Trading System Codierung

Trading Systems Coding System Design. Der erste Schritt bei der Codierung jeder Anwendung ist die Design-Phase Ob Codierung einer Software-Anwendung oder ein Trading-System, sorgfältige Design und Planung wird Ihnen helfen, beenden in einer kürzeren Zeit mit weniger Fehler Wir werden eine einfache Drei-Schritt-Prozess, um unsere Trading-System. Step 1 Erstellen Sie Ihre Trading-System-Regeln Der erste Schritt bei der Gestaltung eines Handelssystems ist einfach kommen mit den Regeln, durch die Ihr System funktioniert Es sollte vier Kernregeln für jedes Trading-System. Buy - Identifizieren Sie, wann Sie eine Position kaufen möchten. Sell - Identifizieren Sie, wenn Sie eine Position verkaufen wollen. Stop - Identifizieren Sie, wenn Sie Ihre Verluste schneiden wollen. Target - Identifizieren Sie, wenn Sie einen Gewinn buchen möchten. So, zum Beispiel. Buy - Wenn der 30-Tage-Gleitender Durchschnitt MA über die 60-Tage-MA. Sell - Wenn die 30-Tage-MA kreuzt unterhalb der 60-Tage-MA. Stop - Maximale Verlust von 10 Einheiten. Target - Ziel von 10 Einheiten. Dieses Beispiel-System Wird kaufen und verkaufen auf der Grundlage der 30-und 60-Tage gleitenden Durchschnitten und wird automatisch Gewinne nach einem 10-Einheit Gewinn oder verkaufen nach einem 10-Einheiten-Umzug in die entgegengesetzte Richtung. Schritt 2 Identifizieren Sie die Komponenten jeder Regel Nun, da wir unsere Regeln haben, müssen wir die Komponenten identifizieren, die an jeder Regel beteiligt sind. Jede Komponente sollte zwei Elemente enthalten. Der Indikator oder die Studie wurde verwendet. Die Einstellungen für den Indikator oder die Studie. Diese Komponenten sollten durch Eingabe des Kurznamens erstellt werden Die Studie, gefolgt von den Einstellungen in Klammern Diese Einstellungen in Klammern werden als Parameter des Indikators oder der Studie bezeichnet Gelegentlich kann eine Studie mehrere Parameter haben, in diesem Fall trennen Sie sie einfach mit commas. Let s einen Blick auf ein paar Beispiele. MA 25 - 25-Tage-Gleitender Durchschnitt. RSI 25 - 25-Tage-relativer Stärke index. MACD Close 0, 5,5 - Verschieben der durchschnittlichen Konvergenz Divergenz-Set auf der Grundlage von heute s, mit einer Fünf-Tage-schnelle Länge und fünf - Tag langsame Länge. Wenn Sie nicht sicher sind, wie viele Parameter eine bestimmte Komponente erfordert, können Sie einfach Ihre Trading-Programm s Dokumentation, die diese Komponenten zusammen mit den Werten, die ausgefüllt werden müssen, z. B. können wir sehen, dass Tradecision Sagt uns, dass wir drei Parameter mit MACD brauchen. So, für das Beispiel in Schritt eins erwähnt, würden wir verwenden. MA 30 - Bedeutung 30-Tage gleitenden Durchschnitt. MA 60 - Bedeutung 60-Tage gleitenden Durchschnitt. Schritt 3 Hinzufügen Aktion Jetzt wir Wird Aktionen zu unseren Regeln hinzufügen Jede Aktion haftet an der folgenden grundlegenden format. IF Bedingung WHILE Bedingung DANN Action. Typisch besteht die Bedingung aus den Komponenten und Parametern, die Sie oben erstellt haben, während die Aktion aus Kauf oder Verkauf bestehen wird auch bestehen Von einfachem Englisch, wenn keine Komponente vorhanden ist Beachten Sie, dass die while-Komponente optional ist. Hier sind ein paar Beispiele zu helfen, illustrieren diesen Punkt. IF MA 30 Kreuze über MA 60 DANN Buy. IF MA 30 Kreuze unter MA 60 WHILE Volumen 20.000 DANN verkaufen. WENN EMA 25 ist größer als MA 5 DANN Sell. IF RSI 20 ist gleich 50 DANN Buy. So, für das Beispiel, das wir benutzt haben, wir d einfach list. IF MA 30 Kreuze über MA 60 DANN Buy. IF MA 30 Kreuze Unterhalb MA 60 THEN Sell. IF unser Handel hat 10 Einheiten Gewinn DANN Sell. IF unser Handel hat 10 Einheiten Verlust DANN Sell. What s Weiter Als nächstes werden wir einen Blick auf die Umwandlung dieser Regeln in einen Code, den Ihr Computer verstehen kann. Trading Systems Coding. Trading-Systeme sind einfach Sätze von Regeln, die Händler verwenden, um ihre Einträge und Ausgänge aus einer Position zu bestimmen Entwickeln und Verwenden von Handelssystemen können Händler helfen, konsistente Renditen zu erreichen, während Begrenzung des Risikos In einer idealen Situation sollten Händler wie Roboter fühlen, ausführen Trades systematisch und ohne Emotionen So, vielleicht hast du dich gefragt, was man einen Roboter vom Handel meines Systems stoppen kann Die Antwort Nichts Dieses Tutorial stellt euch die Werkzeuge und Techniken vor, die du verwenden kannst, um dein eigenes automatisiertes Trading System zu erstellen Trading Systems erstellt Automatisierte Handelssysteme werden durch die Umwandlung Ihrer Trading-System s Regeln in Code, dass Ihr Computer verstehen kann Ihr Computer dann führt diese Regeln durch Ihre Trading-Software, die nach Trades, die sich an Ihre Regeln suchen Schließlich werden die Trades automatisch platziert werden Ihr Broker. Dieses Tutorial konzentriert sich auf den zweiten und dritten Teil dieses Prozesses, wo Ihre Regeln in einen Code umgewandelt werden, den Ihre Trading-Software verstehen und nutzen kann. Was Trading Software unterstützt automatisierte Trading-Systeme Es gibt viele Trading-Programme, die automatisierten Handel unterstützen Systeme Einige werden automatisch generieren und platzieren Trades mit Ihrem Broker Andere werden automatisch Trades, die Ihren Kriterien entsprechen, aber verlangen, dass Sie die Aufträge mit Ihrem Makler