Sistema operacional de negociação de alta frequência

Sistema operacional de negociação de alta frequência

Sistema de Forex de Andrew pdf
Script do site de negociação Forex
Transferência da calculadora da gerência do dinheiro dos estrangeiros


Previsão de Forex usando redes neurais Sinais de opções binárias precisas Restrições Forex da Nigéria Taxa de câmbio em lahore Spreads mais baixos do Forex Sistemas de Forex que realmente funcionam Opção de negociação na Índia ppt Sinais gratuitos de Forex online

Mais um passo. Por favor, preencha a verificação de segurança para acessar a velocidade da luz. Por que eu tenho que completar um CAPTCHA? A conclusão do CAPTCHA prova que você é humano e concede acesso temporário à propriedade da web. O que posso fazer para evitar isso no futuro? Se você estiver em uma conexão pessoal, como em casa, poderá executar uma verificação antivírus no seu dispositivo para garantir que ele não esteja infectado por malware. Se você estiver em um escritório ou em uma rede compartilhada, poderá solicitar ao administrador da rede que execute uma verificação na rede procurando dispositivos configurados ou infectados incorretamente. Cloudflare Ray ID: 3ed7bed4373f826d & bull; Seu IP: 78.109.24.111 & bull; Performance & amp; segurança pela Cloudflare. Veja como você configura sua própria operação de negociação de alta frequência. Na semana passada, tivemos o privilégio de conversar com Mike Felix e o "doutor" Lawrence Hansen, da Lime Brokerage, corretora de agência sediada em Nova York especializada em negociações de alta frequência e baixa latência. O principal takeaway :. Aqueles que acham que as velocidades são inaceitáveis, melhor se acostumar com isso, porque eles estão aqui para ficar e só vai ficar mais rápido a partir daqui. Perguntamos a eles como seria possível configurar sua própria operação de negociação de alta frequência em um nível de amador / varejo. Depois de definir exatamente qual é a definição de negociação de alta frequência, analisamos os passos necessários para que isso aconteça. Começar apresentação de slides " 1. Primeiro venha com um plano de negociação. O que você quer fazer? Existem várias estratégias quando se trata de negociação de alta frequência. Alguns deles incluem, mas obviamente não se limitam ao seguinte: Captura de bônus de liquidez (obtenção de dinheiro para fornecer liquidez na troca) Arbitragem de latência: Exponha os atrasos nos pedidos passando por uma troca Criação automática de mercado: Usando algoritmos de baixa latência (programas realmente rápidos), você pode comprar todas as ações disponíveis em um mercado uma fração de segundo e fazer um mercado / fornecer liquidez em um determinado título. Rastreamento automático de índice (benchmarking): Um algoritmo básico correlacionará automaticamente uma posição a um índice, como o S & P 500. 2. Levante o capital de acordo. Acredite ou não, você não precisa de milhões de dólares para fazer negociações de alta frequência. Alguns clientes começam com, digamos, US $ 20.000 e trabalham a partir daí. Outros têm milhões disponíveis e, em seguida, os grandes participantes - os bancos, fundos de hedge e investidores institucionais - têm centenas de milhões prontamente disponíveis à sua disposição. 3. Em seguida, encontre uma câmara de compensação que o aprove como contraparte. Esta é uma parte integrante da sua operação. Sem uma parte de compensação adequada, que pode ser um jogador pequeno para alguém como o Barclays (na foto), seu modus operandi não funcionará corretamente. Você precisa ter 100% de certeza de que seus negócios serão liquidados no final do dia do mercado. 4. Determine quem será seu principal corretor ou "mini prime", que agrega jogadores menores juntos. Você deve estar familiarizado com o termo principal corretor, o banco de investimento ou agente de serviços que faz todas as coisas que você não precisa lidar. Liquidar negócios, fornecer alavancagem e emprestar valores mobiliários são parte integrante da negociação e, é claro, da negociação de alta frequência. Se você é um jogador muito pequeno para ir aos grandes cães como o Goldman Sachs, o Fortis e o JP Morgan, existem corretores "mini prime" que são como um consórcio de pequenos jogadores. 5. Inicie o seu back office e as operações de contabilidade. A menos que você queira que a SEC chegue depois que você e a FINRA enviarem multas por semana, é melhor que você tenha uma operação de backoffice bem definida. O back office cuida das tarefas administrativas associadas à negociação e garante que todas as negociações sejam liquidadas. Se a sua operação não for eficiente, espere muitas dores de cabeça ao tentar resolver uma discrepância em uma negociação de 4 milhões de blocos de ações. 6. Colocar seus servidores perto das trocas através de um centro de dados. Configure servidores para especificação. Bem. Essa é a grande parte aqui. Co-location - obtendo seus servidores o mais próximo possível da troca. As bolsas têm data centers, assim como firmas como a Lime Brokerage. Pense nisto: suas ordens dependem da velocidade da luz e da latência entre dois computadores (o tempo que leva um pedido para ir do Computador A para o Computador B). Há uma diferença enorme entre milissegundos (1/1000 de segundo) e microssegundos (1 / 1.000.000 de segundo), então cada pouquinho conta. Você precisará pagar uma taxa para colocar seu servidor no data center e precisará certificar-se de que ele tenha o poder de suportar sua operação. 7. Pregue a estratégia de negociação e implemente-a. Quando seu servidor estiver no data center, é hora de revisar: Você estabeleceu uma estratégia de negociação clara, como discutido no primeiro slide? O seu servidor está funcionando corretamente? Você testou os tempos de ping e a latência? Você estabeleceu um escritório totalmente funcional completo com os requisitos mencionados acima (limpeza, back office, etc.)? Se você estiver usando algos, seus algoritmos funcionam corretamente? Você não quer que eles fiquem malucos. Você tem capital adequado para começar sua operação? 8. Configure os algoritmos, se aplicável. Nem todos os HFT são de comércio algorítmico. Lembre-se: HFT NÃO SIGNIFICA NEGOCIAÇÃO ALGORITÍMICA! É tudo sobre a velocidade. Mas se você estiver usando algoritmos, certifique-se de configurá-los corretamente, pois, se uma coisa pequena estiver errada, você poderá perder todo o seu dinheiro em questão de segundos. Ou talvez seus pedidos não sejam executados corretamente. Seja qual for o motivo, leve o seu departamento de informática / TI / nerd sobre isso e faça com que mostrem que você está pronto para rodar. 