Trading Strategie Backtesting Plattform

Strategie-Testing Benötigen Sie weitere Informationen Back-Testing Trading-Strategien mit Wealth-Lab Pro. Die Trading-Strategien und Strategie-Testing-Funktion und Handelssignale, die durch die Strategien generiert werden, werden für pädagogische Zwecke und nur als Beispiele zur Verfügung gestellt und sollten nicht verwendet werden oder sich darauf verlassen, Entscheidungen über Ihre individuelle Situation zu treffen. Sie können die Strategy Testing Parameter ändern, wie Sie es sehen. Treue wird nicht angenommen, eine Empfehlung für eine Handels - oder Anlagestrategie oder besondere Sicherheit zu machen oder zu unterstützen. Die Strategie-Testing-Funktion bietet eine hypothetische Berechnung, wie ein Wertpapier oder ein Portfolio von Wertpapieren, vorbehaltlich einer beispielhaften Handelsstrategie, über einen historischen Zeitraum durchgeführt hätte. Nur Wertpapiere, die während des historischen Zeitraums existierten und die historische Preisdaten haben, stehen für die Strategieprüfung zur Verfügung. Das Merkmal hat nur eine begrenzte Fähigkeit, hypothetische Handelskommissionen zu berechnen, und es berücksichtigt keine anderen Gebühren oder für steuerliche Konsequenzen, die aus einer Handelsstrategie resultieren könnten. Sie sollten nicht davon ausgehen, dass die Strategieprüfung einer Handelsstrategie einen Hinweis darauf liefert, wie sich Ihr Portfolio an Wertpapieren oder ein neues Portfolio von Wertpapieren im Laufe der Zeit ausführen könnte. Sie sollten Ihre eigenen Handelsstrategien anhand Ihrer spezifischen Ziele und Risikotoleranzen wählen. Seien Sie sicher, Ihre Entscheidungen regelmäßig zu überprüfen, um sicherzustellen, dass sie immer noch im Einklang mit Ihren Zielen sind. Die Wertentwicklung in der Vergangenheit ist keine Garantie für zukünftige Ergebnisse. Kopie 1998 ndash 2012 FMR LLC. Alle Rechte vorbehalten. Accuracy und High Performance Backtest Trading Modelle von Low-to High-Frequenz-Strategien. Durch die Verwendung des gleichen Quellcodes für den Papierhandel und die Produktion reduzieren Sie die verstrichene Zeit für das Implementierungsprojekt sowie das damit verbundene operationelle Risiko. Führen Sie Stress-Tests, um die Stabilität und die sichere Nutzung Grenzen der Trading-Algorithmen zu bestimmen. Exportieren Sie umfassende Post-Trade-Datensätze für eine einfache Analyse mit ubiquitären Anwendungen. Backtesting ein Trading-Modell ist ganz einfach, wenn Sie die Systemathics-Tools und Ansatz verwenden. Der Backtesting-Prozess folgt drei Schritten: Der Data Mining-Schritt des Backtesting normalisiert Daten und baut das Storyboard. Der Simulationsschritt des Backtests führt die Strategie. Verarbeitungsdaten, Erzeugung von Signalen und Handhabungsaufträgen und Ausführungen. Der Analyseschritt des Backtesting generiert Post-Trade-Analysen und Berichte. Verwenden Sie den gleichen C-Quellcode für Back-Test, Papierhandel und Produktion Umfassende SDK mit Samples und Tutorials Microsoft Visual Studio Integration Hochleistungs-Simulation für Low - und Hochfrequenz-Strategien Produktionsdatenfluss inklusive Pre-Trade-Sicherheitskontrollen Smart Order Execution zu nehmen Vorteil der Marktliquidität Generieren von Storyboards für effizientes binäres Streaming Leverage inhouse historische Daten mit komfortablen APIs Native Unterstützung für Data Mining Engine Azure und HPC-Treiber für extreme Szenarien Scripting-Funktionen für Batch - und Overnight-Simulationen Task Scheduler, um mehrere Szenarien parallel laufen zu lassen Geben Sie einfach einige vorläufige Informationen und unser Team wird sich so schnell wie möglich mit Ihnen in Verbindung setzen. GET SOCIAL CONTACT USChoosing eine Plattform für Backtesting und automatisierte Ausführung In diesem Artikel wird das Konzept der automatisierten Ausführung diskutiert werden. Im Großen und Ganzen ist das der Prozess, eine Handelsstrategie über eine elektronische