Codificação de Sistemas de Negociação.
Por Justin Kuepper.
Como os sistemas de negociação automatizados são criados?
Este tutorial se concentrará na segunda e na terceira partes deste processo, onde suas regras são convertidas em um código que seu software de negociação pode entender e usar.
Vantagens e desvantagens.
Um sistema automatizado tira a emoção e o trabalho ocupado da negociação, o que permite que você se concentre em melhorar suas regras de estratégia e gerenciamento de dinheiro. Uma vez que um sistema lucrativo é desenvolvido, ele não requer nenhum trabalho de sua parte até que ele quebre, ou as condições do mercado exigem uma mudança. Desvantagens:
Se o sistema não for devidamente codificado e testado, grandes perdas podem ocorrer muito rapidamente. Às vezes é impossível colocar certas regras no código, o que dificulta o desenvolvimento de um sistema de negociação automatizado. Neste tutorial, você aprenderá como planejar e projetar um sistema de negociação automatizado, como converter esse design em código que seu computador entenderá, como testar seu plano para garantir o desempenho ideal e, finalmente, como colocar seu sistema em uso.
Mercados rochosos testam o surgimento de algo amador & # x27; comerciantes.
LONDRES (Reuters) - O estudante universitário Spencer Singleton está entre um grupo crescente de amadores que se voltam para o mercado de ações automatizado - até agora, a reserva de hedge funds e mega brokers - e diz que está batendo no mercado.
A Singleton, com sede no Texas, venceu em julho passado um concurso patrocinado por um site de investimento algorítmico para escrever programas de negociação. O site, Quantopian, deu a ele US $ 100 mil para colocar seu modelo em ação por seis meses e lhe disse para manter qualquer lucro.
O jogador de 21 anos diz que sua carteira subiu cerca de 1,5% até agora este ano, contra uma queda de 8% no índice S & P. SPX. Da mesma forma, ele fez cerca de 2,5% desde meados de setembro, enquanto o índice norte-americano perdeu mais de 7% no período.
Outros amadores tentaram o mesmo jogo em seus quartos de frente ou galpões de jardim e acabaram sendo queimados, concluindo que esta é uma caçada por ouro de bobo. melhor deixar para os grandes jogadores, a menos que você é um ex-profissional ou whiz garoto do computador.
Singleton não é - ele é um estudante do terceiro ano de gestão da cadeia de suprimentos -, mas diz que a competição deu a ele sua grande chance. "Como estudante universitário, eu não teria conseguido US $ 100.000 em um milhão de anos para negociar", disse. ele disse à Reuters. "Levaria 10 anos para que eu desenvolvesse uma plataforma de algoritmos complicada como a oferecida pela Quantopian."
Plataformas de negociação online orientadas por programas, como Quantopian e QuantConnect, baseadas nos EUA, e Cloud9trader, com sede na Inglaterra - que têm clientes em todo o mundo - não existiam no auge da crise financeira de 2008.
No entanto, Singleton disse que testou seu modelo contra dados históricos do ano da crise, gerando um retorno de 16% contra uma queda de 38% no índice S & P.
Um grande número de amadores está agora tentando ficar rico nos mercados globais, com o mercado global de varejo no valor de até US $ 3 trilhões só nos Estados Unidos.
Mas enquanto a negociação automatizada responde por cerca de 75% de todo o volume do mercado financeiro, apenas uma pequena fração de traders independentes ou amadores os utiliza devido à tecnologia complexa, à necessidade de dados históricos massivos e altos custos.
HOMESPUN & ldquo; ALGOS & rdquo;
No entanto, as empresas que fornecem plataformas para o homespun & ldquo; algos & rdquo; A popularidade está crescendo entre todos, desde executivos de publicidade e engenheiros de telecomunicações até empreiteiros de defesa.
O fundador e presidente-executivo da Quantopian, John Fawcett, disse que o número de membros subiu para 60.000 de 35.000 a menos de um ano atrás, enquanto Jared Broad, fundador e CEO da QuantConnect, registrou um salto de 17.000 para 6.000 no ano anterior.
