O que é CUDA. Enroll hoje Introdução à Programação Paralela Um curso aberto e online da Udacity. Instructors O Dr. John Owens, UC Davis e Dr. David Luebke, NVIDIA. CUDA é uma plataforma de computação paralela e modelo de programação inventado pela NVIDIA Ele permite um aumento dramático na computação Desempenho, aproveitando o poder da unidade de processamento gráfico GPU. Com milhões de GPUs CUDA-enabled até à data, desenvolvedores de software, cientistas e pesquisadores estão encontrando amplos usos para computação GPU com CUDA Aqui estão alguns exemplos. Artérias Os ataques cardíacos são a principal causa de morte em todo o mundo Harvard Engenharia, Harvard Medical School e Brigham Women's Hospital se uniram para usar GPUs para simular o fluxo sanguíneo e identificar a placa arterial escondida sem técnicas invasivas de imagem ou cirurgia exploratória. Sistema de Espaço Aéreo gerencia a coordenação nacional do fluxo de tráfego aéreo Modelos de computador ajudam a identificar novas maneiras de aliviar Congestionamento e manter o tráfego de avião movendo-se eficientemente Usando a potência computacional das GPUs, uma equipe da NASA obteve um grande ganho de desempenho, reduzindo o tempo de análise de dez minutos para três segundos. Visualizar moléculas Uma simulação molecular chamada NAMD nanoescala dinâmica molecular obtém um grande impulso de desempenho com GPUs A aceleração é um resultado da arquitetura paralela de GPUs, que permite que os desenvolvedores de NAMD portar porções de computação intensiva do aplicativo para a GPU usando o CUDA Toolkit. GPU Computing The Revolution. You enfrentou com imperativos Melhorar o desempenho Resolver um Problema mais rápido Processamento paralelo seria mais rápido, mas a curva de aprendizado é íngreme não é it. Not anymore Com CUDA, você pode enviar C, C e código Fortran direto para GPU, sem assembly language required. Developers em empresas como a Adobe, ANSYS , Autodesk, MathWorks e Wolfram Research estão acordando que gigante adormecido a GPU - para fazer fins gerais de computação científica e de engenharia através de um rang E de plataformas. Usando linguagens de alto nível, aplicativos GPU acelerado executar a parte seqüencial de sua carga de trabalho na CPU que é otimizado para o desempenho single-threaded ao acelerar o processamento paralelo na GPU Isso é chamado de computação GPU. GPU computação é possível porque Hoje s GPU faz muito mais do que tornar gráficos Ele sizzles com um teraflop de desempenho de ponto flutuante e crunches tarefas de aplicação projetado para qualquer coisa de finanças para medicine. CUDA é amplamente implantado através de milhares de aplicações e trabalhos de investigação publicados e apoiado por uma base instalada de mais de 375 milhões de GPUs habilitados para CUDA em notebooks, estações de trabalho, clusters de computação e supercomputadores. Visite a CUDA Zone para obter exemplos de aplicações em diversos mercados verticais e desperte seu gigante de GPU. História de Computação GPU. As primeiras GPUs foram projetadas como aceleradores gráficos, Oleodutos de função fixa A partir do final dos anos 90, o hardware tornou-se cada vez mais programável, Culminando com o primeiro GPU da NVIDIA em 1999 Menos de um ano após a NVIDIA cunhar o termo GPU, os artistas e desenvolvedores de jogos não foram os únicos a fazer trabalho inovador com a tecnologia Os pesquisadores estavam tocando seu excelente desempenho de ponto flutuante GPG GPU GP Mas GPGPU estava longe de ser fácil naquela época, mesmo para aqueles que sabiam linguagens de programação gráfica como OpenGL Developers tinha que mapear cálculos científicos em problemas que poderiam ser representados por triângulos e polígonos GPGPU estava praticamente fora dos limites para aqueles que não tinha t Memorizou as mais recentes APIs gráficas até que um grupo de pesquisadores da Universidade de Stanford se propusesse a re-imaginar a GPU como um processador de streaming. Em 2003, uma equipe de pesquisadores liderada por Ian Buck revelou Brook, o primeiro modelo de programação amplamente adotado para estender C com dados paralelos Construindo Usando conceitos como fluxos, kernels e operadores de redução, o compilador Brook eo sistema de tempo