Handelsplattform zuzulassen, um Handelsausführungssignale ohne nachfolgende menschliche Eingriffe zu erzeugen. Die meisten der bisher auf QuantStart diskutierten Systeme wurden als automatisierte Ausführungsstrategien implementiert. Der Artikel beschreibt Softwarepakete und Programmiersprachen, die sowohl Backtesting als auch automatisierte Ausführungsfunktionen bieten. Die erste Überlegung ist, wie man eine Strategie rücktest. Meine persönliche Ansicht ist, dass die kundenspezifische Entwicklung einer Backtesting-Umgebung in einer erstklassigen Programmiersprache die größtmögliche Flexibilität bietet. Umgekehrt muss eine vom Hersteller entwickelte integrierte Backtesting-Plattform immer Annahmen darüber machen, wie Backtests durchgeführt werden. Trotzdem ist die Wahl der verfügbaren Programmiersprachen groß und vielfältig, was oft überwältigend sein kann. Es ist nicht offensichtlich vor der Entwicklung, welche Sprache wahrscheinlich geeignet ist. Bei der Kodifizierung einer Strategie in systematische Regeln muss der quantitative Trader zuversichtlich sein, dass seine zukünftige Performance die bisherige Performance widerspiegelt. Es gibt in der Regel zwei Formen des Backtesting-Systems, die verwendet werden, um diese Hypothese zu testen. Im Großen und Ganzen werden sie als Research-Back-Tester und ereignisgesteuerte Back-Tester kategorisiert. Wir werden für diese beiden Paradigmen kundenspezifische Backtesters im Vergleich zu Vendor-Produkten betrachten und sehen, wie sie vergleichen. Forschungsinstrumente Bei der Identifizierung algorithmischer Handelsstrategien ist es in der Regel unnötig, alle Aspekte der Marktinteraktion vollständig zu simulieren. Stattdessen können Approximationen gemacht werden, die eine schnelle Ermittlung der potenziellen Strategieleistung ermöglichen. Solche Forschungsinstrumente machen oft unrealistische Annahmen über Transaktionskosten, wahrscheinlich füllen Preise, kurzfristige Einschränkungen, Veranstaltungsortabhängigkeit, Risikomanagement und Positionsbestimmung. Trotz dieser Mängel kann die Performance solcher Strategien noch effektiv ausgewertet werden. Gemeinsame Werkzeuge für die Forschung sind MATLAB, R, Python und Excel. Diese Softwarepakete versenden mit Vektorisierungsfunktionen, die eine schnelle Ausführungsgeschwindigkeit und eine einfachere Strategieimplementierung ermöglichen. MATLAB und Pandas sind Beispiele für vektorisierte Systeme. Mit solchen Forschungsinstrumenten ist es möglich, mehrere Strategien, Kombinationen und Varianten rasch, iterativ zu testen, ohne die Notwendigkeit, eine realistische Marktinteraktions-Simulation vollständig auszuführen. Während solche Werkzeuge häufig sowohl für Backtesting als auch für die Ausführung verwendet werden, sind diese Forschungsumgebungen im Allgemeinen nicht für Strategien geeignet, die den Intraday-Handel bei höheren Frequenzen auf Sub-Minute-Skala ansprechen. Diese Bibliotheken neigen nicht dazu, in der Lage zu sein, effektiv eine Verbindung zu Echtzeit-Marktdaten-Anbietern oder Schnittstelle mit Brokerage-APIs in einer robusten Weise. Trotz dieser erfolgreichen Mängel werden Forschungsumgebungen in der professionellen quantitativen Handelsbranche stark genutzt. Sie bieten den ersten Entwurf für alle Strategieideen vor der Förderung zu mehr rigorosen Kontrollen innerhalb einer realistischen Backtesting-Umgebung. Event-Driven Backtesting Sobald eine Strategie in der Forschung als geeignet erachtet wird, muss sie realistischer beurteilt werden. Ein solcher Realismus versucht, die Mehrheit (wenn nicht alle) der in früheren Stellen beschriebenen Probleme zu berücksichtigen. Die ideale Situation ist, in der Lage zu sein, denselben Handelsgenerationscode für das historische Backtesting sowie die Live-Ausführung zu nutzen. Dies geschieht über einen ereignisgesteuerten Backtester. Event-driven-Systeme sind weit verbreitet in Software-Engineering, häufig für die Handhabung grafische