As amplas estratégias automatizadas tendem a se sair bem quando os mercados estão voláteis ou caindo acentuadamente, acrescentando que os volumes negociados em uma de suas corretoras aumentaram 300% em apenas três semanas em 2016.
Seu rápido crescimento aumenta o risco de manipulação de mercado ou fraude, mas a Quantopian disse que criou muitas salvaguardas, incluindo limites no número de negociações que os clientes podem fazer.
Navinder Singh Sarao, com sede em Londres, foi preso no ano passado, com autoridades dos EUA ligando seus negócios de computadores automáticos ao "flash crash" em 2010, que limpou brevemente US $ 1 trilhão dos mercados de ações dos EUA.
Sarao, que trocou de seus pais & rsquo; casa perto do aeroporto de Heathrow, em um subúrbio de Londres, está lutando contra as tentativas dos EUA de extraditá-lo. Um tribunal britânico deve ouvir o caso em 4 de fevereiro.
TESTE E BACKTEST.
Basicamente, as plataformas de negociação on-line baseadas em regras fornecem ferramentas e tutoriais para as pessoas escreverem algoritmos em navegadores da Web e testarem seus modelos com anos de dados históricos. Eles também ajudam as pessoas a abrir contas com corretores aprovados.
É difícil verificar de forma independente as alegações dos comerciantes de varejo que dizem que ganharam um bom dinheiro neste ano, quando se preocupam com a desaceleração da economia chinesa e com a queda do preço do petróleo em US $ 8 trilhões nos mercados acionários mundiais em janeiro.
Algumas pessoas como Jason Roberts perderam e saíram. Ele passou cerca de seis anos, de 1999 a 2004 e novamente em 2008, construindo software de negociação automatizado antes de sair para ajudar projetos de startups para web e mobile.
Roberts disse que toda vez que ele se uniu a comerciantes em um empreendimento comercial automatizado, suas estratégias e idéias erraram o alvo, apesar de anteriormente terem tido sucesso como profissionais do mercado.
"Como as corretoras, esses sites de negociação ganham dinheiro quando as pessoas usam suas plataformas, por isso é do seu interesse convencê-lo de que você pode vencer o mercado", disse. disse Roberts, que agora é consultor para o serviço de passeio de carro Uber.
“Não estou totalmente convencido de que seja possível vencer o mercado de forma consistente, quer esteja negociando manualmente, guiado pela experiência e intuição ou por algoritmos, o que equivale a seguir um conjunto codificado de regras. É fácil perder dinheiro com negociações algorítmicas, assim como com qualquer investimento. & Rdquo;
Julien Turc, chefe de estratégia quantitativa de ativos cruzados da Societe Generale, disse que a construção de uma estratégia de negociação sistemática é muito difícil. É fácil encontrar estratégias que teriam funcionado bem no passado, mas mais difícil ganhar dinheiro com elas no futuro.
"No entanto, a negociação de algoritmos está se tornando mais popular agora, já que você tem tecnologias melhores, os reguladores avançam em direção a negociações transparentes e eletrônicas e está ficando cada vez mais difícil ganhar dinheiro usando ferramentas de negociação tradicionais".
HUMANOS DE BATIDO.
Singleton e Michael Van Kleeck, outro vencedor do concurso mensal de escrita de código da Quantopian em junho passado, estão entre os milhares de entusiastas que, sem se deixarem abalar pelas críticas, acreditam ter uma vantagem sobre os métodos tradicionais de negociação.
& ldquo; Os seres humanos consistentemente apresentam um desempenho inferior porque eles têm interferência emocional. A Algo Trading formaliza sua estratégia antecipadamente e estabelece limites claros sobre sua exposição ao risco, & rdquo; disse Jon Kafton, fundador da Cloud9Trader, um site de negociação automatizado sendo testado.
Para Kleeck, os sites de algoritmos e as plataformas de negociação atraem aqueles que, como ele, têm um apetite voraz por ler qualquer coisa relacionada a ganhar dinheiro nos mercados financeiros.
“Não é uma ciência de foguetes, embora possa haver alguns cientistas de foguetes no fórum. É tudo parte da disseminação geral da tecnologia na vida cotidiana.