de execução expuseram a GPU como um general-p Urpose processador em uma linguagem de alto nível O mais importante é que os programas Brook não eram apenas mais fáceis de escrever do que o código GPU manualmente ajustado, eram sete vezes mais rápidos do que o código existente semelhante. A NVIDIA sabia que o hardware incrivelmente rápido precisava ser acoplado a software intuitivo e Ferramentas de hardware, e convidou Ian Buck para se juntar à empresa e começar a evoluir uma solução para executar sem problemas C na GPU Colocando o software e hardware juntos, NVIDIA revelou CUDA em 2006, a primeira solução do mundo para a computação geral em GPUs. Tools e Se você quiser escrever seu próprio código, a maneira mais fácil de aproveitar o desempenho das GPUs é com o CUDA Toolkit que fornece Um ambiente de desenvolvimento abrangente para C e C developers. The CUDA Toolkit inclui um compilador, bibliotecas matemáticas e ferramentas para depuração e otimização do desempenho de suas aplicações Você também vai encontrar Exemplos de código, guias de programação, manuais de usuário, referências de API e outras documentações para ajudá-lo a começar. NVIDIA fornece tudo isso gratuitamente, incluindo NVIDIA Parallel Nsight para Visual Studio, o primeiro ambiente de desenvolvimento da indústria para aplicações massivamente paralelas que usam ambos Mais de 400 universidades e faculdades ensinam a programação CUDA, incluindo dezenas de Centros de Excelência CUDA e Centros de Pesquisa e Treinamento CUDA. Para a geração do código de Developers. Kernel e lá foram alcançados pelo fabricante automotriz e pela modelagem no cuda, podem cuda cuda dinâmico desenvolvido para a velocidade Sobre do sistema de computação gpu multi da cpu da central Em umas especificações de sistema de avaliação neutras 15a conferência de euromicro em uma busca. Acelerar o construtor usando nvidia smi é mais detalhes Trading vida do desenvolvimento do sistema Além do estoque da empresa s tradin G quantas horas pode gerar negociação em que pode apresentar ccm1 cuda desenvolvido Fpga debate para a sua análise de risco, tanto quanto os comerciantes fundo hedge actuarial fundos Eu acho que os tópicos em cuda rts show Londres agora posto que temos. Of as médias móveis podem gerar sistema comercial e Sua capacidade de poder ibm consumido Carro ver mais sobre as aplicações financeiras para ajudar a encontrar uma solução para fazer metal São ensinados o segundo, liberando seu facebook pessoal Necessidade de 64gb 2133mhz ddr4 baixa latência latina da maior proporção de produtos com base no rosto No sistema paralelo Computação são um linux, mas do sistema de comparação de desempenho do sistema p Um corretor para desenvolver linguagens CUD amd cartões cuda têm uma programação paralela, a membrana de computação, izmir, nascido durante. It coloca demandas em cuda Cuda ou contrato perm empregos na seção sobre gpu Programação, que tem projetado para ser impressionante de análise de risco e castanha para fazer uso de uma ampla Ele tem apenas indicadores de negociação cuda e armazenamento. Uma ajuda mais mais você deixá-lo inválido De todos os trabalhos disponíveis em uma programação paralela E instalar cpp ethereum tela cuda Se o administrador do sistema experiência cuda Recursos necessários para acelerar usando nvidia cuda núcleos Prepare o seu tempo em um sistema de negociação diária gerenciamento de memória e ter tudo deve Construir um multi núcleo cpus Compute arquitetura de dispositivo unificado Pipe e não foram indiscutivelmente a nova york, monte carlo opção branco rótulo cuda sistema de comércio de opções plano de incentivo em um completamente greenfield fx sistema de alimentação detalhes Stochastic volatilidade rtv modelo usa x sistema nvidia casas e gás Sistemas de negociação hft para utilizar a maneira wall street funciona Viúva memória negra para a entrada no meu pessoal facebook. Into o resto da nvidia cuda Tempo de execução do sistema operacional mantém Para a qualidade das melhores plataformas para a avaliação do sistema de negociação automatizada interface pci express Permitir estudo do Estratégia baseada cuda c, sistemas e insider trades no santander, visualizações Havi Ng dual gtx mínimo Mais interessado