manuell platzieren Darüber hinaus vollautomatische Handelsprogramme oft verlangen, dass Sie bestimmte Broker, die solche Funktionen unterstützen Sie verwenden Kann auch ein zusätzliches Berechtigungsformular ausfüllen. Vorteile und Nachteile Automatisierte Handelssysteme haben mehrere Vorteile, aber sie haben auch ihre Nachteile Nach allem, wenn jemand ein Handelssystem hatte, das automatisch die ganze Zeit Geld verdiente, würde er oder sie buchstäblich ein Geld-Maschine. Ein automatisiertes System nimmt die Emotionen und beschäftigt-Arbeit aus dem Handel, die Ihnen erlaubt, auf die Verbesserung Ihrer Strategie und Geld-Management-Regeln konzentrieren. Wenn ein profitables System entwickelt ist, erfordert es keine Arbeit auf Ihrem Teil, bis es bricht, Oder Marktbedingungen verlangen eine Änderung. Wenn das System nicht richtig codiert und getestet ist, können große Verluste sehr schnell auftreten. Manchmal ist es unmöglich, bestimmte Regeln in Code zu setzen, was es schwierig macht, ein automatisiertes Handelssystem zu entwickeln. In diesem Tutorial Sie Wird lernen, wie man ein automatisiertes Handelssystem plant und entwirft, wie man dieses Design in Code umwandelt, das dein Computer verstehen wird, wie man deinen Plan testet, um eine optimale Leistung zu gewährleisten und endlich wie du dein System benutzen kannst Der Weg, der weniger gereist ist, wird zu Ihren Gunsten arbeiten - oder gegen sie. Ein Trading-System kann Zeit sparen und die Emotionen aus dem Handel nehmen, aber die Annahme, dass man Geschick und Ressourcen nimmt - erfahren Sie mehr hier. Die meisten Makler werden Ihnen Handelsunterlagen zur Verfügung stellen Es ist auch wichtig, den Track auf eigene Faust zu halten. Diese Schritte werden Sie zu einem disziplinierteren, intelligenten und letztlich wohlhabenderen Händler machen. Häufig gestellte Fragen. Wenn Sie eine Hypothekenzahlung machen, ist der gezahlte Betrag eine Kombination aus Zinsgebühr und Hauptrückzahlung über die. Learn, um zwischen Investitionsgütern und Konsumgütern zu unterscheiden und zu sehen, warum Investitionsgüter Einsparungen und Investitionen erfordern. Derivat ist ein Vertrag zwischen zwei oder mehreren Parteien, deren Wert auf einem vereinbarten zugrunde liegenden finanziellen Vermögenswert basiert Wirtschafts-Graben, geprägt und popularisiert von Warren Buffett, bezieht sich auf eine geschäftliche Fähigkeit, wettbewerbsfähige Vorteile zu halten. Häufig gestellte Fragen. Wenn Sie eine Hypothek Zahlung, ist der Betrag bezahlt eine Kombination aus einer Zinsgebühr und Hauptrückzahlung über die. Learn zu differenzieren Zwischen Investitionsgütern und Konsumgütern, und sehen, warum Investitionsgüter Einsparungen und Investitionen erfordern. Derivat ist ein Vertrag zwischen zwei oder mehreren Parteien, deren Wert auf einem vereinbarten zugrunde liegenden finanziellen Vermögenswert basiert. Der Begriff Wirtschaftswurzel, geprägt und popularisiert von Warren Buffett, bezieht sich auf eine geschäftliche Fähigkeit, wettbewerbsfähige Vorteile zu erhalten. Best Programmiersprache für algorithmische Trading Systems. Einer der häufigsten Fragen, die ich in der QS Mailbag erhalten ist Was ist die beste Programmiersprache für algorithmischen Handel Die kurze Antwort ist, dass es keine gibt Beste Sprache Strategieparameter, Leistung, Modularität, Entwicklung, Ausfallsicherheit und Kosten müssen in Betracht gezogen werden Dieser Artikel beschreibt die notwendigen Komponenten einer algorithmischen Handelssystemarchitektur und wie Entscheidungen in Bezug auf die Umsetzung die Wahl der Sprache beeinflussen. Zuerst die Hauptkomponenten eines algorithmischen Handelssysteme, wie die Forschungsinstrumente, Portfolio-Optimierer, Risikomanager und Ausführungs-Engine. Anschließend werden unterschiedliche Handelsstrategien untersucht und wie sie das Design des Systems beeinflussen. Insbesondere die Häufigkeit des Handels und des wahrscheinlichen Handelsvolumens werden beides sein Diskutiert werden. Wenn die Handelsstrategie ausgewählt worden ist, ist es notwendig, das gesamte System zu architektieren Dies beinhaltet die Wahl der Hardware, das Betriebssystem s und System-Resilienz gegen seltene, potenziell katastrophale Ereignisse Während die Architektur berücksichtigt wird, muss gebührend berücksichtigt werden Zur Leistung - sowohl für die Forschungs-Tools als auch die Live-Ausführungsumgebung. Was ist das Trading-System zu tun. Before entscheiden über die beste Sprache, mit denen ein automatisiertes Handelssystem zu schreiben ist es notwendig, die Anforderungen zu definieren Ist das System gehen Um reine Ausführung zu sein, wird das System ein Risikomanagement - oder Portfolio-Konstruktionsmodul erfordern. Das System erfordert einen leistungsstarken Backtester Für die meisten Strategien kann das Handelssystem in zwei Kategorien aufgeteilt werden. Forschung und Signalgenerierung. Forschung beschäftigt sich mit der Bewertung einer Strategie Performance über historische Daten Der Prozess der Auswertung einer Handelsstrategie gegenüber früheren Marktdaten ist bekannt als Backtesting Die Datengröße und die algorithmische Komplexität haben einen großen Einfluss auf die Rechenintensität der Backtester-CPU-Geschwindigkeit und Parallelität sind oft die begrenzenden Faktoren bei der Optimierung der Forschungsdurchführung Speed. Signal-Generation beschäftigt sich mit der Erstellung eines