involves risk related to your trading strategy. Does it consider worst case scenarios What if a black swan event like World War 3 happens Have you hedged away unwanted risk Is your position sizing too high In addition to managing market risk, you need to look at operational risk. System crash, loss of internet connect, poor execution algorithm (leading to poorly executed prices, or missed trades due to inability to handle requoteshigh slippage) and theft by hackers are very real issues. 6. Live Execution Backtesting and live trading are very different. Youll need to select proper brokers (MM vs STP vs ECN). Forex Market News with Forex Trading Forums amp Forex Brokers Reviews is your best friend, read broker reviews there. You need proper infrastructure (secure VPN and downtime handling etc) and evaluation procedures (monitor your robots performance and analyse them in relation to market inefficiencybacktestsoptimisations) to manage your robot throughout its lifetime. You need to know when to intervene (modifyupdateshutdownturn on your robots) and when not to. Evaluation and Optimization of Trading Strategies Pardo (Great insights on methods on building and testing trading strategies) Trade your way to Financial Freedom Van K Tharp (Ridiculous-Click bait title aside, this book is a great overview to mechanical trading systems) Quantitative Trading Ernest Chan (Great introduction to algo trading on a retail level.) Trading and Exchanges: Market Microstructure for Practitioners Larry Harris (Market microstructure is the science of how exchanges function and what actually happens when a trade is placed. It is important to know this information even though you are just starting out) Algorithmic Trading amp DMA Barry Johnson (Shed light on banks execution algorithms. This is not directly applicable your algo trading but it is good to know) The Quants Scott Patterson (War stories of some top quants. Good as a bedtime read) Quantopian (Code, research, and discuss ideas with the community. Uses Python) Fundamentals of Algo Trading Algo Trading101 (Disclaimer: I own this sitecourse. Learn robot design theories, market theories and coding. Uses MQL4) - Join the challenge (Learn trading concepts and backtesting theories. They recently developed their own backtesting and trading platform so this part is still new to me. But their knowledge base on trading concepts are good.) Recommended BlogsForums (these includes finance, trading and algo trading forums): Recommended Programming Languages: If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 17.1k Views middot View Upvotes middot Not for Reproduction If investment is a process, then the logical conclusion is automation. Algorithms are nothing else than the extreme formalisation of an underlying philosophy. This is the visual expression of a trading edge Trading edge Win Avg Win - Loss Avg Loss It changed my life and the way I approach the markets. Visualise your distribution, always. It will help You clarify your concepts, shed light on your logical flaws, but first let039s start with philosophy and belief elicitation 1. Why is it important to clarify your beliefs We trade our beliefs. More importantly, we trade our subconscious beliefs. quotIf You don039t know who you are, markets are an expensive place to find outquot, Adam Smith Many people do not take the time to elicit their beliefs and operate on borrowed beliefs. Unanswered questions and faulty logic is the reason why some systematic traders tweak their system around each drawdown. i used to be like that for many years. Belief elicitation exercises: The Work by Byron Katie. After i completed a 2 beliefs a day challenge for 100 days, i could explain my style to any grandmother 5 why. Ask yourself a question with why and dive deeper. Mindsets: expansive and subtractive or smoothie Vs band-aid There are two types of mindset, and we need both at different times: Expansive to explore concepts, ideas, tricks etc Subtractive: to simplify and clarify concepts Systematic traders who fail at being subtractive have a smoothie approach. They throw all kinds of stuff into their strategy and then blend it with an optimizer. Bad move: complexity is a form of laziness Overly subtractive systematic traders have a band aid mentality. They hard-code everything and then good luck patching quotEssentialist tradersquot understand that it is a dance between periods of exploration and times of hard core simplification. Simple is not easy It has taken me 3,873 hours, and i accept it may take a lifetime2. Exit: start with the end in mind Counter-intuitive truth The only time when you know if a trade was profitable is after exit, right So, focus on the exit logic first. In my opinion, the main reason why people fail to automate their strategy is that they focus too much on entry and not enough on exit. The quality of your exits shapes your PampL distribution, see chart above Spend enormous time on stop loss as it affects 4 components of your trading system: Win, Loss, Avg Loss, trading frequency The quality of your system will be determined by the quality of your stop loss, 3. Money is made in the money management module Equal weight is a form of laziness. The