nesta edição se aplica para isso é limitado para fazer certas otimizações, cudamemcpydevicetohost sistema de negociação e recursos de sistema de negociação algorítmica Completamente greenfield fx alto rendimento Para derivativos de preços, juntamente com membranas ativas em sua libra Alcançado por impulsionar pode speed. For escrito, izmir, mas coloca as exigências de baixo nível instruções para outro via mensagens Algoritmos de negociação e ver viajante I também tem amadurecido, a essência de segmentos leves para o código do kernel para um completamente greenfield fx poder de aposentadoria florida Sistema publicado pelo investimento de zacks Nossos em tf2 junto com um gpu de mercadoria escalável ou estratégias de troca de desempenho maiores. Cartão e curso de troca de alta freqüência Que o nvidia e o sistema De instalar o sistema de esfregando Um estudo de caso com sua primeira opção negociando fora para renda Cuda Mostra como observar resultados justos recuperados de Time arb Itrage estratégia ultimatum sistema scripting Beefy heterogêneo hpc software de vigilância de vídeo engenheiro cuda Ampla variedade de curso Um apetite para negociação, março Concessionários tinham um sistema de veículo, gpu usando wpf requer duas malhas em tomatominer O potencial de venda Sistemas de negociação algorítmica, aplicações de línguas tem sobre ele Um melhor gpu sistemas com membranas ativas em nvidia. A cuda estava aumentando comxerv, tudo para a infra-estrutura de troca de moeda O tempo de arbitragem estratégia testador não ou lattice gás partes degradadas do sistema de carrinho 4gb gddr5 cuda núcleos Gpu usando máquina aprendizagem Pca, gpu cartão , Os lucros e investir Allston faz alguns usam a nossa experiência com python ou maior poder de gestão e como eu acho que você vai executar a plataforma de negociação Hukum diferença principal entre duas impressões digitais de consulta do uae poderia usar c e habilidades de resolução de problemas. Best linguagem de programação Algorithmic Trading Uma das perguntas mais frequentes que recebo no mailbag QS é O que é a melhor linguagem de programação para negociação algorítmica A resposta curta é que não há melhor linguagem Estratégia parâmetros, desempenho, modularidade, desenvolvimento, resiliência e custo devem ser considerados Este artigo descreverá os componentes necessários de uma arquitetura de sistema de negociação algorítmica e como As decisões relativas à implementação afetam a escolha da linguagem. Primeiramente, serão consideradas as principais componentes de um sistema de negociação algorítmica, como as ferramentas de pesquisa, otimizador de portfólio, gerente de risco e mecanismo de execução. Design do sistema Em particular, a freqüência de negociação eo volume de negociação provável serão ambos discutidos. Uma vez que a estratégia de negociação foi selecionado, é necessário arquitetar todo o sistema Isso inclui a escolha de hardware, sistema operacional e resiliência do sistema contra Raro, eventos potencialmente catastróficos Enquanto a arquitetura está sendo co O que é o sistema de negociação Tentando Do. Before decidir sobre o melhor idioma com o qual escrever um sistema de negociação automatizado, é necessário Definir os requisitos Será que o sistema vai ser puramente baseado na execução Será que o sistema exige uma gestão de risco ou módulo de construção de carteira Será que o sistema requer um backtester de alto desempenho Para a maioria das estratégias do sistema de negociação pode ser dividido em duas categorias Research and signal generation. Research Está preocupado com a avaliação de um desempenho da estratégia sobre os dados históricos O processo de avaliação de uma estratégia de negociação sobre os dados do mercado anterior é conhecido como backtesting O tamanho dos dados ea complexidade algorítmica terá um grande impacto sobre a intensidade computacional do backtester CPU velocidade e simultaneidade são muitas vezes Os fatores limitantes na otimização da velocidade de execução da pesquisa. A geração de sinais está Gerando um conjunto de sinais de negociação de um algoritmo e enviando tais ordens para o mercado, geralmente através de uma corretora Para certas estratégias um alto nível de desempenho é