9. Certifique-se de ter um cliente front-end com uma interface decente para que você possa acessar e configurar seus servidores e estratégias de negociação de longe. É impraticável ir ao data center toda vez que você quiser fazer alguma coisa ou reconfigurar seu servidor. Um cliente front-end decente para fazer mudanças é essencial para se ater ao seu plano. Alguns serviços vêm com uma GUI (interface gráfica do usuário) que você pode usar, mas outros podem exigir um conhecimento mais complexo de coisas como o UNIX. 10. Teste sua configuração e certifique-se de que tudo esteja funcionando corretamente - no seu lado e no final de qualquer fornecedor de software / hardware. ESTÁ BEM. Você já fez tudo. Você configurou o negócio, instalou os servidores, configurou os algos, pagou a equipe, comeu a hora do almoço para uma verificação final antes de decolar. Afinal, você precisa ter certeza de que sua estratégia funcionará corretamente quando você "ligar as máquinas". Alguns serviços oferecem a capacidade de testar uma configuração usando dinheiro engraçado, semelhante ao sistema de negociação PaperMoney da thinkorswim. Certifique-se de fazer isso antes de começar a usar o capital da sua empresa. 11. Entre nos mercados e comece a negociar! Flickr do Steve Preço. Ligue tudo e chute de volta. Deixe os comerciantes ou os algos fazer o trabalho para você e parabenize-se por um trabalho bem feito. Você finalmente começou sua própria trading de alta frequência. Compreender exatamente o que é a negociação de alta frequência. É muito importante que você entenda que a negociação de alta frequência não é negociação de caixa preta ou negociação algorítmica. Ele pode implementar essas duas coisas em uma estratégia de HFT, mas, novamente, elas não são estratégias específicas de HFT. Negociação de alta frequência é tudo sobre uma coisa: velocidade. Você precisa de co-location (colocando o seu servidor o mais próximo possível da troca) para fazê-lo funcionar e quanto mais milli / micro / nano-seconds você eliminar, melhor. Baixa latência (o tempo que leva para o seu pedido chegar à troca) é fundamental, especialmente quando se trata de execução. O pessoal da Lime Brokerage sabe uma ou duas coisas sobre velocidade, já que eles vêm fazendo essas coisas há anos, muito antes de a buzzphrase conhecida como "trading de alta frequência" existir. Para eles, a velocidade é a única coisa que é fundamental e deve permanecer fundamental. Negociação de alta frequência - HFT. O que é 'negociação de alta frequência - HFT' A negociação de alta frequência (HFT) é uma plataforma de negociação de programas que utiliza computadores poderosos para transacionar um grande número de pedidos a velocidades muito rápidas. Ele usa algoritmos complexos para analisar vários mercados e executar ordens com base nas condições do mercado. Normalmente, os operadores com as velocidades de execução mais rápidas são mais lucrativos do que os traders com velocidades de execução mais lentas. QUEBRANDO PARA BAIXO 'High-Frequency Trading - HFT' Benefícios do HFT. O principal benefício do HFT é que ele melhorou a liquidez do mercado e removeu os spreads bid-ask que anteriormente seriam muito pequenos. Isso foi testado pela adição de taxas sobre o HFT e, como resultado, os spreads bid-ask aumentaram. Um estudo avaliou como os spreads canadenses de compra e venda mudaram quando o governo introduziu taxas sobre o HFT, e descobriu-se que os spreads bid-ask aumentaram em 9%. Críticas de HFT. HFT é controverso e foi recebido com algumas duras críticas. Ele substituiu uma grande quantidade de corretores e usa modelos matemáticos e algoritmos para tomar decisões, tirando a decisão humana e a interação da equação. As decisões acontecem em milissegundos, e isso pode resultar em grandes movimentos do mercado sem motivo. Como exemplo, em 6 de maio de 2010, o Dow Jones Industrial Average (DJIA) sofreu sua maior queda no ponto intradiário de todos os tempos, recuando 1.000 pontos e caindo 10% em apenas 20 minutos antes de subir novamente. Uma investigação do governo culpou uma ordem maciça que desencadeou uma venda para o acidente. Uma crítica adicional ao HFT é que ele permite que as grandes empresas lucrem às custas dos "pequenos sujeitos", ou dos investidores institucionais e de varejo. Outra grande queixa sobre a HFT é que a liquidez oferecida pela HFT é "liquidez fantasma", o que significa que ela fornece liquidez que está disponível no mercado um segundo e passa a próxima, impedindo que os negociadores realmente possam negociar essa liquidez. Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica? Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica? Uma das perguntas mais frequentes que recebo no mailbag do 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 comércio algorítmico e como as decisões relativas à implementação afetam a escolha da linguagem. Primeiramente, os principais componentes de um sistema de negociação algorítmica serão considerados, como as ferramentas de pesquisa, o otimizador de portfólio, o gerenciador de risco e o mecanismo de execução. Posteriormente, diferentes estratégias de negociação serão examinadas e como elas afetam o design do sistema. Em particular, a frequência de negociação e o volume de negociação provável serão ambos discutidos. Uma vez que a estratégia de negociação tenha sido selecionada, é necessário arquitetar todo o sistema. Isso inclui a escolha de hardware, o sistema operacional e a resiliência do sistema contra eventos raros e potencialmente catastróficos. Enquanto a arquitetura está sendo considerada, a devida atenção deve ser dada ao desempenho - tanto para as ferramentas de pesquisa quanto para o ambiente de execução ao vivo. Qual é o sistema de negociação tentando fazer? Antes de decidir sobre a "melhor" linguagem com a qual escrever um sistema de negociação automatizado, é necessário definir os requisitos. O sistema será puramente baseado em execução? O sistema exigirá um módulo de gerenciamento de risco ou de construção de portfólio? O sistema exigirá um backtester de alto desempenho? Para a maioria das estratégias, o sistema de negociação pode ser particionado em duas categorias: Pesquisa e geração de sinais. A pesquisa está preocupada com a avaliação de um desempenho da 