Benutzeroberfläche (GUI) Eingabe in Fenster-basierte Betriebssysteme verwendet. Sie sind auch ideal für den algorithmischen Handel, da der Begriff der Echtzeit-Marktaufträge oder Handelsfills als Ereignis verkapselt werden kann. Solche Systeme werden oft in Hochleistungssprachen wie C, C und Java geschrieben. Betrachten Sie eine Situation, in der eine automatisierte Handelsstrategie mit einem Echtzeit-Markt-Feed und einem Broker verbunden ist (diese können ein und dasselbe sein). Neue Marktinformationen werden an das System gesendet, das ein Ereignis auslöst, um ein neues Handelssignal und damit ein Ausführungsereignis zu generieren. Diese Systeme laufen in einer kontinuierlichen Schleife, die darauf wartet, Ereignisse zu empfangen und sie entsprechend zu behandeln. Es ist möglich, Teilkomponenten wie einen historischen Datenhandler und einen Vermittlungssimulator zu erzeugen, die ihre Live-Pendants nachahmen können. Dies ermöglicht Backtesting-Strategien in einer Weise, die der Live-Ausführung sehr ähnlich ist. Der Nachteil solcher Systeme liegt in ihrem komplizierten Design im Vergleich zu einem einfacheren Forschungsinstrument. Daher ist die Zeit zum Markt länger. Sie sind anfälliger für Bugs und erfordern eine gute Kenntnis der Programmierung und Software-Entwicklung Methodik. In der Technik ist Latenzzeit als Zeitintervall zwischen einer Simulation und einer Antwort definiert. Im quantitativen Handel bezieht sich allgemein auf die Umlaufzeitverzögerung zwischen der Erzeugung eines Ausführungssignals und dem Erhalt der Fillinformation von einem Broker, der die Ausführung ausführt. Solche Latenz ist selten ein Thema bei niederfrequenten Interday-Strategien. Die erwartete Preisbewegung während der Latenzzeit wird die Strategie nicht in hohem Maße beeinflussen. Das gleiche gilt nicht für höherfrequente Strategien, bei denen die Latenzzeit extrem wichtig wird. Das ultimative Ziel in HFT ist es, die Latenz so weit wie möglich zu reduzieren, um den Schlupf zu reduzieren. Eine abnehmende Latenzzeit beinhaltet die Minimierung des Abstands zwischen dem algorithmischen Handelssystem und dem endgültigen Austausch, auf dem ein Auftrag ausgeführt wird. Dies kann dazu führen, dass die geografische Distanz zwischen den Systemen verkürzt wird, wodurch die Fahrzeiten entlang der Netzwerkverkabelung reduziert werden. Es kann auch die Reduzierung der Verarbeitung in Netzwerk-Hardware oder die Auswahl einer Brokerage mit anspruchsvoller Infrastruktur. Viele Vermittler konkurrieren auf Latenz, um Geschäft zu gewinnen. Eine abnehmende Latenz wird exponentiell teurer als Funktion der Internet-Distanz, die als Netzwerkabstand zwischen zwei Servern definiert ist. Für einen Hochfrequenz-Händler muss also ein Kompromiss zwischen dem Aufwand der Latenzreduktion und dem Gewinn aus der Minimierung des Schlupfes erreicht werden. Diese Fragen werden im Abschnitt "Colocation" unten diskutiert. Sprachwahlen Einige Fragen, die die Sprachwahl vorantreiben, wurden bereits skizziert. Jetzt werden wir die Vorteile und Nachteile der einzelnen Programmiersprachen berücksichtigen. Ich habe die Sprachen breit kategorisiert in High-Performanceharder-Entwicklung vs niedrigere Performanceeasier Entwicklung. Dies sind subjektive Begriffe und einige werden je nach ihrem Hintergrund nicht zustimmen. Einer der wichtigsten Aspekte der Programmierung einer benutzerdefinierten Backtesting-Umgebung ist, dass der Programmierer mit den verwendeten Tools vertraut ist. Für diejenigen, die neu in der Programmiersprache sind, wird das Folgende klären, was im Algorithmischen Handel verwendet wird. C, C und Java C, C und Java sind alle Beispiele für universell einsetzbare Programmiersprachen. Dies bedeutet, dass sie ohne eine entsprechende integrierte Entwicklungsumgebung (IDE) verwendet werden können, sind alle plattformübergreifend, haben eine breite Palette von Bibliotheken für nahezu jede erdenkliche Aufgabe und erlauben eine