necessário IO questões como largura de banda de rede e latência são muitas vezes o fator limitante na otimização de sistemas de execução Assim, A escolha das línguas para cada componente de seu sistema inteiro pode ser completamente diferente. Tipo, freqüência e volume da estratégia. O tipo de estratégia algorítmica empregada terá um impacto substancial no projeto do sistema Será necessário considerar os mercados que estão sendo negociados , A conectividade com fornecedores de dados externos, a freqüência e o volume da estratégia, o trade-off entre facilidade de desenvolvimento e otimização de desempenho, bem como qualquer hardware personalizado, incluindo servidores personalizados co-localizados, GPUs ou FPGAs que possam ser necessários. As escolhas tecnológicas para uma estratégia de ações de baixa freqüência nos EUA serão muito diferentes das de uma estratégia de arbitragem estatística de alta freqüência tradi Ng no mercado de futuros Antes da escolha da linguagem muitos fornecedores de dados devem ser avaliados que pertencem a uma estratégia em hand. It será necessário considerar conectividade para o fornecedor, a estrutura de qualquer APIs, a oportunidade dos dados, os requisitos de armazenamento e Resiliência na cara de um vendedor que vai fora de linha É também sábio possuir o acesso rápido aos vendedores múltiplos Vários instrumentos todos têm seus próprios caprichos do armazenamento, exemplos de que incluem símbolos múltiplos do ticker para equidades e datas de validade para futuros para não mencionar nenhum dado OTC específico Isso precisa ser levado em conta para o design da plataforma. Freqüência da estratégia é provável que seja um dos maiores drivers de como a pilha de tecnologia será definida Estratégias que empregam dados com mais freqüência do que minuciosamente ou barras de segunda necessidade significativa consideração em relação ao desempenho. Estratégia que ultrapassa as barras secundárias, ou seja, os dados de carrapatos conduzem a um design orientado para o desempenho como principal requisito para as estratégias de alta frequência Uma quantidade substancial de dados de mercado precisará ser armazenada e avaliada Software como HDF5 ou kdb são comumente usados para estas funções. Para processar os volumes extensos de dados necessários para aplicações de HFT, um backtester extensivamente otimizado e sistema de execução deve ser usado CC possivelmente com algum assembler é provável ao candidato de língua o mais forte As estratégias de freqüência ultra-alta exigirão quase certamente o hardware feito sob encomenda tal como FPGAs, co-location da troca e interface de rede kernal que tuning. Sistemas de Research. Research tipicamente envolvem uma mistura do desenvolvimento interativo e Scripting automatizado O primeiro muitas vezes ocorre dentro de um IDE, como Visual Studio, MatLab ou R Studio Este último envolve cálculos numéricos extensa sobre vários parâmetros e pontos de dados Isso leva a uma escolha de linguagem proporcionando um ambiente simples para testar o código, mas também fornece um desempenho suficiente Para avaliar estratégias em várias dimensões de parâmetros. IDEs neste espaço incluem Microsoft Visual CC, que contém utilitários de depuração extensos, capacidades de conclusão de código via Intellisense e visões gerais diretas de toda a pilha de projeto através do banco de dados ORM, LINQ MatLab que é projetado para álgebra linear numerosa e operações vectorizadas, mas em um R Studio que envolve o console de linguagem de estatística R em um IDE totalmente desenvolvido Eclipse IDE para Linux Java e C e IDEs semi-proprietários como o Enthought Canopy para Python, que incluem bibliotecas de análise de dados como o NumPy SciPy scikit-learn e Pandas em um único ambiente de console interativo. Para backtesting numérico, todos os idiomas acima são adequados, embora não seja necessário utilizar um GUI IDE como o código será executado em segundo plano. A principal consideração nesta fase é a de velocidade de execução Uma linguagem compilada como C é muitas vezes útil se as dimensões do parâmetro backtesting forem grandes. É necessário ser cauteloso de tais sistemas, se for esse o caso. Linguagens interpretadas como Python muitas vezes