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 e a complexidade algorítmica terão um grande impacto na intensidade computacional do backtester. A velocidade e a simultaneidade da CPU costumam ser os fatores limitantes na otimização da velocidade de execução da pesquisa. A geração de sinais preocupa-se em gerar um conjunto de sinais de negociação de um algoritmo e enviar esses pedidos ao mercado, geralmente por meio de uma corretora. Para determinadas estratégias, é necessário um alto nível de desempenho. Problemas de E / S, como largura de banda de rede e latência, são muitas vezes o fator limitante na otimização de sistemas de execução. Assim, a escolha de idiomas para cada componente de todo o seu sistema pode ser bem diferente. Tipo, Frequência e Volume de Estratégia. O tipo de estratégia algorítmica empregada terá um impacto substancial no design do sistema. Será necessário considerar os mercados que estão sendo negociados, a conectividade com fornecedores de dados externos, a frequência e o volume da estratégia, o tradeoff entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo customização co-localizada servidores, GPUs ou FPGAs que possam ser necessários. As escolhas tecnológicas para uma estratégia de ações norte-americanas de baixa frequência serão muito diferentes daquelas de uma negociação de estratégia de arbitragem estatística de alta frequência no mercado de futuros. Antes da escolha da linguagem, muitos fornecedores de dados devem ser avaliados quanto à estratégia em questão. Será necessário considerar a conectividade com o fornecedor, a estrutura de quaisquer APIs, a pontualidade dos dados, os requisitos de armazenamento e a resiliência em face de um fornecedor ficar off-line. Também é aconselhável ter acesso rápido a vários fornecedores! Vários instrumentos têm suas próprias peculiaridades de armazenamento, exemplos dos quais incluem vários símbolos de ticker para ações e datas de vencimento para futuros (para não mencionar quaisquer dados OTC específicos). Isso precisa ser levado em conta no design da plataforma. A frequência da estratégia é provavelmente um dos maiores impulsionadores de como a pilha de tecnologia será definida. Estratégias que empregam dados com mais freqüência do que minuciosamente ou em segundo lugar exigem consideração significativa com relação ao desempenho. Uma estratégia que excede as segundas barras (isto é, dados de ticks) leva a um design orientado pelo desempenho como o requisito primário. Para estratégias de alta frequência, uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada. Softwares como HDF5 ou kdb + são comumente usados ​​para essas funções. Para processar os volumes extensos de dados necessários para aplicativos HFT, um backtester e um sistema de execução extensivamente otimizados devem ser usados. C / C ++ (possivelmente com algum montador) é provável que seja o candidato de idioma mais forte. Estratégias de frequência ultra-alta quase certamente exigirão hardware customizado, como FPGAs, co-location de troca e ajuste de interface de rede / kernal. Sistemas de pesquisa. Os sistemas de pesquisa geralmente envolvem uma mistura de desenvolvimento interativo e scripts automatizados. O primeiro ocorre com frequência dentro de um IDE, como o Visual Studio, o MatLab ou o R Studio. Este último envolve extensos cálculos numéricos sobre numerosos parâmetros e pontos de dados. Isso leva a uma escolha de idioma que fornece um ambiente simples para testar o código, mas também fornece desempenho suficiente para avaliar estratégias em várias dimensões de parâmetro. IDEs típicos nesse espaço incluem o Microsoft Visual C ++ / C #, que contém extensos utilitários de depuração, recursos de conclusão de código (via "Intellisense") e visões gerais simples da pilha inteira do projeto (via banco de dados ORM, LINQ); MatLab, que é projetado para extensa álgebra linear numérica e operações vetorizadas, mas de uma forma de console interativo; R Studio, que envolve o console de linguagem estatística R em um IDE completo; Eclipse IDE para Linux Java e C ++; e IDEs semi-proprietários como o Enthought Canopy for Python, que incluem bibliotecas de análise de dados como NumPy, SciPy, scikit-learn e pandas em um único ambiente interativo (console). Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar uma GUI / IDE, pois o código será executado "em segundo plano". A consideração principal neste estágio é a velocidade de execução. Uma linguagem compilada (como C ++) é freqüentemente útil se as dimensões do parâmetro de backtesting forem grandes. Lembre-se que é necessário ter cuidado com esses sistemas, se for esse o caso! Linguagens interpretadas, como Python, geralmente usam bibliotecas de alto desempenho como o NumPy / pandas para a etapa de backtesting, a fim de manter um grau razoável de competitividade com equivalentes compilados. Em última análise, a linguagem escolhida para o backtesting será determinada por necessidades algorítmicas específicas, bem como o leque de bibliotecas disponíveis na linguagem (mais sobre isso abaixo). No entanto, a linguagem usada para os ambientes de backtester e de pesquisa pode ser completamente independente daquelas usadas nos componentes de construção de portfólio, gerenciamento de risco e execução, como será visto. Construção de Carteira e Gestão de Risco. Os componentes de gerenciamento de risco e de construção de portfólio são frequentemente negligenciados por traders algorítmicos de varejo. Isso é quase sempre um erro. Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado. Eles não apenas tentam aliviar o número de apostas "arriscadas", mas também minimizam a rotatividade dos negócios, reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da lucratividade. É fácil criar uma estratégia estável, pois o mecanismo de construção de portfólio e o gerenciador de risco podem ser facilmente modificados 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 portfólio é pegar um conjunto de negócios desejados e produzir o conjunto de negociações reais que minimizam o churn, manter exposições a vários fatores (como setores, classes de ativos, volatilidade, etc.) e otimizar a alocação de capital para vários estratégias em um portfólio. A construção de portfólio geralmente se reduz a um problema de álgebra linear (como uma fatoração de matriz) e, portanto, o desempenho é altamente dependente da eficácia da implementação da álgebra linear numérica disponível. Bibliotecas comuns incluem uBLAS, LAPACK e NAG para C ++. O MatLab também possui operações de matriz amplamente otimizadas. O Python utiliza o NumPy / SciPy para tais cálculos. Um portfólio freqüentemente reequilibrado exigirá uma biblioteca matricial compilada (e bem otimizada!) Para realizar este passo, de modo a não afunilar o sistema de negociação. O gerenciamento de riscos 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, inadimplência de terceiros, paralisações de servidores, eventos "black swan" e erros não detectados no código de negociação. para nomear alguns. Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e correlação entre as classes de ativos e seus efeitos subsequentes sobre o capital comercial. Muitas vezes, isso reduz a um conjunto de cálculos estatísticos, como os "testes de estresse" de Monte Carlo. Isso é muito semelhante às necessidades computacionais de um mecanismo de precificação de derivativos e, como tal, será vinculado à CPU. Estas simulações são altamente paralelizáveis ​​(veja abaixo) e, até certo ponto, é possível "lançar hardware no problema". Sistemas de Execução. O trabalho do sistema de execução é receber sinais de negociação filtrados dos componentes de construção de carteira e gestão de risco e enviá-los para uma corretora ou outros meios de acesso ao mercado. Para a maioria das estratégias de negociação algorítmica de varejo, isso envolve uma conexão API ou FIX para uma corretora como a Interactive Brokers. As principais considerações ao decidir sobre uma linguagem incluem a qualidade da API, a disponibilidade do wrapper de idioma para uma API, a frequência de execução e o escorregamento previsto. A "qualidade" da API refere-se a quão bem documentada ela é, que tipo de desempenho ela fornece, se precisa de software independente para ser acessado ou se um gateway pode ser estabelecido de maneira sem cabeça (ou seja, sem GUI). No caso dos Interactive Brokers, a ferramenta Trader WorkStation precisa estar em execução em um ambiente GUI para acessar sua API. Certa vez, tive que instalar uma edição do Ubuntu do Desktop em um servidor de nuvem da Amazon para acessar o Interactive Brokers remotamente, puramente por esse motivo! A maioria das APIs fornecerá uma interface C ++ e / ou Java. Geralmente, cabe à comunidade desenvolver wrappers específicos de linguagem para C #, Python, R, Excel e MatLab. Observe que, com cada plug-in adicional utilizado (especialmente os wrappers de APIs), há escopo para os bugs se infiltrarem no sistema. Sempre teste plugins desse tipo e garanta que eles sejam ativamente mantidos. Um indicador que vale a pena é ver quantas novas atualizações foram feitas em uma base de código nos últimos meses. Freqüência de execução é da maior importância no algoritmo de execução. Observe que centenas de pedidos podem ser enviados a cada minuto e, como tal, o desempenho é crítico. A derrapagem será incorrida através de um sistema de execução com péssimo desempenho e isso terá um impacto dramático na lucratividade. As linguagens com tipagem estática (veja abaixo) como C ++ / Java são geralmente ótimas para execução, mas há um compromisso em tempo de desenvolvimento, teste e facilidade de manutenção. Linguagens dinamicamente tipificadas, como Python e Perl, são geralmente "rápidas o suficiente". Certifique-se sempre de que os componentes são projetados de maneira modular (veja abaixo) para que possam ser "trocados" conforme o sistema é dimensionado. Planejamento arquitetônico e processo de desenvolvimento. Os componentes de um sistema de negociação, seus requisitos de frequência e volume foram discutidos acima, mas a infra-estrutura do sistema ainda não foi coberta. Aqueles que atuam como comerciantes de varejo ou que trabalham em um fundo pequeno provavelmente estarão "usando muitos chapéus". Será necessário estar cobrindo o modelo alfa, os parâmetros de gerenciamento de risco e execução, e também a implementação final do sistema. Antes de aprofundar em linguagens específicas, o design de uma arquitetura de sistema ideal será discutido. Separação de preocupações. Uma das decisões mais importantes que devem ser tomadas no início é como "separar as preocupações" de um sistema de negociação. No desenvolvimento de software, isso significa essencialmente dividir os diferentes aspectos do sistema de negociação em componentes modulares separados. Ao expor 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 externo. Essa é a "melhor prática" para esses sistemas. Para estratégias em freqüências mais baixas, tais práticas são recomendadas. Para negociação de ultra alta frequência, o livro de regras pode ter que ser ignorado em detrimento do ajuste do sistema para um desempenho ainda maior. Um sistema mais fortemente acoplado pode ser desejável. Criar um mapa de componentes de um sistema de negociação algorítmico vale um artigo em si. No entanto, uma abordagem ideal é garantir que haja componentes separados para as entradas de dados de mercado históricas e em tempo real, armazenamento de dados, API de acesso a dados, backtester, parâmetros estratégicos, construção de portfólio, gerenciamento de risco e sistemas automatizados de execução. Por exemplo, se o armazenamento de dados em uso estiver atualmente com baixo desempenho, mesmo em níveis significativos de otimização, ele poderá ser substituído com reescritas mínimas para a API de acesso a dados ou acesso a dados. Tanto quanto o backtester e componentes subseqüentes estão em causa, não há diferença. Outro benefício dos componentes separados é que ele permite que uma variedade de linguagens de programação seja usada no sistema geral. Não há necessidade de se restringir a um único idioma se o método de comunicação dos componentes for independente de idioma. Este será o caso se eles estiverem se comunicando via TCP / IP, ZeroMQ ou algum outro protocolo independente de linguagem. Como um exemplo concreto, considere o caso de um sistema de backtesting sendo escrito em C ++ para desempenho "processamento de números", enquanto o gerenciador de portfólio e sistemas de execução são escritos em Python usando SciPy e IBPy. Considerações de desempenho. O desempenho é uma consideração significativa para a maioria das estratégias de negociação. Para estratégias de maior frequência, é o fator mais importante. "Desempenho" abrange uma ampla gama de problemas, como velocidade de execução algorítmica, latência de rede, largura de banda, E / S de dados, simultaneidade / paralelismo e