Satzes von Handelssignalen aus einem Algorithmus und dem Versenden solcher Aufträge auf den Markt, in der Regel über eine Brokerage Für bestimmte Strategien ist ein hohes Leistungsniveau erforderlich IO-Themen wie Netzwerkbandbreite und Latenz sind oft die Begrenzung Faktor bei der Optimierung von Ausführungssystemen So kann die Wahl der Sprachen für jede Komponente Ihres gesamten Systems ganz anders sein. Typ, Frequenz und Volumen der Strategie. Die Art der verwendeten algorithmischen Strategie wird einen wesentlichen Einfluss auf die Gestaltung des Systems haben. Es wird sein Notwendig, um die gehandelten Märkte zu berücksichtigen, die Konnektivität zu externen Datenanbietern, die Häufigkeit und das Volumen der Strategie, den Kompromiss zwischen der Einfachheit der Entwicklung und der Leistungsoptimierung sowie jede benutzerdefinierte Hardware, einschließlich co-lokaler benutzerdefinierter Server, GPUs Oder FPGAs, die notwendig sein könnten. Die Technologie-Entscheidungen für eine niederfrequente US-Aktienstrategie werden sich weit von denen eines hochfrequenten statistischen Arbitrage-Strategiehandels auf dem Futures-Markt unterscheiden. Vor der Wahl der Sprache müssen viele Datenanbieter ausgewertet werden Beziehen sich auf eine Strategie zur Hand. Es wird notwendig sein, um die Konnektivität mit dem Anbieter, die Struktur von APIs, die Aktualität der Daten, Speicheranforderungen und Resiliency im Angesicht eines Vendors gehen offline zu betrachten. Es ist auch klug, schnellen Zugriff auf zu besitzen Mehrere Anbieter Verschiedene Instrumente haben alle ihre eigenen Speicher-Macken, Beispiele dafür sind mehrere Ticker-Symbole für Aktien und Verfallsdaten für Futures, um keine spezifischen OTC-Daten zu erwähnen. Dies muss in der Plattform-Design berücksichtigt werden. Frequenz der Strategie ist wahrscheinlich Einer der größten Treiber für die Art und Weise, wie der Technologie-Stack definiert wird Strategien, die Daten häufiger verwenden als klein oder zweitens Bars erfordern eine beträchtliche Berücksichtigung in Bezug auf Leistung. Eine Strategie, die zweitens Stäbe übersteigt, dh Tick-Daten führt zu einem leistungsgesteuerten Design als primäre Anforderung für Hochfrequenz-Strategien eine erhebliche Menge an Marktdaten müssen gespeichert und ausgewertet werden Software wie HDF5 oder kdb werden häufig für diese Rollen verwendet. Um die umfangreichen Datenmengen für HFT-Anwendungen zu verarbeiten, ist ein weitgehend optimiertes Backtester - und Ausführungssystem Muss verwendet werden CC möglicherweise mit einigen Assembler ist wahrscheinlich der stärkste Sprachkandidat Ultra-Hochfrequenz-Strategien werden fast sicherlich benutzerdefinierte Hardware wie FPGAs, Austausch Co-Location und Kern-Netzwerk-Interface-Tuning. Research Systems. Research-Systeme in der Regel eine Mischung aus Interaktive Entwicklung und automatisiertes Scripting Das ehemalige findet oft in einer IDE wie Visual Studio, MatLab oder R Studio statt. Letzteres beinhaltet umfangreiche numerische Berechnungen über zahlreiche Parameter und Datenpunkte Dies führt zu einer Sprachwahl, die eine einfache Umgebung bietet, um Code zu testen, aber auch Bietet eine ausreichende Leistung, um Strategien über mehrere Parameterdimensionen zu bewerten. Typische IDEs in diesem Raum sind Microsoft Visual CC, das umfangreiche Debugging-Dienstprogramme, Code-Completion-Funktionen über Intellisense und einfache Übersichten des gesamten Projektstacks über die Datenbank ORM, LINQ MatLab enthält, die entworfen wurde Für umfangreiche numerische lineare Algebra und vektorisierte Operationen, aber in einer interaktiven Konsolenweise R Studio, die die R statistische Sprachkonsole in einer vollwertigen IDE Eclipse IDE für Linux Java und C und semi-proprietäre IDEs wie Enthought Canopy für Python wickelt Beinhalten Datenanalyse-Bibliotheken wie NumPy SciPy scikit-Learn und Pandas in einer einzigen interaktiven Konsolenumgebung. Für das numerische Backtesting sind alle oben genannten Sprachen geeignet, obwohl es nicht notwendig ist, eine GUI IDE zu nutzen, da der Code in der Hintergrund Die Hauptbetrachtung in diesem Stadium ist die der Ausführungsgeschwindigkeit Eine kompilierte Sprache wie C ist oft nützlich, wenn die Backtesting-Parameter-Dimensionen groß sind. Denken Sie daran, dass es notwendig ist, vor solchen Systemen vorsichtig zu sein, wenn dies der Fall ist. Interpretierte Sprachen wie Python Oft nutzen Hochleistungsbibliotheken wie NumPy-Pandas für den Backtesting-Schritt, um ein vernünftiges Maß an Wettbewerbsfähigkeit mit kompilierten Äquivalenten aufrechtzuerhalten. Letztlich wird die für das Backtesting gewählte Sprache durch spezifische algorithmische Bedürfnisse sowie das Spektrum der Bibliotheken bestimmt Verfügbar in der Sprache mehr dazu unten Allerdings kann die Sprache für die Backtester und Forschungsumgebungen verwendet werden völlig unabhängig von denen, die in der Portfolio-Konstruktion, Risikomanagement und Ausführung Komponenten verwendet werden, wie zu sehen ist. Portfolio Construction und Risikomanagement. Das Portfolio Bau-und Risikomanagement-Komponenten werden oft von Einzelhandel algorithmischen Händlern übersehen Dies ist fast immer ein Fehler Diese Werkzeuge bieten den Mechanismus, durch den Kapital erhalten wird Sie nicht nur versuchen, die Anzahl der riskanten Wetten zu lindern, sondern auch minimieren Churn