size of your bets will determine the shape of your returns. Understand when your strategy does not work and reduce size. Conversely, increase size when it works. I will write more about position sizing on my website, but there are many resources across the internet 3. Last and very least, Entry After you have watched a full season of quotdesperate housewivesquot or quotbreaking badquot, had some chocolate, walked the dog, fed the fish, called your mom, then it039s time to think about entry. Read the above formula, stock picking is not a primary component. One may argue that proper stock picking may increase win. Maybe, but it is worthless if there is neither proper exit policy, nor money management. In probabilistic terms, after you have fixed exit, entry becomes a sliding scale probability 4. What to focus on when testing There is no magical moving average, indicator value. When testing your system, focus on three things: False positives: they erode performance. Find simple (elegant) ways to reduce them, work on the logic periods when the strategy does not work: no strategy works all the time. Be prepared for that and prepare contingency plans in advance. Tweaking the system during a drawdown is like learning to swim in a storm Buying power and money management: this is another counter-intuitive fact. Your system may generate ideas but you do not have the buying power to execute. Please, have a look at the chart above I build all my strategies from the short side first. The best test of robustness for a strategy is the short side: Thin volume brutally volatile shorter cycle Platforms I started out on WealthLab developer. It has a spectacular position sizing library. This is the only platform that allows portfolio wide backtetsing and optimisation. I test all my concepts on WLD. Highly recommend. It has one drawback, it does not connect position sizer with real live trading. Amibroker is good too. It has an API that connects to Interactive brokers and a decent poisition sizer. We program on Metatrader for Forex. Unfortunately, Metatrader has gone down the complexity rabbit hole. there is a vibrant community out there. MatLab, the weapon of choice for engineers. No comment. Tradestation Perry Kaufman wrote some good books about TS. There is a vibrant community out there. It is easier than most other platforms Final advice If You want to learn to swim, You have to jump in the water. Many novices want to send their billion dollar ideas to some cheap programmers somewhere. It does not work like that. You need to learn the language, the logic. Brace for a long journey 14.8k Views middot View Upvotes middot Not for Reproduction Though this is a very broad topic with references to building algorithms, setting infrastructure, asset allocation and risk management but i will just focus on the first part of how should be work on building our own algorithm, and doing the right things. 1. Building Strategy . Some of the key points to note here are: Catch Big Trends - A good strategy must in all the cases, make money when the market is trending. Markets go with a good trend which lasts only 15-20 of the time, but this is the time when all the cats and dogs(traders from all time-frame, intraday, daily, weekly, long term) are out shopping and they all have one common theme. A lot of traders also build mean reversion strategies in which they try to judge conditions when the price have moved far from the mean, and take a trade against the trend but they should be built when you have successfully build and traded some good trend following systems. Odds of stacking up - People often work towards trying to build a system which has a excellent winloss ratio but that039s not the right approach. For example an algo with a winner of 70 with a average profit of 100 per trade and average loss of 200 per trade will just make 100 per 10 trades(10trade net). But an algo with a winner of 30 with average profit of 500 per trade and loss of 100 per trade will make a net profit of 800 for 10 trades(80trade). So it is not necessary that winloss ratio should be good, rather it039s the odds of stacking up which should be better. This goes by saying quotKeep losses small, but let your winners runquot. quotIn investing, what is comfortable is rarely profitable. quot - Robert Arnott Drawdown - Drawdown is unavoidable, if you are following any type of strategy. So while designing an algo don039t try to reduce the drawdown or do some specific custom condition to take care of that drawdown. This specific condition can in future may act as a roadblock in catching a big trend and your algo may perform poorly. Risk Management - When constructing a strategy, you should always have an exit gate, whatever the market chooses to do. The market is a place of odds and you must design an algo to get you out of a trade as soon as possible if it doesn039t fit your risk appetite. Normally it is argued that you must risk 1-2 of capital in each trade, and is optimal in a lot of ways as even if you get arnd 10 false trades in succession your capital will go down by only 20.But this is not the case in actual market scenario. Some lossing trades will be between 0-1, while some may go