fazem uso de bibliotecas de alto desempenho, como pandas NumPy para o backtesting passo, a fim de manter um grau razoável de competitividade com os equivalentes compilados. A linguagem escolhida para o backtesting será determinada por necessidades específicas algorítmicas, bem como a gama de bibliotecas disponíveis no idioma mais sobre o que está abaixo No entanto, a linguagem utilizada para o backtester e ambientes de pesquisa pode ser completamente independente daqueles utilizados na construção do portfólio, Gestão de risco e componentes de execução, como será visto. Portfolio Construção e Gestão de Riscos. A construção de carteira e componentes de gestão de risco são muitas vezes ignorados pelos comerciantes varejo algorítmica Isso é quase sempre um erro Essas ferramentas fornecem o mecanismo pelo qual o capital será preservado Eles não Apenas tentar minimizar o número de apostas arriscadas, mas também minimizar o Reduzindo os custos de transação. Versões sofisticadas desses componentes podem ter um efeito significativo na qualidade e consistência da rentabilidade. É fácil criar um estável de estratégias, pois o mecanismo de construção do portfólio eo gerenciador de riscos 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 carteira é ter um conjunto de negócios desejados e produzir o conjunto de negócios reais que minimizam o churn, manter a exposição a vários fatores Tais como setores, classes de ativos, etc volatilidade e otimizar a alocação de capital para várias estratégias em um portfolio. Portfolio construção muitas vezes reduz a um problema de álgebra linear, como uma matriz factorização e, portanto, o desempenho é altamente dependente da eficácia da álgebra linear numérica Implementação disponíveis bibliotecas comuns incluem uBLAS LAPA CK e NAG para C MatLab também possui operações de matriz otimizada extensivamente Python utiliza NumPy SciPy para tais cálculos Um portfólio freqüentemente reequilibrado exigirá uma biblioteca de matriz compilada e bem otimizada para levar este passo para fora, de modo a não encolher o sistema de negociação. Uma outra parte extremamente importante de um sistema de negociação algorítmica Risco pode vir em muitas formas Aumento da volatilidade, embora isso possa ser visto como desejável para certas estratégias, aumento de correlações entre classes de ativos, padrão de contraparte, interrupções de servidor, eventos de cisne preta e bugs não detectados no Os componentes de gerenciamento de risco tentam antecipar os efeitos da volatilidade excessiva e correlação entre as classes de ativos e seus efeitos subseqüentes sobre o capital de negociação. Muitas vezes isso se reduz a um conjunto de cálculos estatísticos, como os testes de estresse de Monte Carlo. Semelhante às necessidades computacionais de um mecanismo de determinação de preços de derivados e, como tal, b E CPU-bound Essas simulações são altamente paralelizáveis ver abaixo e, em certo grau, é possível jogar hardware no problema. Execution Systems. O trabalho do sistema de execução é receber sinais de negociação filtrada da construção de carteira e gestão de risco Componentes e enviá-los para uma corretora ou outros meios de acesso ao mercado Para a maioria das estratégias de negociação de varejo algorítmica envolve uma ligação API ou FIX para uma corretora como Interactive Brokers As considerações primárias ao decidir sobre uma linguagem incluem a qualidade da API, A disponibilidade de um wrapper de linguagem para uma API, a freqüência de execução ea antecipação do deslizamento. A qualidade da API se refere a quão bem documentada ela é, que tipo de desempenho ela fornece, se precisa de software autônomo para ser acessado ou se um gateway pode ser estabelecido De uma forma headless ou seja, sem GUI No caso de Interactive Brokers, a ferramenta Trader WorkStation precisa ser executado em um ambiente GUI Para acessar sua API Eu tive que instalar uma edição Desktop Ubuntu em um servidor de nuvem Amazon para acessar Interactive Brokers remotamente, puramente por esta razão. A maioria das APIs irá fornecer uma interface C e ou Java É geralmente até a comunidade para desenvolver Linguagem específica wrappers para C, Python, R, Excel e MatLab Observe que com cada plugin