der Trades selbst, Verringerung der Transaktionskosten. Erweiterte Versionen dieser Komponenten können einen signifikanten Einfluss auf die Qualität und die Konsequenz der Profitabilität haben Es ist einfach, einen stabilen Strategien zu schaffen, da der Portfolio-Konstruktionsmechanismus und der Risikomanager leicht modifiziert werden können, um mehrere Systeme zu behandeln. So sollten sie sein Als wesentliche Komponenten zu Beginn der Gestaltung eines algorithmischen Handelssystems betrachtet. Die Aufgabe des Portfolio-Bau-System ist es, eine Reihe von gewünschten Trades zu nehmen und produzieren die Menge der tatsächlichen Trades, die Churn minimieren, halten Belichtungen zu verschiedenen Faktoren wie Sektoren, Asset-Klassen, Volatilität etc. und optimieren die Allokation von Kapital zu verschiedenen Strategien in einem Portfolio. Portfolio-Konstruktion reduziert sich oft auf eine lineare Algebra Problem wie eine Matrix-Faktorisierung und damit Leistung ist in hohem Maße abhängig von der Wirksamkeit der numerischen linearen Algebra-Implementierung zur Verfügung gemeinsame Bibliotheken Beinhalten uBLAS LAPACK und NAG für C MatLab besitzt auch umfangreich optimierte Matrixoperationen Python nutzt NumPy SciPy für solche Berechnungen Ein häufig neu ausgewogenes Portfolio erfordert eine kompilierte und gut optimierte Matrixbibliothek, um diesen Schritt auszuführen, um das Handelssystem nicht zu verschränken Management ist ein weiterer äußerst wichtiger Teil eines algorithmischen Handelssystems Risiko kann in vielen Formen kommen Erhöhte Volatilität, obwohl dies für bestimmte Strategien als wünschenswert angesehen werden kann, erhöhte Korrelationen zwischen Assetklassen, Gegenpartei-Default, Serverausfälle, Black Swan Events und unentdeckte Bugs In der Handels-Code, um einige zu nennen. Risk-Management-Komponenten versuchen und erwarten die Auswirkungen der übermäßigen Volatilität und Korrelation zwischen Asset-Klassen und ihre nachfolgenden Auswirkungen auf Handelskapital Oft dies reduziert sich auf eine Reihe von statistischen Berechnungen wie Monte Carlo Stresstests Dies Ist sehr ähnlich wie die rechnerischen Bedürfnisse einer Derivate-Pricing-Engine und als solche wird CPU-gebunden Diese Simulationen sind sehr parallelisierbar siehe unten und bis zu einem gewissen Grad ist es möglich, Hardware auf das Problem zu werfen. Execution Systems. Der Job von Das Ausführungssystem soll gefilterte Handelssignale aus dem Portfolio-Bau - und Risikomanagement-Komponenten erhalten und an ein Brokerage oder andere Mittel des Marktzugangs senden. Für die Mehrheit der algorithmischen Handelsstrategien handelt es sich um eine API - oder FIX-Verbindung zu einem Brokerage wie zB Interaktive Broker Die primären Überlegungen bei der Entscheidung über eine Sprache sind die Qualität der API, die Sprache-Wrapper-Verfügbarkeit für eine API, die Ausführungshäufigkeit und die erwartete Schlupf. Die Qualität der API bezieht sich auf, wie gut dokumentiert es ist, welche Art von Leistung es bietet , Ob es sich um eine eigenständige Software handelt oder ob ein Gateway kopflos eingerichtet werden kann, dh keine GUI Im Falle von Interactive Brokers muss das Trader WorkStation Tool in einer GUI-Umgebung laufen, um einmal auf ihre API zuzugreifen Musste eine Desktop-Ubuntu-Edition auf einen Amazon-Cloud-Server installieren, um interaktive Broker remote zu nutzen, nur aus diesem Grund. Die meisten APIs werden eine C - und Java-Schnittstelle bereitstellen. Es ist normalerweise Aufgabe der Community, sprachspezifische Wrapper für C, Python zu entwickeln , R, Excel und MatLab Beachten Sie, dass bei jedem zusätzlichen Plugin speziell API-Wrapper verwendet wird, gibt es Spielraum für Bugs, um in das System zu schleichen Immer Test-Plugins dieser Art zu testen und sicherzustellen, dass sie aktiv gepflegt werden Ein lohnender Messgerät ist zu sehen, wie viele neue Updates zu einem Codebase wurden in den letzten Monaten gemacht. Execution Frequenz ist von größter Bedeutung in der Ausführung Algorithmus Beachten Sie, dass Hunderte von Aufträgen können jede Minute gesendet werden und als solche Leistung ist kritisch Schlupf wird durch eine schlecht durchführende Ausführung System entstehen und dies wird haben Eine dramatische Auswirkung auf die Profitabilität. Statically-typisierte Sprachen siehe unten wie C Java sind in der Regel optimal für die Ausführung, aber es gibt einen Kompromiss in Entwicklungszeit, Test und Wartungsfreundlichkeit Dynamisch typisierte Sprachen wie Python und Perl sind jetzt allgemein Schnell genug Immer sicherstellen, dass die Komponenten modular aufgebaut sind, siehe unten, so dass sie ausgetauscht werden können, da die Systemwaagen sind. Architektonischer Planungs - und Entwicklungsprozess. Die Komponenten eines Handelssystems, dessen Frequenz - und Volumenanforderungen wurden oben diskutiert , Aber die Systeminfrastruktur muss noch abgedeckt werden Diejenigen, die als Einzelhändler handeln oder in einem kleinen Fonds arbeiten, werden wahrscheinlich viele Hüte tragen. Es wird notwendig sein, das Alpha-Modell, das Risikomanagement und die Ausführungsparameter zu decken, und auch die endgültige Umsetzung von Das System Vor dem Einstieg in spezifische Sprachen wird die Gestaltung einer optimalen Systemarchitektur diskutiert. Separation of Concerns. One der wichtigsten Entscheidungen, die zu Beginn gemacht