schnelle Ausführungsgeschwindigkeit bei korrekter Nutzung. Wenn die endgültige Ausführungsgeschwindigkeit gewünscht wird, dann ist C (oder C) wahrscheinlich die beste Wahl. Es bietet die meisten Flexibilität für die Verwaltung von Speicher und Optimierung der Ausführungsgeschwindigkeit. Diese Flexibilität kommt zu einem Preis. C ist schwierig, gut zu lernen und kann oft zu subtilen Bugs führen. Entwicklungszeit kann viel länger dauern als in anderen Sprachen. Trotz dieser Mängel ist es in der Finanzbranche weit verbreitet. C und Java sind ähnlich, da sie beide Komponenten benötigen, um Objekte mit Ausnahme von primitiven Datentypen wie Floats und Integers zu sein. Sie unterscheiden sich von C durch die automatische Garbage Collection. Garbage Collection fügt eine Performance Overhead, sondern führt zu einer schnelleren Entwicklung. Diese Sprachen sind beide gute Entscheidungen für die Entwicklung eines Backtests, da sie native GUI-Funktionen, numerische Analyse-Bibliotheken und schnelle Ausführung Geschwindigkeit haben. Persönlich nutze ich C für die Erstellung von ereignisgesteuerten Backtesters, die extrem schnelle Ausführungsgeschwindigkeit benötigen, wie zB für HFT-Systeme. Dies ist nur, wenn ich fühlte, dass ein Python-Event-driven-System war engagiert, da die letztere Sprache wäre meine erste Wahl für ein solches System. MATLAB, R und Python MATLAB ist eine kommerzielle IDE für die numerische Berechnung. Sie hat im akademischen, in der Ingenieur - und Finanzbranche breite Akzeptanz erlangt. Es hat viele numerische Bibliotheken für die wissenschaftliche Berechnung. Es verfügt über eine schnelle Ausführungsgeschwindigkeit unter der Annahme, dass jeder entwickelte Algorithmus einer Vektorisierung oder Parallelisierung unterliegt. Trotz dieser Vorteile ist es teuer, dass es weniger attraktiv für Einzelhändler auf ein Budget. MATLAB wird manchmal für die direkte Ausführung zu einem Brokerage wie Interactive Brokers verwendet. R ist eine dedizierte Statistik-Scripting-Umgebung. Es ist frei, Open-Source, Cross-Plattform und enthält eine Fülle von frei verfügbaren statistischen Pakete für die Durchführung von extrem fortgeschrittenen Analyse. R ist sehr weit verbreitet in der akademischen Statistik und der quantitativen Hedgefonds-Industrie verwendet. Während es möglich ist, R mit einem Broker zu verbinden, ist es nicht gut geeignet für die Aufgabe und sollte als ein Forschungsinstrument betrachtet werden. Es fehlt auch die Ausführungsgeschwindigkeit, wenn die Operationen vektorisiert sind. Ive gruppierte Python unter dieser Überschrift, obwohl es irgendwo zwischen MATLAB, R und den oben erwähnten Allzwecksprachen sitzt. Es ist frei, Open-Source und Cross-Plattform. Es wird im Gegensatz zu kompiliert interpretiert. Die es nativ langsamer macht als C. Allerdings enthält es eine Bibliothek für die Durchführung von fast jeder Aufgabe, die man sich vorstellen kann, von der wissenschaftlichen Berechnung bis hin zum Low-Level-Web-Server-Design. Insbesondere enthält es NumPy, SciPy, Pandas, Matplotlib und Scikit-Learn, die eine robuste numerische Forschungsumgebung bieten, die bei der Vektorisierung vergleichbar mit der kompilierten Sprachausführungsgeschwindigkeit ist. Python besitzt auch Bibliotheken für den Anschluss an Makler. Damit ist es ein One-Stop-Shop für die Erstellung einer ereignisgesteuerten Backtesting - und Live-Ausführungsumgebung, ohne in andere, komplexere Sprachen eintreten zu müssen. Die Ausführungsgeschwindigkeit ist mehr als ausreichend für Intraday-Händler, die auf der Zeitskala von Minuten und darüber handeln. Python ist sehr einfach zu holen und zu lernen, wenn im Vergleich zu untergeordneten Sprachen wie C. Aus diesen Gründen machen wir umfangreiche Verwendung von Python in QuantStart Artikel. Integrierte Entwicklungsumgebungen Der Begriff IDE hat mehrere Bedeutungen innerhalb des algorithmischen Handels. Software-Entwickler verwenden es zu einer GUI, die