to 3-4, so it is better to define average lossing capital per trade and the max capital you can loose in a trade, as markets are completely random and can039t be judged. quotEvery once in a while, the market does something so stupid it takes your breath away. quot - Jim Cramer 2. Testing and optimizing a Strategy Slippage . When we are testing a strategy on historical data, we are under the assumption that the order will be executed at the predefined price arrived by the algo. But this will never be the case, as we have to deal with market makers and HFT algo039s now. Your order in today039s world will never be executed on the desired price, and there will be slippage. This must be included in the testing. Market Impact : Volume traded by the algo is another major factor to be considered while doing back-testing and collecting historical results. As volume increases the orders placed by algo will have considerable market impact and the average price of filled order will be much different. Your algo may produce complete different results in actual market conditions, if you will not study the volume dynamics your algo has. Optimization : Most traders suggest you not to do curve fitting and over optimization and they are correct as the markets are a function of random variables and no two situation will ever be the same. So optimizing parameters for particular situations is a bad idea. I would suggest you to go for Zonal Optimization . It is a technique which i follow, buy identifying zones which have similar characteristics in terms of volatility and volume. Optimize these areas seperately, rather than optimizing for the whole period. The above are some of the most basic and most important steps that i follow, when converting a basic thought into an algorithm and checking it039s validity. quot Everyone has the brainpower to follow the stock market. If you made it through fifth-grade math, you can do it. quotPeter Lynch 17.3k Views middot View Upvotes middot Not for Reproduction Short answer: Learn mathematics applied to trading, the structure of markets and optionally be a top networkdistributed systems programmer. There are three potentially parallel tracks that can be taken to learn algorithmic trading from scratch depending on the ultimate purpose of why you wish to learn it. Here they are in increasing order of difficulty which also correlates to how much it becomes your part of your livelihood. The earlier ones will open the opportunities for the following ones. You may stop at any step along the way once you039ve learned enough or got a job doing it. If you want to be a quant, mostly use math software and not actually be a programmer of an algo system, then the short answer is get a PhD in Mathematics, Physics or some math-heavy related engineering topic. Try to get internships at top hedge funds, prop shops or investment banks. If you can get employed by a successful firm then you will be taught there otherwise, it simply won039t happen. But in any case, you still should finish the 039Self Study039 section below to make sure you really want to go through the effort of getting a PhD. Unless you are a genius, if you don039t have a PhD you won039t be able to compete with those that do unless you specialize in the programming of trading systems. If you wish to be more on the programming side, try applying for employment after each step, but no often than once a year per firm. Self Study The first step is to understand what algorithmic trading really is and what systems are required to support it. I039d recommend reading through quotAlgorithmic Trading amp DMAquot (Johnson, 2010), something I personally did and can recommend. That will let you understand at a basic level. Next you should program your own order book, a simple market data simulator and one algorithm implementation on your on with Java or CC. For extra credit that would help with getting employment you should write your own networking communication layer from scratch too. At this point you may be able finish answering the question on your own. But for completeness and curiosity, feel free to continue: The next book to tackle is quotTrading amp Exchanges: Market Microstructure for Practitionersquot (Harris, 2003). This will go into finer details of how the markets work. It is another book I039ve read, but not completely studied because I was a systems programmer and not a quant nor a manager on the business side. Finally, if you want to start to learn the mathematics on how the markets work, work through the text and problems in quotOptions, Futures, and Other Derivativesquot (Hull, 2003). I made it through about half of that textbook either in preparation for or as part of internal training at one of my former employers. I believe I originally found out about that book because it was either suggested or required reading for one of well regarded MS Financial Mathematics programs. To potentially get a better chance at employment through a new-grad feeder program, complete a MS Financial Mathematics program if you wish to be a programmer for a trading platform or a team of quants. If you want to be the one designing the algos, then you need to take the PhD route explained