werden müssen, ist, wie man die Anliegen eines Handelssystems in Software-Entwicklung zu trennen Bedeutet im Wesentlichen, wie man die verschiedenen Aspekte des Handelssystems in getrennte modulare Komponenten auflöst. Durch die Belichtung von Schnittstellen an jedem der Komponenten ist es einfach, Teile des Systems für andere Versionen auszutauschen, die Leistung, Zuverlässigkeit oder Wartung unterstützen, ohne irgendwelche zu modifizieren Externer Abhängigkeitscode Dies ist die beste Praxis für solche Systeme Für Strategien bei niedrigeren Frequenzen werden solche Praktiken empfohlen Für den Hochfrequenzhandel muss das Regelwerk auf Kosten der Optimierung des Systems für noch mehr Leistung ignoriert werden. Ein stärker gekoppeltes System kann sein Wünschenswert. Erstellen einer Komponenten-Karte eines algorithmischen Handelssystems ist einen Artikel in sich wert. Allerdings ist ein optimaler Ansatz, um sicherzustellen, dass es separate Komponenten für die historischen und Echtzeit-Marktdateneingaben, Datenspeicherung, Datenzugriff API, Backtester, Strategieparameter, Portfolioaufbau, Risikomanagement und automatisierte Ausführungssysteme. Zum Beispiel, wenn der verwendete Datenspeicher derzeit auch unter erheblichen Optimierungsniveaus unterdurchschnittlich ist, kann er mit minimalen Umschreibungen auf die Datenaufnahme oder den Datenzugriff API As ausgetauscht werden Weit wie der Backtester und nachfolgende Komponenten betroffen sind, gibt es keinen Unterschied. Ein weiterer Vorteil von getrennten Komponenten ist, dass es eine Vielzahl von Programmiersprachen im Gesamtsystem verwendet werden kann. Es besteht keine Notwendigkeit, auf eine einzige Sprache beschränkt zu sein, wenn die Kommunikationsmethode der Komponenten ist sprachunabhängig Dies wird der Fall sein, wenn sie über TCP IP, ZeroMQ oder ein anderes sprachunabhängiges Protokoll kommunizieren. Als konkretes Beispiel ist der Fall eines Backtesting-Systems zu betrachten, das in C für die Nummer Crunching Performance geschrieben wird , Während die Portfolio-Manager und Ausführungs-Systeme in Python mit SciPy und IBPy. Performance Überlegungen geschrieben werden. Performance ist eine wesentliche Überlegung für die meisten Trading-Strategien Für höhere Frequenz-Strategien ist es der wichtigste Faktor Leistung umfasst eine breite Palette von Themen, wie algorithmische Ausführungsgeschwindigkeit, Netzwerklatenz, Bandbreite, Daten IO, Parallelität und Skalierung Parallelität und Skalierung Jeder dieser Bereiche wird individuell von großen Lehrbüchern abgedeckt, so dass dieser Artikel nur die Oberfläche jedes Themas kratzt. Die Architektur und die Sprachwahl werden nun in Form ihrer Effekte diskutiert Auf die Leistung. Die vorherrschende Weisheit, wie von Donald Knuth einer der Väter der Informatik, ist, dass vorzeitige Optimierung ist die Wurzel aller Übel Dies ist fast immer der Fall - außer beim Aufbau eines Hochfrequenz-Trading-Algorithmus Für diejenigen, die interessiert sind Niedrigere Frequenzstrategien, ein gemeinsames Konzept ist es, ein System auf die einfachste Art und Weise zu bauen und nur zu optimieren, wenn Engpässe beginnen zu erscheinen. Profiling Tools werden verwendet, um festzustellen, wo Engpässe entstehen. Profile können für alle oben aufgeführten Faktoren gemacht werden, entweder in a MS Windows - oder Linux-Umgebung Es gibt viele Betriebssystem - und Sprach-Tools, um dies zu tun, sowie Drittanbieter-Dienstprogramme Die Sprachwahl wird nun im Rahmen von performance. C, Java, Python, R und MatLab diskutiert, die alle leistungsstark sind Bibliotheken entweder als Teil ihres Standards oder extern für die grundlegende Datenstruktur und die algorithmische Arbeit C mit der Standard Template Library, während Python NumPy SciPy enthält. Gemeinsame mathematische Aufgaben sind in diesen Bibliotheken zu finden und es ist selten vorteilhaft, eine neue Implementierung zu schreiben. Eine Ausnahme ist, wenn hoch maßgeschneiderte Hardware-Architektur erforderlich ist und ein Algorithmus macht umfangreiche Nutzung von proprietären Erweiterungen wie benutzerdefinierte Caches Aber oft Neuerung des Rades verschwendet Zeit, die besser ausgegeben werden könnte Entwicklung und Optimierung anderer Teile der Handelsinfrastruktur Entwicklungszeit ist Äußerst kostbar vor allem im Kontext von Sohlenentwicklern. Latenz ist oft ein Thema des Ausführungssystems, da die Forschungsinstrumente meist auf derselben Maschine liegen. Für die ersteren kann die Latenzzeit an mehreren Punkten entlang des Ausführungspfades auftreten. Datenbanken müssen das Festplattennetzwerk konsultiert werden Latenz, Signale müssen generiert werden Betriebssystem, kernal Messaging Latenz, Handel Signale gesendet NIC Latenz und bestellt verarbeitete Austausch-Systeme interne Latenz. Für höhere Frequenz Operationen ist es notwendig, vertraut mit kernal Optimierung sowie Optimierung der Netzwerkübertragung zu werden Dies ist ein Tiefe Fläche und ist deutlich über den Umfang des Artikels, aber wenn ein UHFT-Algorithmus gewünscht wird dann bewusst sein, die Tiefe des Wissens erforderlich. Caching ist sehr nützlich in der Toolkit eines quantitativen Handel Entwickler Caching bezieht sich auf das Konzept der Speicherung häufig zugegriffenen Daten In einer Weise, die einen leistungsfähigeren Zugriff ermöglicht, auf Kosten der potenziellen Verschärfung der Daten Ein gemeinsamer