Programmierung mit Syntax-Highlighting, Datei-Browsing, Debugging und Code-Ausführung Funktionen ermöglicht. Algorithmische Händler verwenden es, um eine vollständig integrierte Backtestingtrading-Umgebung mit historischen oder Echtzeit-Daten-Download, Charting, statistische Auswertung und Live-Ausführung zu bedeuten. Für unsere Zwecke verwende ich den Begriff, um jede Backtesttrading-Umgebung, oft GUI-basierte, das gilt nicht als eine allgemeine Programmiersprache. Während einige Quant-Händler Excel für unangemessen für den Handel betrachten können, habe ich festgestellt, dass es äußerst nützlich für die Überprüfung der Ergebnisse der Überprüfung ist. Die Tatsache, dass alle Daten direkt in Sichtweite verfügbar sind, macht es einfach, sehr grundlegende Signalfilterstrategien zu implementieren. Brokerage wie Interactive Brokers erlauben auch DDE-Plugins, die es Excel ermöglichen, Echtzeit-Marktdaten zu erhalten und Handelsaufträge auszuführen. Trotz der Benutzerfreundlichkeit Excel ist extrem langsam für jede vernünftige Skala von Daten oder Ebene der numerischen Berechnung. Ich benutze es nur zur Fehlerprüfung bei der Entwicklung gegen andere Strategien. Insbesondere ist es äußerst praktisch, zu prüfen, ob eine Strategie der Vorausschau unterliegt. Dies ist einfach zu erkennen in Excel aufgrund der Tabellenkalkulation der Software. Wenn Sie mit Programmiersprachen unangenehm sind und eine Zwischenstrategie durchführen, dann kann Excel eine gute Wahl sein. CommercialRetail Backtesting Software Der Markt für Retail Charting, technische Analyse und Backtesting Software ist äußerst wettbewerbsfähig. Features, die von solchen Software angeboten werden, umfassen Echtzeit-Charting von Preisen, eine Fülle von technischen Indikatoren, angepasst Backtesting Langauges und automatisierte Ausführung. Einige Anbieter bieten eine All-in-One-Lösung wie TradeStation. TradeStation sind eine Online-Brokerage, die Trading-Software (auch bekannt als TradeStation), die elektronische Auftragsausführung über mehrere Asset-Klassen bietet produzieren. Ich bin derzeit nicht bewusst von einer direkten API für die automatisierte Ausführung. Stattdessen müssen Aufträge über die GUI-Software platziert werden. Dies steht im Gegensatz zu Interactive Brokers, die eine schlankere Trading-Schnittstelle (Trader WorkStation) haben, aber sowohl ihre proprietären Echtzeit-Marketorder-Ausführungs-APIs als auch eine FIX-Schnittstelle bieten. Eine weitere äußerst beliebte Plattform ist MetaTrader. Die im Devisenhandel für die Erstellung von Expert Advisors verwendet wird. Das sind benutzerdefinierte Skripte, die in einer proprietären Sprache geschrieben sind, die für den automatisierten Handel verwendet werden kann. Ich habe nicht viel Erfahrung mit entweder TradeStation oder MetaTrader gehabt, also verbringe ich nicht zu viel Zeit, um ihre Verdienste zu besprechen. Solche Werkzeuge sind nützlich, wenn Sie nicht bequem mit einer ausführlichen Software-Entwicklung und wünschen eine Menge der Details zu kümmern. Doch mit solchen Systemen wird viel Flexibilität geopfert und Sie sind oft an eine einzige Vermittlung gebunden. Open-Source - und Web-basierte Tools Die beiden aktuellen populären webbasierten Backtesting-Systeme sind Quantopian und QuantConnect. Erstere nutzt Python (und ZipLine, siehe unten), während letzteres C verwendet. Beide bieten eine Fülle von historischen Daten. Quantopian unterstützt derzeit den Live-Handel mit Interactive Brokers, während QuantConnect auf Live-Handel arbeitet. Algo-Trader ist ein Schweizer Unternehmen, das sowohl eine Open-Source als auch eine kommerzielle Lizenz für ihr System bietet. Von dem, was ich das Angebot sammeln kann, scheint ziemlich reif und sie haben viele institutionelle Klienten. Das System ermöglicht eine vollständige historische Backtesting und komplexe Event-Verarbeitung und sie binden in Interactive Brokers. Die Enterprise Edition bietet wesentlich