earlier. If you still haven039t finished college, then by all means, try to get an internship at the same type of places. Employment No matter how much you learn in books and school, nothing will compare with the little details you learn while working for a firm. If you don039t know all the edge cases and know when your model stops working, you will lose money. I hope that answers your question and that along the way of learning you discover if you really wish to transition from study to actual day-to-day work. 18.6k Views middot View Upvotes middot Not for Reproduction I do have a background as a programmer and setting up agilescrum teams before I started to look at algorithmic trading. The world of algorithmic trading fascinates me, however it can be a bit overwhelming. I started to get some perspective by diving into the Quantopian platform, watching the quant lectures series and running my and adapted community based algo trading systems in their environment. Like the one below: I then realised to get in deeper more fast, I have to meet people that love to create trading strategies, but can not program - to match myself as an agile team manager and programmer of trading systems. So I wrote a book on how to create a team to implement your trading algorithms . Building Trading Systems The Agile Way: How to Build Winning Algorithmic Trading Systems as a Team. In the community of Quantopian I saw financial savvy people looking for people to implement their trading strategies, but where afraid to ask programmers to implement their ideas. Since they potentially can start running their trading ideas without them. I address this issue in my book. To avoid programmers to run away with your ideas: create a specification for your trading idea that uses a coding framework that is tailored for the type of strategy you want to develop . This might sound difficult, but when you know all the baby steps and how they fit together, it is pretty straightforward and fun to manage If you enjoyed this answer, please up vote and follow. 2.7k Views middot View Upvotes middot Not for Reproduction Look at TradeLink (C) or ActiveQuant (Java). TradeLink039s code is more elegant. I039m typing this on a cell phone, so please excuse my brevity. basically, look at what comes in vs what goes out as an initial way to frame the problem. Dentro. market data, exhangemarket events (executions to trades that your system placed, acks, rejects, trading-halted notification, etc). Fora. Orders, modifications to ordes. quotBuy 100 15.5, IOCquot, for example. IOC immediate or cancel. In between. strategy decisions based on information gathered from real-time data, in conjunction with historical data and any other inputs (trader039s command from his GUI to trade moreless aggressively, etc). Things like. place an order, amend an existing order, etc Now you can begin to address the technical architecture of such a system. Of key importance would be the ability to express the strategy easily, elegantly, despite the complexity of event-processing involved (there are several interesting race conditions that can confuse your system with regards to the state of the market your orders, for example). I used to do this for a living and can probably go on endlessly But typing on a cell phone is a deterrent. Hope you found this useful. Contact me if you need further guidance. 21.3k Views middot View Upvotes middot Not for Reproduction Stephen Steinberg. Founder of Raw Athletics Founder of Capitol Startup Interactive Brokers Interactive Brokers has a really top-notch investing platform and decent pricing. It039s definitely a powerful tool, so you could probably get cheaper alternatives from the discount brokers like Etrade and Scottrade, but if you039re serious about algorithmic trading, IB is where it039s at. InvestFly Success is all about practice and testing your hypothesis and algorithms. Back-test, test the markets and compare it to others. I prefer Investfly - Virtual Stock Exchange, Stock Market Game amp Trading Strategies. but there are a ton of good programs out there. Idea Generation Don039t start from ground zero-- I like to get ideas from Motif Investing ( Online Brokerage, Investment Ideas, Stock Trading ) and Seeking Alpha, but always look at the big picture and think about how these things apply to your own hypothesis and formulas. Cheers and good luck 4.5k Views middot View Upvotes middot Not for Reproduction Updated 101w ago middot Upvoted by Patrick J Rooney. 