dimensionamento. Cada uma dessas áreas é coberta individualmente por grandes livros didáticos, portanto, este artigo apenas arranhará a superfície de cada tópico. A arquitetura e a escolha de idiomas serão agora discutidas em termos de seus efeitos no desempenho. A sabedoria predominante, como afirma 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 frequência! Para aqueles que estão interessados ​​em estratégias de baixa frequência, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar à medida que os gargalos começam a aparecer. As ferramentas de criação de perfil são usadas para determinar onde os gargalos surgem. Os perfis podem ser feitos para todos os fatores listados acima, seja em um ambiente MS Windows ou Linux. Existem muitas ferramentas de sistema operacional e idioma disponíveis para isso, 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 (como parte de seus padrões ou externamente) para estrutura de dados básica e trabalho algorítmico. O C ++ é fornecido com a Biblioteca de Modelos Padrão, enquanto o Python contém o NumPy / SciPy. 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 for necessária e um algoritmo estiver fazendo uso extensivo de extensões proprietárias (como caches personalizados). No entanto, muitas vezes a "reinvenção da roda" desperdiça tempo que poderia ser mais bem gasto desenvolvendo e otimizando outras partes da infraestrutura de negociação. O tempo de desenvolvimento é extremamente precioso, especialmente no contexto de desenvolvedores únicos. A latência é frequentemente uma questão do sistema de execução, pois as ferramentas de pesquisa geralmente estão situadas na mesma máquina. Para o primeiro, a latência pode ocorrer em vários pontos ao longo do caminho de execução. Os bancos de dados devem ser consultados (latência de disco / rede), os sinais devem ser gerados (operacional, latência do sistema de mensagens kernal), sinais de negociação enviados (latência da NIC) e pedidos processados ​​(latência interna do sistema de troca). Para operações de freqüência mais alta, é necessário tornar-se intimamente familiarizado com a otimização do kernal, bem como com a otimização da transmissão da rede. Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT for desejado, esteja ciente da profundidade do conhecimento necessário! O cache é muito útil no kit de ferramentas de um desenvolvedor de comércio quantitativo. O armazenamento em cache se refere ao conceito de armazenamento de dados acessados ​​com freqüência de uma maneira que permite acesso de melhor desempenho, em detrimento do possível enfraquecimento dos dados. Um caso de uso comum ocorre no desenvolvimento da Web ao obter dados de um banco de dados relacional baseado em disco e colocá-lo na memória. Quaisquer solicitações subsequentes para os dados não precisam "atingir o banco de dados" e, portanto, os ganhos de desempenho podem ser significativos. Para situações de negociação, o armazenamento em cache pode ser extremamente benéfico. Por exemplo, o estado atual de um portfólio de estratégias pode ser armazenado em um cache até que seja reequilibrado, de modo que a lista não precise ser regenerada em cada loop do algoritmo de negociação. Essa regeneração provavelmente será uma operação alta de CPU ou E / S de disco. No entanto, o armazenamento em cache não é isento de seus próprios problemas. A regeneração dos dados em cache de uma só vez, devido à natureza volátil do armazenamento em cache, pode colocar uma demanda significativa na infraestrutura. Outro problema é o empilhamento de cães, em que múltiplas gerações de uma nova cópia de cache são realizadas sob uma carga extremamente alta, o que leva a uma falha em cascata. Alocação de memória dinâmica é uma operação cara na execução de software. Assim, é imperativo que os aplicativos de negociação de desempenho mais alto conheçam bem como a memória está sendo alocada e desalocada durante o fluxo do programa. Novos padrões de linguagem, como Java, C # e Python, executam a coleta de lixo automática, 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 ajuda na legibilidade. No entanto, muitas vezes é sub-ótimo para certas estratégias de negociação de alta frequência. A coleta de lixo personalizada é geralmente desejada para esses casos. Em Java, por exemplo, ajustando o coletor de lixo e a configuração de heap, é possível obter alto desempenho para estratégias de HFT. O C ++ não fornece um coletor de lixo nativo e, portanto, é necessário manipular toda alocação / desalocação de memória como parte da implementação de um objeto. Embora potencialmente sujeito a erros (potencialmente levando a ponteiros pendentes), é extremamente útil ter um controle refinado de como os objetos aparecem no heap para determinados aplicativos. Ao escolher um idioma, certifique-se de estudar como o coletor de lixo funciona e se ele pode ser modificado para otimizar um determinado caso de uso. Muitas operações em sistemas de negociação algorítmica são passíveis de paralelização. Isto refere-se ao conceito de realizar múltiplas operações programáticas ao mesmo tempo, isto é, em "paralelo". Os chamados algoritmos "embarassingly parallel" incluem etapas que podem ser calculadas de forma totalmente independente de outras etapas. Certas operações estatísticas, como as simulações de Monte Carlo, são um bom exemplo de algoritmos embarassingly paralelos, pois cada sorteio aleatório e subseqüente operação de caminho podem ser computados sem o conhecimento de outros caminhos. Outros algoritmos são apenas parcialmente paralelizáveis. 