leistungsstärkere Features. Marketcetera bietet ein Backtesting-System, das in viele andere Sprachen wie Python und R binden kann, um Code zu nutzen, den Sie bereits geschrieben haben. Das Strategy Studio bietet die Möglichkeit, Backtesting-Code sowie optimierte Ausführungsalgorithmen zu schreiben und anschließend von einem historischen Backtest zu Live-Trading zu wechseln. Ich habe sie vorher benutzt. ZipLine ist die Python-Bibliothek, die den oben genannten Quantopian-Service unterstützt. Es handelt sich um eine vollständig ereignisgesteuerte Backtest-Umgebung und unterstützt derzeit US-Aktien auf einer minimalen Bar. Ich habe die ZipLine weitgehend benutzt, aber ich kenne andere, die das Gefühl haben, dass es ein gutes Werkzeug ist. Es gibt noch viele Bereiche zu verbessern, aber das Team arbeitet ständig an dem Projekt und es ist sehr aktiv gepflegt. Es gibt auch einige GithubGoogle Code gehostete Projekte, die Sie vielleicht sehen möchten. Ich habe nicht viel Zeit damit verbracht, sie zu untersuchen. Solche Projekte sind OpenQuant. TradeLink und PyAlgoTrade. Institutionelle Backtesting-Software Institutionelle Backtesting-Systeme wie Deltix und QuantHouse werden nicht oft von Einzelhandels-Algorithmus-Händlern genutzt. Die Softwarelizenzen liegen in der Regel außerhalb des Budgets für die Infrastruktur. Davon abgesehen, ist diese Software weit verbreitet von Mengenfonds, proprietären Handelshäusern, Familienbüros und dergleichen verwendet. Die Vorteile solcher Systeme sind klar. Sie bieten eine All-in-One-Lösung für die Datenerfassung, Strategieentwicklung, historische Backtesting und Live-Ausführung über einzelne Instrumente oder Portfolios bis hin zum Hochfrequenzniveau. Solche Plattformen haben umfangreiche Tests und viel in der Feldnutzung und so gelten als robust. Die Systeme sind ereignisgesteuert und die Backtesting-Umgebungen können oft die Live-Umgebungen zu einem hohen Maß an Genauigkeit simulieren. Die Systeme unterstützen auch optimierte Ausführungsalgorithmen, die versuchen, die Transaktionskosten zu minimieren. Dies ist besonders nützlich für Händler mit einer größeren Kapitalbasis. Ich muss zugeben, dass ich nicht viel Erfahrung von Deltix oder QuantHouse hatte. Das heißt, das Budget allein bringt sie aus der Reichweite der meisten Einzelhändler, so dass ich nicht auf diesen Systemen wohnen. Colocation Die Softwarelandschaft für den algorithmischen Handel wurde nun untersucht. Wir können unsere Aufmerksamkeit auf die Umsetzung der Hardware richten, die unsere Strategien ausführen wird. Ein Einzelhändler wird wahrscheinlich ihre Strategie von zu Hause aus während der Marktstunden ausführen. Dabei geht es darum, den PC einzuschalten, die Verbindung zum Brokerage aufzubauen, ihre Marktsoftware zu aktualisieren und dann den Algorithmus während des Tages automatisch auszuführen. Umgekehrt wird ein professioneller quant Fonds mit signifikanten Vermögenswerten unter Management (AUM) eine dedizierte Exchange-Colocated Server-Infrastruktur haben, um die Latenz so weit wie möglich zu reduzieren, um ihre High-Speed-Strategien auszuführen. Home Desktop Der einfachste Ansatz zur Hardware-Bereitstellung ist einfach, eine algorithmische Strategie mit einem Heim-Desktop-Computer durchzuführen, der mit dem Brokerage über eine Breitbandverbindung verbunden ist. Während dieser Ansatz ist einfach zu beginnen, es leidet unter vielen Nachteilen. Die Desktop-Maschine unterliegt einem Stromausfall, sofern sie nicht von einer USV gesichert wird. Darüber hinaus ist eine Internet-Internetverbindung auch dem ISP ausgesetzt. Verlustleistung oder Internet-Konnektivitätsfehler könnte in einem entscheidenden Moment im Handel auftreten, so dass der algorithmische Händler mit offenen Positionen, die nicht in der Lage sind, geschlossen werden. Dieses Problem tritt auch bei den obligatorischen Neustarts des Betriebssystems auf (dies ist mir in einer professionellen Einstellung tatsächlich