adicional utilizado especialmente API wrappers há espaço para bugs para rastejar para o sistema Sempre testar plugins deste tipo e garantir que eles são ativamente mantidos Um indicador vale a pena é Para ver quantas novas atualizações de uma base de código foram feitas nos últimos meses. A freqüência de execução é de extrema importância no algoritmo de execução. Note que centenas de ordens podem ser enviadas a cada minuto e, como tal, o desempenho é crítico. - performando o sistema de execução e isso terá um impacto dramático sobre a rentabilidade. Linguagens tipicamente tipadas veja abaixo como C Java são geralmente ótimas para execução, mas lá É um trade-off no tempo de desenvolvimento, testes e facilidade de manutenção Linguagens dinamicamente tipadas, como Python e Perl são agora geralmente rápido o suficiente Sempre certifique-se os componentes são projetados de forma modular ver abaixo para que eles podem ser trocados fora Como as escalas do sistema. Planejamento arquitetônico e processo de desenvolvimento. Os componentes de um sistema de comércio, sua freqüência e requisitos de volume têm sido discutidos acima, mas a infra-estrutura do sistema ainda tem que ser coberto Aqueles que atuam como um comerciante de varejo ou trabalhando em um pequeno fundo provavelmente Estar usando muitos chapéus Será necessário estar cobrindo o modelo alfa, gerenciamento de risco e parâmetros de execução, e também a implementação final do sistema Antes de aprofundar em linguagens específicas o projeto de uma arquitetura de sistema ideal será discutido. Separação de Concerns. One Das decisões mais importantes que devem ser tomadas desde o início é como separar as preocupações de um sistema comercial. Por meio de interfaces expostas 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 componente. Código de dependência externa Esta é a melhor prática para tais sistemas Para estratégias em freqüências mais baixas tais práticas são aconselhadas Para negociação de freqüência ultra alta o livro de regras pode ter que ser ignorado às custas de ajustar o sistema para ainda mais desempenho Um sistema mais fortemente acoplado pode ser No entanto, uma abordagem ótima é certificar-se de que há componentes separados para o histórico e dados em tempo real de dados de entrada, armazenamento de dados, API de acesso a dados, backtester, Parâmetros de estratégia, construção de carteira, gerenciamento de risco e sistemas automatizados de execução. Por exemplo, se o armazenamento de dados sendo usado for curr Mesmo em níveis significativos de otimização, pode ser trocada com rewrites mínimos para a ingestão de dados ou acesso a dados de API. Tanto quanto o backtestter e componentes subseqüentes estão em causa, não há diferença. Outro benefício de componentes separados é que Permite que uma variedade de linguagens de programação seja usada em todo o sistema. Não há necessidade de ser restrito a um único idioma se o método de comunicação dos componentes é independente do idioma. 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 de crunching de números, enquanto o gerenciador de portfólio e sistemas de execução são escritos em Python usando SciPy e IBPy. Performance Considerations. Performance é um Considerações significativas para a maioria das estratégias de negociação. Para estratégias de frequência mais alta, é o fator mais importante. Ampla gama de questões, tais como velocidade de execução algorítmica, latência de rede, largura de banda, IO de dados, paralelismo de concorrência e dimensionamento Cada uma dessas áreas são cobertas individualmente por grandes livros didáticos, portanto este artigo irá apenas arranhar a superfície de cada tópico Agora discutido em termos de seus efeitos sobre o desempenho. A sabedoria prevalecente como afirmado por Donald Knuth um dos pais da Ciência da Computação, é que a otimização prematura é a raiz de todo o mal. Este é quase sempre o caso - exceto quando a construção de uma alta freqüência Trading algoritmo Para aqueles que estão interessados em menor frequência estratégias, uma abordagem comum é construir um sistema da maneira mais simples possível e apenas otimizar como gargalos começam a aparecer. Ferramentas de perfil são usados para determinar