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 entre si e, assim, as operações são parcialmente sequenciais. Os algoritmos paralelizáveis ​​estão sujeitos à Lei de Amdahl, que fornece um limite superior teórico para o aumento de desempenho de um algoritmo paralelizado quando sujeito a processos separados por $ N $ (por exemplo, em um núcleo ou encadeamento da CPU). A paralelização tornou-se cada vez mais importante como um meio de otimização, uma vez que as velocidades de clock do processador estagnaram, pois os processadores mais recentes contêm muitos núcleos com os quais executar cálculos paralelos. O aumento do hardware gráfico do consumidor (predominantemente para videogames) levou ao desenvolvimento de Unidades de Processamento Gráfico (GPUs), que contêm centenas de "núcleos" para operações altamente concorrentes. Essas GPUs agora são muito acessíveis. Estruturas de alto nível, como o CUDA da Nvidia, levaram 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 hardwares mais especializados (incluindo Field-Programmable Gate Arrays - FPGAs) são usados ​​para (U) HFT. Atualmente, os idiomas mais modernos suportam um grau de simultaneidade / multithreading. Assim, é fácil otimizar um backtester, já que todos os cálculos são geralmente independentes dos demais. O dimensionamento em engenharia de software e operações refere-se à capacidade do sistema de manipular cargas crescentes consistentemente na forma de solicitações maiores, maior uso do processador e mais alocação de memória. No comércio algorítmico, uma estratégia é capaz de escalonar se puder aceitar maiores quantidades de capital e ainda produzir retornos consistentes. A pilha de tecnologia de negociação é dimensionada se puder suportar maiores volumes de negócios e maior latência, sem gargalos. Embora os sistemas devam ser projetados para escalar, muitas vezes é difícil prever antecipadamente onde ocorrerá um gargalo. Registro, testes, criação de perfil e monitoramento rigorosos ajudarão muito a permitir que um sistema seja dimensionado. Os próprios idiomas são geralmente descritos como "não escaláveis". Isso geralmente é resultado de desinformação, e não de fatos concretos. É a pilha total de tecnologia que deve ser verificada para escalabilidade, não para o idioma. É claro que certas linguagens têm um desempenho maior do que outras em casos de uso específicos, mas uma linguagem nunca é "melhor" que outra em todos os sentidos. Um meio de gerenciar a escala é separar as preocupações, como dito acima. De modo a introduzir ainda a capacidade de lidar com "picos" no sistema (isto é, volatilidade súbita que desencadeia uma série de operações), é útil criar uma "arquitectura de fila de mensagens". Isso significa simplesmente colocar um sistema de fila de mensagens entre os componentes para que os pedidos sejam "empilhados" se um determinado componente não puder processar muitas solicitações. Em vez de solicitações serem perdidas, elas são simplesmente mantidas em uma pilha até que a mensagem seja manipulada. Isso é particularmente útil para enviar negociações para um mecanismo de execução. Se o motor estiver sofrendo sob latência pesada, ele fará o backup dos negócios. Uma fila entre o gerador de sinais de negociação e a API de execução aliviará essa questão às custas do escorregamento comercial em potencial. Um broker de fila de mensagens de software livre bem respeitado é o RabbitMQ. Hardware e Sistemas Operacionais. O hardware que executa sua estratégia pode ter um impacto significativo na lucratividade de seu algoritmo. Este não é um problema restrito a operadores de alta frequência. Uma má escolha em hardware e sistema operacional pode levar a uma falha da máquina ou reinicializar no momento mais inoportuno. Assim, é necessário considerar onde seu aplicativo irá residir. A escolha é geralmente entre uma máquina desktop pessoal, um servidor remoto, um provedor "nuvem" ou um servidor co-localizado em troca. As máquinas desktop são simples de instalar e administrar, especialmente com sistemas operacionais mais novos e amigáveis ​​ao usuário, como o Windows 7/8, o Mac OSX e o Ubuntu. Desktop systems do possess some significant drawbacks, however. The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots/patching (and often at the worst of times!). They also use up more computational resources by the virtue of requiring a graphical user interface (GUI). Utilising hardware in a home (or local office) environment can lead to internet connectivity and power uptime problems. The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server (or cloud based system) of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring. They are harder to administer since they require the ability to use remote login capabilities of the operating system. In Windows this is generally via the GUI Remote Desktop Protocol (RDP). In Unix-based systems the command-line Secure SHell (SSH) is used. Unix-based server infrastructure is almost always command-line based which immediately renders GUI-based programming tools (such as MatLab or Excel) to be unusable. A co-located server, as the phrase is used in the capital markets, is simply a dedicated server that resides within an exchange in order to reduce latency of the trading algorithm. This is absolutely necessary for certain high frequency trading strategies, which rely on low latency in order to generate alpha. The final aspect to hardware choice and the choice of programming language is platform-independence. Is there a need for the code to run across multiple different operating systems? Is the code designed to be run on a particular type of processor architecture, such as the Intel x86/x64 or will it be possible to execute on RISC processors such as those manufactured by ARM? These issues will be highly dependent upon the frequency and type of strategy being implemented. Resilience and Testing. One of the best ways to lose a lot of money on algorithmic trading is to create a system with no resiliency . This refers to the durability of the sytem when subject to rare events, such as brokerage bankruptcies, sudden excess volatility, region-wide downtime for a cloud server provider or the accidental deletion of an entire trading database. Years of profits can be eliminated within seconds with a poorly-designed architecture. It is absolutely essential to consider issues such as debuggng, testing, logging, backups, high-availability and monitoring as core components of your system. It is likely that in any reasonably complicated custom quantitative trading application at least 50% of development time will be spent on debugging, testing and maintenance. Nearly all programming languages either ship with an associated debugger or possess well-respected third-party alternatives. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point . Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb, which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists. Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease. TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options. In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed. Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns. While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information. Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric. System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case. Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering! It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment? Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I won't delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system. Choosing a Language. Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised. Type Systems. When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically- or dynamically-typed . A statically-typed language performs checks of the types (e.g. integers, floats, custom classes etc) during the compilation process. Such languages include C++ and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript. For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesn't catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. 'Dynamic' languages (i.e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone. Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically- typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays. Open Source or Proprietary? One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. 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, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms. C++ is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms "for free". Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance). Outside of the standard libraries, C++ makes use of the Boost library, which fills in the "missing parts" of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C++11 spec, including native support for lambda expressions and concurrency. Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL++ (MySQL/C++), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin! An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C++ and Java, but some also support C# and Python, either directly or with community-provided wrapper code to the C++ APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol. Conclusão. As is now evident, the choice of programming language(s) for an algorithmic trading system is not straightforward and requires deep thought. The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. 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. A Quantcademy. Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia. Negociação Algorítmica Bem Sucedida. Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python. Comércio Algorítmico Avançado. Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python. Subscribe to the FT to read: Financial Times How high-frequency trading hit a speed bump. Torne-se um assinante do FT. Mantenha-se a par de desenvolvimentos corporativos, financeiros e políticos significativos em todo o mundo. Mantenha-se informado e identifique riscos e oportunidades emergentes com relatórios globais independentes, comentários e análises de especialistas nos quais você pode confiar. Escolha a assinatura certa para você. Adquira uma assinatura de avaliação digital para. Não tem certeza de qual pacote escolher? Tente acesso total por 4 semanas. US $ 1,00 por 4 semanas * Por 4 semanas, receba acesso digital Premium ilimitado às notícias de negócios confiáveis ​​e premiadas da FT. Adquira uma assinatura digital padrão para. Ser informado com as notícias e opiniões essenciais. MyFT - acompanhe os tópicos mais importantes para você FT Weekend - acesso total ao conteúdo do fim de semana Mobile & Tablet Apps - faça o download para ler em viagem Gift Article - compartilhe até 10 artigos por mês com familiares, amigos e colegas. Adquira uma assinatura Premium Digital para. Todos os elementos essenciais, além de insights e análises mais profundas. Todos os benefícios do Standard plus: Lex - nossa agenda definindo coluna diária Análise aprofundada - sobre comércio, mercados emergentes, M & A, investimentos e mais ePaper - uma réplica digital do jornal Gift Article - compartilhe até 20 artigos por mês com familiares, amigos e colegas. Adquira uma assinatura Premium Digital + Jornal para. Jornal FT entregue diariamente e acesso digital ilimitado. Todos os benefícios do Premium plus: O FT entregou em sua casa ou escritório de segunda a sábado, incluindo o documento e suplementos do fim de semana da FT. Acesso completo ao FT para sua equipe ou empresa. Acesso para sua equipe. Descontos por volume Acesso em mais de 60 plataformas de terceiros Pague com base no uso. Outras opções. O Financial Times e seu jornalismo estão sujeitos a um regime de auto-regulação sob o Código de Prática Editorial da FT. Novas alternativas para negociação de alta frequência. For a time, it looked as if high-frequency trading would take over the market completely. In 2010, high-frequency trades made up over 60 percent of U.S. equity volume. Mas a tendência pode estar diminuindo. De acordo com um artigo da Bloomberg descrevendo a ascensão e queda da negociação de alta frequência, “Em 2009, os operadores de alta frequência movimentaram cerca de 3,25 bilhões de ações por dia. Em 2012, eram 1,6 bilhão por dia ”. Ao mesmo tempo, os lucros médios caíram de“ cerca de um décimo de um centavo por ação para um vigésimo de um centavo ”. In high-frequency trading, powerful computers use complex algorithms to analyze markets and execute super fast trades, usually in large volumes. Negociações de alta frequência requerem infraestrutura de negociação avançada, como computadores poderosos, com hardware de ponta que custam uma enorme quantidade de dinheiro e reduzem os lucros. E com o aumento da concorrência, o sucesso não é garantido. Este artigo analisa por que os traders estão se afastando das negociações de alta frequência e quais as estratégias alternativas que estão usando agora. Por que a negociação de alta frequência está perdendo terreno? A high-frequency trading program costs enormous amount of money to establish and maintain. O poderoso hardware e software de computador precisa de atualizações frequentes e caras que consomem lucros. Os mercados são altamente dinâmicos, e replicar tudo em programas de computador é impossível. A taxa de sucesso na negociação de alta frequência é baixa, devido a erros nos algoritmos subjacentes que são implementados. The world of high-frequency trading also includes ultra high-frequency trading. Comerciantes de ultra-alta frequência pagam pelo acesso a uma bolsa que mostra cotações de preço um pouco mais cedo do que o resto do mercado. Esta vantagem extra de tempo leva os outros participantes do mercado a operarem em desvantagem. A situação