passiert) und Komponentenausfall, was zu den gleichen Problemen führt. Aus den oben genannten Gründen zögere ich, einen Heim-Desktop-Ansatz zum algorithmischen Handel zu empfehlen. Wenn Sie sich entscheiden, diesen Ansatz zu verfolgen, stellen Sie sicher, dass sowohl ein Backup-Computer als auch eine Backup-Internetverbindung (z. B. ein 3G-Dongle), die Sie verwenden können, um Positionen unter einer Ausfallzeit Situation zu schließen. Die nächste Ebene von einem Heim-Desktop ist, einen virtuellen privaten Server (VPS) zu nutzen. Ein VPS ist ein Remote-Server-System, das oft als Cloud-Service vermarktet wird. Sie sind weit billiger als ein entsprechender dedizierter Server, da ein VPS eigentlich eine Partition eines viel größeren Servers ist. Sie besitzen eine virtuelle isolierte Betriebssystemumgebung, die nur jedem einzelnen Benutzer zur Verfügung steht. CPU-Last wird von mehreren VPS geteilt und ein Teil der Systeme RAM wird dem VPS zugeordnet. Dies geschieht durch einen als Virtualisierung bekannten Prozess. Gemeinsame VPS-Anbieter beinhalten Amazon EC2 und Rackspace Cloud. Sie bieten Einsteigersysteme mit geringem RAM und grundlegenden CPU-Auslastung bis hin zu unternehmenssicher hohen RAM, hohen CPU-Servern. Für die Mehrheit der algorithmischen Einzelhandelshändler genügen die Einstiegs-Systeme für niederfrequente Intraday - oder Interday-Strategien und kleinere historische Daten-Datenbanken. Die Vorteile eines VPS-basierten Systems sind 247 Verfügbarkeit (wenn auch mit einer gewissen realistischen Ausfallzeit), robustere Überwachungsfunktionen, einfache Plugins für zusätzliche Services wie Dateispeicher oder verwaltete Datenbanken und eine flexible Architektur. Ein Nachteil ist der laufende Aufwand. Da das System wächst, wird dedizierte Hardware für jede Leistungseinheit günstiger. Dieser Preispunkt geht davon aus, dass der Colocation weg von einer Börse ist. Im Vergleich zu einem Home-Desktop-System wird die Latenz nicht immer durch die Wahl eines VPS-Providers verbessert. Ihr Heimatort kann näher an einer bestimmten Börse sein als die Rechenzentren Ihres Cloud-Anbieters. Dies wird durch die Auswahl einer Firma, die VPS-Dienste speziell für den algorithmischen Handel, die sich an oder in der Nähe von Austausch. Diese werden wahrscheinlich mehr kosten als ein generischer VPS-Anbieter wie Amazon oder Rackspace. Exchange Colocation Um die beste Latenzminimierung zu erhalten, ist es notwendig, dedizierte Server direkt am Austausch-Rechenzentrum zu sammeln. Dies ist eine unerschwinglich teure Option für fast alle Einzelhandel algorithmischen Händler, wenn theyre sehr gut kapitalisiert. Es ist wirklich die Domäne des professionellen quantitativen Fonds oder Brokerage. Wie ich bereits erwähnt habe, ist eine realistischere Option, ein VPS-System von einem Anbieter zu erwerben, der sich in der Nähe eines Austauschs befindet. Wie zu sehen ist, gibt es viele Optionen für Backtesting, automatisierte Ausführung und Hosting einer Strategie. Die Festlegung der richtigen Lösung ist abhängig von Budget, Programmierfähigkeit, Grad der Anpassung erforderlich, Verfügbarkeit der Vermögenswerte und ob der Handel auf Einzelhandels - oder beruflicher Basis durchgeführt werden soll. Just Getting Started mit quantitativen TradingPionering in Tomorrows Trading Wie funktioniert es Build Algorithmen in einem Browser IDE, mit Template-Strategien und Free Data Design und testen Sie Ihre Strategie auf unsere freien Daten und wenn Sie bereit sind, stellen Sie es live zu Ihrem Brokerage. Code in mehreren Programmiersprachen und nutzen unsere Cluster von Hunderten von Servern, um Ihren Backtest zu betreiben, um Ihre Strategie in Aktien, FX, CFD, Optionen oder Futures Markets zu analysieren. QuantConnect ist die nächste Revolution im Quanthandel, kombiniert Cloud Computing und offenen Datenzugriff. Unübertroffene Geschwindigkeit Nutzen Sie unsere Serverfarm für institutionelle Geschwindigkeiten von