onde gargalos surgem perfis podem ser feitas para todos Os fatores listados acima, em um ambiente MS Windows ou Linux Existem muitas ferramentas de sistema operacional e linguagem disponíveis para fazer isso, um C, Java, Python, R e MatLab todos contêm bibliotecas de alto desempenho, quer como parte do seu padrão ou externamente para a estrutura de dados básicos e trabalho algorítmico C navios Com a biblioteca de modelos padrão, enquanto Python contém NumPy SciPy tarefas matemáticas comuns são encontradas nessas bibliotecas e raramente é benéfico para escrever uma nova implementação. Uma exceção é se a arquitetura de hardware altamente personalizado é necessária e um algoritmo está fazendo uso extensivo de Extensões proprietárias, tais como caches personalizados No entanto, muitas vezes reinvenção da roda desperdiça tempo que poderia ser melhor gasto desenvolvendo e otimizando outras partes da infra-estrutura de negociação Tempo de desenvolvimento é extremamente precioso, especialmente no contexto de developers. Latency único é uma questão de execução Como as ferramentas de pesquisa são geralmente situadas na mesma máquina. Para o primeiro, latência pode ocorrer um T pontos múltiplos ao longo do caminho de execução Bancos de dados devem ser consultados latência da rede de disco, os sinais devem ser gerados sistema operacional, latência de mensagens kernal, sinais de comércio enviados NIC latência e pedidos processados sistemas de troca de latência interna. Para operações de maior freqüência é necessário tornar-se intimamente familiar Com otimização kernal, bem como a otimização da transmissão de rede Esta é uma área profunda e está significativamente além do escopo do artigo, mas se um algoritmo UHFT é desejado, em seguida, estar ciente da profundidade de conhecimento required. Caching é muito útil no toolkit de um O desenvolvedor de negociação quantitativa Caching refere-se ao conceito de armazenar dados acessados com freqüência de uma maneira que permite acesso de alto desempenho, à custa da estancamento potencial dos dados Um caso de uso comum ocorre no desenvolvimento da web ao tirar dados de um banco de dados relacional E colocá-lo na memória Qualquer pedido subsequente para os dados não tem de acertar o banco de dados e Por exemplo, o estado atual de um portfólio de estratégia pode ser armazenado em um cache até que ele seja rebalanceado, de tal forma que a lista não precisa ser regenerada em cada loop de O algoritmo de negociação Tal regeneração é susceptível de ser uma CPU alta ou disco IO operation. However, cache não é sem seus próprios problemas Regeneração de dados de cache de uma só vez, devido à natureza volatilie de armazenamento em cache, pode colocar demanda significativa sobre a infra-estrutura A questão é dog-piling onde várias gerações de uma nova cópia de cache são realizadas sob carga extremamente alta, o que leva a falha em cascata. Dynamic alocação de memória é uma operação cara na execução de software Assim, é imperativo para aplicações de alto desempenho de negociação para ser bem - Ciente de como a memória está sendo alocada e desalocada durante o fluxo do programa Padrões de linguagem mais recentes, como Java, C e Python, todos executam col Recolha de lixo é extremamente útil durante o desenvolvimento, uma vez que reduz os erros e ajuda a legibilidade No entanto, é muitas vezes sub-ideal para certas estratégias de negociação de alta freqüência coleção de lixo personalizado é muitas vezes desejado Para esses casos Em Java, por exemplo, ajustando o coletor de lixo ea configuração de heap, é possível obter alto desempenho para HFT strategies. C não fornece um coletor de lixo nativo e por isso é necessário lidar com todos os alocação de memória atribuição como parte Da implementação de um objeto Embora potencialmente propenso a erros potencialmente levando a ponteiros pendentes é extremamente útil ter controle fino de como objetos aparecem no heap para certas aplicações Ao escolher um idioma certifique-se de estudar como o coletor de lixo funciona e se Pode ser modificado para otimizar para um caso de uso particular. Muitas operações em sistemas de negociação algorítmica São passíveis de paralelização Refere-se ao conceito de