5 years trading professionally I specialize in advanced o To start with the basics, get a hold of Amibroker ( AmiBroker - Download ). Amibroker has an easy to learn language and powerful backtest engine where you can prototype your ideas. Also get Howard Bandy 039s book Quantitative Trading Systems. This book is a really good introduction to the concepts of quant developing. You039ll also need at least a basic knowledge of statistics. There are plenty of good MOOC courses available for this for free. Such as this one Statistics One - Princeton University Coursera It039s also worth following The Whole Street. which is a mashup of all the quant blogs, many of whom publish Amibroker code with their ideas. From there, it039s then worth learning Python ( learn python - Google Search ), and also doing Andrew Ng039s excellent Stanford University Machine Learning course, which runs for free on Coursera . If you then want to put your own algorithms to the test, good sites for that are Quantconnect or Quantopian . Finally, this guy has some good advice on turning it into your career quantstart Good luck with the journey Partially taken from Alan Clement039s answer to How can a software developer in finance become a quant developer 16.3k Views middot View Upvotes middot Not for Reproduction What broker can I use to start paper trading my algorithm for free How can I build an Order Routing System for an algorithmic trading platform How profitable are the best stock trading algorithms Can a single person actually profitably engage in algorithmic trading Where can I get resources to start learning Python for Algorithmic trading Which broker is good for algorithmic trading I have a solid understanding of stocksderivatives amp have Python skills. I want to develop an automated algorithmic trading system. Where do I start What are the best returns from algorithm tradingHow to Build Your Own Algorithmic Trading Strategy How to Build Your Own Algorithmic Trading Strategy Algorithmic Trading Strategy Every week we receive numerous emails asking us how we created our profitable algorithmic trading strategy . Instead of trying to explain our process and reasoning repeatedly through emails and phone calls, we decided to create a detailed video about the 4 major hurdles traders get stuck on, and how you can build your own profitable algorithmic trading strategy . Your goal as a trader is create or at least use a winning trading strategy. It does not matter if you manually trade it, or if its an automated trading strategy . But if you do happen to create something that makes money, its only natural that you then focus on automating it so you have your own algorithmic trading strategy running and working for you, while you build your next algo trading strategy 8230 Over the years I spent 108217s of thousands of dollars trying to figure out what the keys are to successful trading strategy. I want to share with you how I build profitable algorithmic trading strategies that work in rising, falling, and sideways markets. How I Built A Profitable Algorithmic Trading Strategy amp How You Can Also Let me share with you my journey as a trader in the order things happen to me and how I became a full-time algorithmic trading strategy user. Watch the video below for details and the special offer. Algorithmic Trading Strategy Reaches New High-Water Mark of 30.7 ROI 8211 Press Release Share this entry Copyright 2017 - ALGOTRADES - Automated Algorithmic Trading System CFTC RULE 4.41 - HYPOTHETICAL OR SIMULATED PERFORMANCE RESULTS HAVE CERTAIN LIMITATIONS. DESCONHECIDO UM REGISTO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, SENDO QUE OS COMÉRCIOS NÃO FORAM EXECUTADOS, OS RESULTADOS PODERÃO TER OU NÃO COMPENSADO PELO IMPACTO, SE HOUVER, DE CERTOS FATORES DE MERCADO, COMO A FALTA DE LIQUIDEZ. OS PROGRAMAS SIMULADOS DE NEGOCIAÇÃO EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE SÃO PROJETADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ SENDO SENDO QUE QUALQUER CONTA PODERÁ OU É POSSÍVEL CONSEQUÊNCIAS LUCROS OU PERDAS SIMILARES Àqueles MOSTRADOS. Nenhuma representação está sendo feita nem implica que o uso do sistema de negociação algorítmico irá gerar renda ou garantir um lucro. Há um risco substancial de perda associado com futuros de negociação e troca de valores negociados em bolsa. A negociação de futuros ea negociação de valores negociados em bolsa envolvem um risco substancial de perda e não é apropriado para todos. Estes resultados são baseados em resultados de desempenho simulados ou hipotéticos que têm certas limitações inerentes. Ao contrário dos resultados mostrados em um registro de desempenho real, esses resultados não representam a negociação real. Além disso, uma vez que estas transacções não foram efectivamente executadas, estes resultados podem ter sub-ou sobre-compensado o impacto, se for o caso, de determinados factores de mercado, como a falta de liquidez. Programas de negociação simulados ou hipotéticos em geral também estão sujeitos ao fato de que eles são projetados com o benefício de retrospectiva. Nenhuma representação está sendo feita que qualquer conta vai ou é susceptível de alcançar lucros ou perdas semelhantes aos que estão sendo mostrados. As informações contidas neste website foram preparadas sem levar em conta os objetivos de investimento, a situação financeira e as necessidades dos investidores, e ainda aconselha os assinantes a não agirem sobre qualquer informação sem obter aconselhamento específico de seus consultores financeiros para não confiar em informações do site como base primária Para suas decisões de investimento e para considerar seu próprio perfil de risco, tolerância de risco e suas próprias perdas de parada. - powered by Enfold WordPress Theme Chris Vermeulen on Benzinga PreMarket TV Show 8211 Automated Trading. Algorithmic Trading Strategies Performance 038 Investor Education
No comments:
Post a Comment