Ihrem Desktop-Computer. Sie können auf Ihre Ideen schneller iterieren als Sie jemals zuvor getan haben. Massive Datenbibliothek Wir bieten eine massive kostenlose 400TB Tick Resolution Datenbibliothek für US Equities, Optionen, Futures, Fundamentaldaten, CFD und Forex seit 1998. World Class Execution Unsere Live-Trading-Algorithmen sind neben den Market Servern in Equinix (NY7) Für widerstandsfähige, sichere und aufhellende schnelle Ausführung auf den Märkten. Haben Sie einige tolle Ideen Lets test it out Starten Sie Ihren Algorithmus Professionelle Qualität, Open Data Library Design-Strategien mit unserer sorgfältig kuratierten Datenbibliothek, die sich über globale Märkte erstreckt, von der Tick bis zur täglichen Auflösung. Die Daten werden fast täglich aktualisiert, so dass Sie auf die aktuellsten Daten möglich sind und die Überlebensstörung frei sind. Wir bieten Aktien Tick Daten gehen zurück zu Januar 1998 für jedes Symbol gehandelt, insgesamt über 29.000 Aktien. Der Preis wird von QuantQuote geliefert. Darüber hinaus haben wir Morning Star Grunddaten für die beliebtesten 8.000 Symbole für 900 Indikatoren seit 1998. FOREX Amp CFD Wir bieten 100 Währungspaare und 70 CFD Verträge für jede große Wirtschaft von FXCM und OANDA zur Verfügung gestellt. Daten sind bei Tick-Auflösung, startet April 2007 und wird täglich aktualisiert. Wir bieten Futures-Tick-Trade und zitieren Daten ab Januar 2009 zu präsentieren, für jeden Vertrag in CME, COMEX und GLOBEX gehandelt. Die Daten werden wöchentlich aktualisiert und werden von AlgoSeek zur Verfügung gestellt. Wir bieten Option Trades und Quotes bis zu Minute Auflösung, für jede Option gehandelt auf ORPA seit 2007, für Millionen von Verträgen. Die Daten werden innerhalb von 48 Stunden aktualisiert und werden von AlgoSeek zur Verfügung gestellt. Team Collaboration Finden Sie neue Freunde in der Community und arbeiten zusammen mit unserer Team-Coding-Funktion Share-Projekte und sehen ihren Code sofort, wie sie schreiben. Sie können sogar Live-Zugriff gewähren und den Live-Algorithmus gemeinsam kontrollieren. Nutzen Sie unsere interne Instant Messaging, um zukünftige Teammitglieder zu finden, um Kräfte zu sichern Sicheres geistiges Eigentum Unser Fokus ist, Ihnen die bestmögliche algorithmische Handelsplattform zu geben und Ihr wertvolles geistiges Eigentum zu schützen. Wir werden immer ein Infrastruktur - und Technologieanbieter sein. Wenn Sie bereit für Live-Trading gut glücklich helfen Sie durchführen durch Ihre Broker der Wahl. Ausführen durch führende Brokerage Weve integriert mit weltweit führenden Brokerage, um die beste Ausführung und die niedrigsten Gebühren für die Community zu bieten. Event Driven Strategies Entwerfen eines Algorithmus könnte nicht einfacher sein. Es gibt nur zwei benötigte Funktionen und wir kümmern uns um alles andere Du hast einfach nur die Initialisierung () deiner Strategie und behandle die von Ihnen angeforderten Datenereignisse. Sie können neue Indikatoren, Klassen, Ordner und Dateien mit einem Web-basierten Full-C-Compiler erstellen und automatisch abschließen. Wir sind verpflichtet, Ihnen die bestmögliche Algorithmus Design-Erfahrung. Nutzen Sie Ihr Potenzial Entscheiden Sie sich, dass die Benutzer ihre Strategien in einem transparenten, professionellen Strategie-Dashboard mit Hedgefund-Kunden präsentieren können. Strategien werden durch QuantConnects Backtesting und Live-Trading validiert und geben Ihnen eine neutrale Drittanbieter-Überprüfung von Code. Interessierte Hedgefunds können Sie direkt über QuantConnect kontaktieren, um Ihnen eine Beschäftigung oder Finanzierung für Ihre Strategie anzubieten. Verbinden Sie unsere Community Wir haben eine der größten quantitativen Handelsgemeinschaften der Welt, bauen, teilen und diskutieren Strategien durch unsere Community. Umreden mit einigen der hellsten Köpfe in der Welt, wie wir neue Bereiche der Wissenschaft, Mathematik und Finanzen erforschen.