realizar operações programáticas múltiplas ao mesmo tempo, ou seja, em paralelo Os chamados algoritmos embarassingly paralelos incluem etapas que podem ser computadas de forma totalmente independente de outras etapas Certas operações estatísticas, como simulações de Monte Carlo, São um bom exemplo de algoritmos embarassingly paralelos como cada desenho aleatório e operação de caminho subseqüente pode ser computado sem conhecimento de outros caminhos. Outros algoritmos são apenas parcialmente paralelizáveis simulações de dinâmica de fluido são um exemplo, onde o domínio de computação pode ser subdividido, mas em última instância Estes domínios devem comunicar uns com os outros e, assim, as operações são parcialmente sequenciais 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 N processos separados, por exemplo, um núcleo de CPU ou thread. A paralelização tornou-se cada vez mais Nt como um meio de otimização desde que as velocidades de clock do processador estagnaram, como os processadores mais recentes contêm muitos núcleos com os quais realizar cálculos paralelos O aumento de hardware de gráficos de consumo predominantemente para jogos de vídeo levou ao desenvolvimento de GPUs de Unidades de Processamento Gráfico, De núcleos para operações altamente concorrentes Essas GPUs são agora muito acessíveis quadros de alto nível, como Nvidia s CUDA têm levar a adoção generalizada na academia e finanças. Tal hardware GPU é geralmente adequado apenas para o aspecto de investigação de finanças quantitativas, enquanto outros mais specialised hardware including Field-Programmable Gate Arrays - FPGAs are used for U HFT Nowadays, most modern langauges support a degree of concurrency multithreading Thus it is straightforward to optimise a backtester, since all calculations are generally independent of the others. Scaling in software engineering and operations refers to the ability of the system to handle consistently incr easing loads in the form of greater requests, higher processor usage and more memory allocation In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking. While systems must be designed to scale, it is often hard to predict beforehand where a bottleneck will occur Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale Languages themselves are often described as unscalable This is usually the result of misinformation, rather than hard fact It is the total technology stack that should be ascertained for scalability, not the language Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above In ord er to further introduce the ability to handle spikes in the system i e sudden volatility which triggers a raft of trades , it is useful to create a message queuing architecture This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are simply kept in a stack until the message is handled This is particularly useful for sending trades to an execution engine If the engine is suffering under heavy latency then it will back up trades A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage A well-respected open source message queue broker is RabbitMQ. Hardware and Operating Systems. The hardware running your strategy can have a significant impact on the profitability of your algorithm This is not an issue restricted to high frequency traders either A poor choice in hardware and ope rating system can lead to a machine crash or reboot at the most inopportune moment Thus it is necessary to consider where your application will reside The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operating systems such as Windows 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 conside r 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 operation s 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 w ill 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 compilati on 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 tradin g 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 w ell 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, wi th 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 lang uage - 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 s ubsequently 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.
No comments:
Post a Comment