levou a alegações de práticas injustas e crescente oposição a negociações de alta frequência. Os regulamentos de negociação de alta frequência também estão ficando mais rigorosos a cada dia. Em 2013, a Itália foi o primeiro país a introduzir um imposto especial sobre o comércio de alta frequência e isso foi seguido de perto por um imposto similar na França. O mercado de negociação de alta frequência também se tornou muito lotado. Indivíduos e profissionais estão colocando seus algoritmos inteligentes uns contra os outros. Os participantes até implantam algoritmos de negociação de alta frequência para detectar e superar outros algoritmos. O resultado líquido é de programas de alta velocidade lutando uns contra os outros, apertando ainda mais os lucros. Due to above-mentioned factors of increased infrastructure and execution costs, new taxes and increased regulations, high-frequency trading profits are shrinking. Former high-frequency traders are moving towards alternatives trading strategies. Alternativas emergentes para negociação de alta frequência. Firms are moving towards operationally efficient, lower-cost trading strategies that do not trigger greater regulation. Momentum Trading: O antigo indicador de análise técnica baseado na identificação de momentum é uma das alternativas populares para o comércio de alta frequência. O mercado de momentum envolve a percepção da direção dos movimentos de preço que devem continuar por algum tempo (de alguns minutos a alguns meses). Uma vez que o algoritmo do computador detecta uma direção, os operadores colocam uma ou várias negociações escalonadas com pedidos de grande porte. Devido à grande quantidade de pedidos, mesmo pequenos movimentos diferenciais de preço resultam em lucros consideráveis ​​ao longo do tempo. Uma vez que as posições baseadas na troca de momentum precisam ser mantidas por algum tempo, a negociação rápida dentro de milissegundos ou microssegundos não é necessária. Isso economiza enormemente nos custos de infraestrutura. (Veja mais em Introdução ao Momentum Trading e Informações e Conselhos sobre Momentum Trading.) Automated News-Based Trading: Notícias impulsiona o mercado. Intercâmbios, agências de notícias e fornecedores de dados ganham muito dinheiro vendendo feeds de notícias dedicados a traders (veja o artigo How To Trade The News). Negociações automatizadas baseadas na análise automática de itens de notícias vêm ganhando força. Os programas de computador agora podem ler itens de notícias e tomar ações comerciais instantâneas em resposta. Por exemplo, suponha que as ações da ABC Inc. sejam negociadas a US $ 25,4 por ação quando as seguintes notícias hipotéticas chegarem: A ABC Inc. declara dividendos de 20 centavos por ação com data anterior a 5 de setembro de 2015. Como resultado, o preço das ações disparar pelo mesmo valor do dividendo (20 centavos) para cerca de US $ 25,60. O programa de computador identifica palavras-chave como dividendo, o valor do dividendo e a data e coloca uma ordem de negociação instantânea. Ele deve ser programado para comprar ações da ABC apenas para a alta limitada (esperada) de US $ 25,60. Essa estratégia baseada em notícias pode funcionar melhor do que as negociações de alta frequência, já que essas ordens devem ser enviadas em fração de segundo, principalmente em cotações de preço de mercado aberto e podem ser executadas a preços desfavoráveis. Além dos dividendos, a negociação automatizada baseada em notícias é programada para resultados de licitações de projetos, resultados trimestrais de empresas, outras ações corporativas, como desdobramentos de ações e mudanças nas taxas de câmbio para empresas com alta exposição estrangeira. (Para obter mais informações, consulte Como negociar em Forex sobre lançamentos de notícias.) Mídia social Negociação baseada em feed: A varredura de feeds de mídia social em tempo real de fontes conhecidas e participantes confiáveis ​​do mercado é outra tendência emergente no comércio automatizado. It involves predictive analysis of social media content to make trading decisions and place trade orders. Por exemplo, suponha que Paul seja um criador de mercado de renome para três ações conhecidas. His dedicated social media feed contains real-time tips for his three stocks. Os participantes do mercado, que confiam em Paul para sua perspicácia comercial, podem pagar para assinar seu feed em tempo real privado. Suas atualizações são alimentadas em algoritmos de computador que os analisam e interpretam para o conteúdo e até mesmo para o tom usado na linguagem da atualização. Junto com Paul, pode haver vários outros participantes confiáveis, que compartilham dicas sobre um determinado estoque. O algoritmo agrega todas as atualizações de diferentes fontes confiáveis, analisa as decisões de negociação e, finalmente, coloca a negociação automaticamente. A combinação da análise de feed de mídia social com outras entradas, como a análise de notícias e os resultados trimestrais, pode levar a uma maneira complexa, mas confiável, de sentir o humor do mercado no movimento de uma determinada ação. Essa análise preditiva é muito popular para negociações intradiárias de curto prazo. Modelo de Desenvolvimento de Firmware: A velocidade é essencial para o sucesso em negociações de alta frequência. A velocidade depende da rede disponível e da configuração do computador (hardware) e do poder de processamento das aplicações (software). Um novo conceito é integrar o hardware e o software para formar o firmware, o que reduz drasticamente o processamento e a velocidade de decisão dos algoritmos. Esse firmware personalizado é integrado ao hardware e é programado para negociação rápida com base em sinais identificados. Isso resolve o problema de atrasos e dependências de tempo quando um sistema de computador precisa executar muitos aplicativos diferentes. Tais desacelerações se tornaram um gargalo no comércio tradicional de alta frequência. The Bottom Line. Muitos desenvolvimentos de muitos participantes levam a um mercado superlotado. Limita oportunidades e aumenta o custo das operações. Tais tendências estão levando ao declínio das negociações de alta frequência. No entanto, os comerciantes estão encontrando alternativas para negociação de alta frequência. Some are reverting to traditional trading concepts and others are taking advantage of new analysis tools and technology.
Sistema de negociação de livros
Robô de opção binária funciona