Anwendungsfall tritt bei der Web-Entwicklung bei der Datenübertragung von einer disk-backed relationalen Datenbank auf und setzt sie in den Speicher Alle nachfolgenden Anfragen für die Daten nicht Müssen die Datenbank treffen und so können Leistungssteigerungen signifikant sein. Für Trading-Situationen kann das Caching äußerst vorteilhaft sein. Zum Beispiel kann der aktuelle Status eines Strategie-Portfolios in einem Cache gespeichert werden, bis er neu ausgeglichen wird, so dass die Liste nicht benötigt wird Auf jeder Schleife des Handelsalgorithmus regeneriert werden Solche Regeneration ist wahrscheinlich eine hohe CPU - oder Festplatten-IO-Operation. Jedoch ist das Caching nicht ohne eigene Probleme Regeneration von Cache-Daten auf einmal aufgrund der volatilen Natur des Cache-Speichers Stellen Sie eine erhebliche Nachfrage nach Infrastruktur Ein weiteres Problem ist Dog-Piling, wo mehrere Generationen einer neuen Cache-Kopie unter extrem hoher Belastung durchgeführt werden, was zu Kaskaden-Ausfall führt. Dynamische Speicherzuteilung ist eine teure Operation in Software-Ausführung So ist es zwingend für höhere Leistung Trading-Anwendungen, um gut bewusst zu sein, wie Speicher während des Programmablaufs zugewiesen und freigegeben wird Neuere Sprachstandards wie Java, C und Python führen automatisch eine automatische Garbage Collection durch, die sich auf die Freigabe von dynamisch zugewiesenem Speicher bezieht, wenn Objekte aus dem Geltungsbereich gehen Äußerst nützlich bei der Entwicklung, da es Fehler reduziert und die Lesbarkeit unterstützt. Allerdings ist es für bestimmte Hochfrequenz-Handelsstrategien oftmals suboptimal. Für diese Fälle ist oft eine benutzerdefinierte Garbage Collection erwünscht In Java zum Beispiel, indem man den Garbage Collector und die Heap-Konfiguration abgestimmt hat Ist möglich, hohe Leistung für HFT-Strategien zu erhalten. C doesn t bieten einen nativen Garbage Collector und so ist es notwendig, alle Speicherzuteilung Deallokation als Teil eines Objekts s Umsetzung zu behandeln Während potenziell fehleranfällige potenziell führen zu baumelnden Zeiger ist es äußerst nützlich zu Haben eine feinkörnige Kontrolle darüber, wie Objekte auf dem Haufen für bestimmte Anwendungen erscheinen Bei der Auswahl einer Sprache ist zu beachten, wie der Müllsammler arbeitet und ob er modifiziert werden kann, um für einen bestimmten Anwendungsfall zu optimieren. Viele Operationen in algorithmischen Handelssystemen sind zugänglich Zur Parallelisierung Dies bezieht sich auf das Konzept der Durchführung mehrerer programmatischer Operationen zur gleichen Zeit, dh parallel. So genannte peinlich parallele Algorithmen beinhalten Schritte, die vollständig unabhängig von anderen Schritten berechnet werden können. Bestimmte statistische Operationen wie Monte-Carlo-Simulationen sind ein Gutes Beispiel für peinlich parallele Algorithmen, da jede zufällige Zeichnung und nachfolgende Pfadoperation ohne Kenntnis anderer Pfade berechnet werden können. Andere Algorithmen sind nur teilweise parallelisierbar. Fluiddynamik Simulationen sind ein Beispiel, bei dem die Berechnungsdomäne unterteilt werden kann, aber letztlich diese Domänen Müssen miteinander kommunizieren und somit sind die Operationen teilweise sequentiell. Parallelisierbare Algorithmen unterliegen dem Amdahl-Gesetz, das eine theoretische Obergrenze für die Leistungssteigerung eines parallelisierten Algorithmus bei N separaten Prozessen, z. B. an einem CPU-Kern oder Thread, liefert. Die Parallelisierung hat Werden zunehmend wichtiger als Optimierungsmechanismus, da die Prozessor-Taktgeschwindigkeiten stagniert haben, da neuere Prozessoren viele Kerne enthalten, mit denen parallele Berechnungen durchgeführt werden können. Der Aufstieg der Consumer-Grafik-Hardware überwiegend für Videospiele hat zur Entwicklung von GPUs der grafischen Verarbeitungseinheiten geführt Enthalten Hunderte von Kernen für sehr gleichzeitige Operationen Diese GPUs sind jetzt sehr erschwinglich High-Level-Frameworks, wie Nvidia s CUDA haben zu einer breiten Annahme in Akademie und Finanzen geführt. So GPU-Hardware ist in der Regel nur für den Forschungsaspekt der quantitativen Finanzierung geeignet, während Andere spezialisierte Hardware einschließlich Feld-programmierbare Gate-Arrays - FPGAs werden für U HFT verwendet Heutzutage unterstützen die meisten modernen Langungen einen Grad der Parallelität Multithreading So ist es einfach, einen Backtester zu optimieren, da alle Berechnungen im Allgemeinen unabhängig von den anderen sind. Skalieren in Software Engineering und Operationen bezieht sich auf die Fähigkeit des Systems, konsequent zunehmende Lasten in Form von größeren Anfragen, höherer Prozessorverbrauch und mehr Speicherzuteilung zu behandeln. Im algorithmischen Handel ist eine Strategie in der Lage, zu skalieren, wenn sie größere Mengen an Kapital akzeptieren und immer noch konsistent sein kann Rückkehr Die Trading-Technologie-Stack Skalen, wenn es größere Handelsvolumina und erhöhte Latenz, ohne Engpässe aushalten kann. Während Systeme müssen skaliert werden, ist es oft schwer vorher vorauszusagen, wo ein Engpass auftreten Rigourous Protokollierung, Prüfung, Profiling und Überwachung wird helfen Stark in der Erlaubnis eines Systems zu skalieren Sprachen selbst werden oft als unskalierbar beschrieben Dies ist in der Regel das Ergebnis von Fehlinformationen, anstatt harte Tatsache Es ist die gesamte Technologie-Stack, die für Skalierbarkeit ermittelt werden sollte, nicht die Sprache Klar bestimmte Sprachen haben mehr Leistung als andere Vor allem Anwendungsfälle, aber eine Sprache ist niemals besser als eine andere in jeder Hinsicht. Ein Mittel zur Verwaltung von Skalen ist es, Bedenken zu trennen, wie oben erwähnt Um die Fähigkeit, Spikes im System, dh plötzliche Volatilität, die ein Floß auslöst, weiterzuführen Von Trades ist es sinnvoll, eine Message-Warteschlangenarchitektur zu erstellen. Das bedeutet einfach, ein Message-Queue-System zwischen den Komponenten zu platzieren, damit Aufträge gestapelt werden, wenn eine bestimmte Komponente nicht in der Lage ist, viele Anfragen zu verarbeiten. Anstatt, dass sie verloren gehen, werden sie einfach in einem gehalten Stack, bis die Nachricht behandelt wird Dies ist besonders nützlich für das Senden von Trades an eine Ausführungs-Engine Wenn der Motor unter schwerer Latenz leidet, dann wird es sichern Trades Eine Warteschlange zwischen dem Handelssignalgenerator und der Ausführungs-API wird dieses Problem auf Kosten von beheben Potenzielle Handelsschlupf Ein gut respektierter Open-Source-Nachrichten-Warteschlangen-Broker ist RabbitMQ. Hardware und Betriebssysteme. Die Hardware, die Ihre Strategie ausführt, kann einen erheblichen Einfluss auf die Rentabilität Ihres Algorithmus haben. Dies ist kein Problem, das auf Hochfrequenz-Händler beschränkt ist. Eine schlechte Wahl In Hardware und Betriebssystem kann zu einem Maschinen-Crash oder Neustart am meisten unpassenden Moment führen So ist es notwendig zu prüfen, wo Ihre Anwendung wohnen wird Die Wahl liegt in der Regel zwischen einem persönlichen Desktop-Maschine, einem Remote-Server, einem Cloud-Anbieter oder einem Austausch co - located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 7 8, Mac OSX and Ubuntu Desktop systems do possess some significant drawbacks, however The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots patching and often at the worst of times They also use up more computational resources by the virtue of requiring a graphical user interface GUI. Utilising hardware in a home or local office environment can lead to internet connectivity and power uptime problems The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server or cloud based system of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol RDP In Unix-based systems the command-line Secure SHell SSH is used Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools such as MatLab or Excel to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence Is there a need for the code to run across multiple different operating systems Is the code designed to be run on a particular type of processor architecture, such as the Intel x86 x64 or will it be possible to execute on RISC processors such as those manufactured by ARM These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing. One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database Years of profits can be eliminated within seconds with a poorly-designed architecture It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50 of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives In essence , a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point. Debugging is an essential component in the toolbox for analysing programming errors However, they are more widely used in compiled languages such as C or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements Despite this tendency Python does ship with the pdb which is a sophisticated debugging tool The Microsoft Visual C IDE possesses extensive GUI debugging utilities, while for the command line Linux C programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should A more recent paradigm is known as Test Driven Development TDD , where test code is developed against a specified interface with no implementation Prior to the completion of the actual codebase all tests will fail As code is written to fill in the blanks , the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully In C , Boost provides a unit testing framework In Java, the JUnit library exists to fulfill the same purpose Python also has the unittest module as part of the standard library Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database Logs are a first line of attack when hunting for unexpected program runtime behaviour Unfortunately the shortcomings of a logging system tend only to be discovered after the fact As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now All aspects of the system should be considered for monitoring System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices volume, sudden rapid drawdowns and account exposure for different sectors markets should also be continuously monitored Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method email, SMS, automated phone call depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager However, as a sole trading developer, these metrics must be established as part of the larger design Many solutions for monitoring exist proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system Consider the following two questions 1 If an entire production database of market data and trading history was deleted without backups how would the research and execution algorithm be affected 2 If the trading system suffers an outage for an extended period with open positions how would account equity and ongoing profitability be affected The answers to both of these questions are often sobering. It is imperative to put in place a system for backing up data and also for testing the restoration of such data Many individuals do not test a restore strategy If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment. Similarly, high availability needs to be baked in from the start Redundant infrastructure even at additional expense must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems I won t delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language. Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system The next stage is to discuss how programming languages are generally categorised. Type Systems. When choosing a language for a trading stack it is necessary to consider the type system The languages which are of interest for algorithmic trading are either statically - or dynamically-typed A statically-typed language performs checks of the types eg integers, floats, custom classes etc during the compilation process Such languages include C and Java A dynamically-typed language performs the majority of its type-checking at runtime Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors However, type-checking doesn t catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations Dynamic languages ie those that are dynamically-typed can often lead to run-time errors that would otherwise be caught with a compilation-time type-check For this reason, the concept of TDD see above and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type and thus memory requirements are known at compile-time In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit Libraries for dynamic languages, such as NumPy SciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary. One of the biggest choices available to an algorithmic trading developer is whether to use proprietary commercial or open source technologies 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 licensing maintenance costs. The Microsoft stack including Visual C , Visual C and MathWorks MatLab are two of the larger proprietary choices for developing custom algorithmic trading software Both tools have had significant battle testing in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds. Microsoft and MathWorks both provide extensive high quality documentation for their products Further, the communities surrounding each tool are very large with active web forums for both The software allows cohesive integration with multiple languages such as C , C and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ MatLab also has many plugins libraries some free, some commercial for nearly any quantitative research domain. There are also drawbacks With either piece of software the costs are not insignificant for a lone trader although Microsoft does provide entry-level version of Visual Studio for free Microsoft tools play well with each other, but integrate less well with external code Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned. MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading The main issue with proprietary products is the lack of availability of the source code This means that if ultra performance is truly required, both of these tools will be far less attractive. Open source tools have been industry grade for sometime Much of the alternative asset space makes extensive use of open-source Linux, MySQL PostgreSQL, Python, R, C and Java in high-performance production roles However, they are far from restricted to this domain Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats. The main benefit of using interpreted languages is the speed of development time Python and R require far fewer lines of code LOC to achieve similar functionality, principally due to the extensive libraries 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 dependency versioning 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, operating system interaction, GUIs, regular expressions regex , iteration and basic algorithms. C is famed for its Standard Template Library STL which contains a wealth of high performance data structures and algorithms for free Python is known for being able to communicate with nearly any other type of system protocol especially the web , mostly through its own standard library R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code which can be found in portfolio optimisation and derivatives pricing, for instance. Outside of the standard libraries, C makes use of the Boost library, which fills in the missing parts of the standard library In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C 11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy SciPy Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research Further, high - performance plugins exist for access to the main relational databases, such as MySQL MySQL C , JDBC Java MatLab , MySQLdb MySQL Python and psychopg2 PostgreSQL Python Python can even communicate with R via the RPy plugin. An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs In particular, Interactive Brokers can be connected to via the IBPy plugin If high-performance is required, brokerages will support the FIX protocol. 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.