Reportagem de Atul Prakash; Edição de Sudip Kar-Gupta e David Stamp.
As crianças da faculdade estão agora negociando de alta frequência em dormitórios.
O estudante universitário Spencer Singleton está entre um grupo crescente de amadores que se voltam para o comércio automatizado de ações conduzido por computador - até agora a reserva de fundos de hedge e mega brokers - e diz que ele está batendo no mercado.
A Singleton, com sede no Texas, venceu em julho passado um concurso patrocinado por um site de investimento algorítmico para escrever programas de negociação. O site, Quantopian, deu a ele US $ 100 mil para colocar seu modelo em ação por seis meses e lhe disse para manter qualquer lucro.
O jogador de 21 anos diz que sua carteira subiu cerca de 1,5% até agora este ano, contra uma queda de 8% no índice de ações S & P 500. Da mesma forma, ele fez cerca de 2,5% desde meados de setembro, enquanto o índice norte-americano perdeu mais de 7% no período.
Outros amadores tentaram o mesmo jogo de seus quartos de frente ou galpões de jardim e acabaram sendo queimados, concluindo que isso é uma caçada por ouro & # 8220; s ouro & # 8221; melhor deixar para os grandes jogadores, a menos que você é um ex-profissional ou whiz garoto do computador.
Singleton não é nenhum dos dois - ele é um estudante do terceiro ano de gerenciamento da cadeia de suprimentos - mas diz que a competição deu a ele sua grande chance. "Como estudante universitário, eu não teria conseguido US $ 100.000 em um milhão de anos para negociar, & # 8221; ele disse à Reuters. "Levaria facilmente 10 anos para eu desenvolver uma plataforma de algoritmos complicada como a oferecida pela Quantopian."
Plataformas de negociação on-line orientadas a programas, como Quantopian e QuantConnect, baseadas nos EUA, e Cloud9trader, com sede na Inglaterra, que têm clientes em todo o mundo, não existiam no auge da crise financeira de 2008.
No entanto, Singleton disse que testou seu modelo contra dados históricos do ano da crise, gerando um retorno de 16% contra uma queda de 38% no índice S & P.
Um grande número de amadores está agora tentando ficar rico nos mercados globais, com o mercado global de varejo no valor de até US $ 3 trilhões só nos Estados Unidos.
Mas enquanto a negociação automatizada responde por cerca de 75% de todo o volume do mercado financeiro, apenas uma pequena fração de traders independentes ou amadores os utiliza devido à tecnologia complexa, à necessidade de dados históricos massivos e altos custos.
No entanto, as empresas que fornecem plataformas para o homespun & # 8220; algos & # 8221; A popularidade está crescendo entre todos, desde executivos de publicidade e engenheiros de telecomunicações até empreiteiros de defesa.
O fundador e presidente-executivo da Quantopian, John Fawcett, disse que sua adesão subiu para 60.000 de 35.000 menos de um ano atrás, enquanto o fundador e CEO da QuantConnect, Jared Broad, viu um salto em sua adesão para 17.000 de 6.000 no ano anterior. .
As amplas estratégias automatizadas tendem a se sair bem quando os mercados estão voláteis ou caindo acentuadamente, acrescentando que os volumes negociados em uma de suas corretoras aumentaram 300% em apenas três semanas em 2016.
Seu rápido crescimento aumenta o risco de manipulação de mercado ou fraude, mas a Quantopian disse que criou muitas salvaguardas, incluindo limites no número de negociações que os clientes podem fazer.
O Navinder Singh Sarao, com sede em Londres, foi preso no ano passado, com autoridades dos EUA ligando seus negócios automáticos de computador ao "flash crash" & # 8221; em 2010, que limpou brevemente US $ 1 trilhão dos mercados de ações dos EUA.
Sarao, que trocou de seus pais & # 8217; casa perto do aeroporto de Heathrow, em um subúrbio de Londres, está lutando contra as tentativas dos EUA de extraditá-lo. Um tribunal britânico deve ouvir o caso em 4 de fevereiro.
Basicamente, as plataformas de negociação on-line baseadas em regras fornecem ferramentas e tutoriais para as pessoas escreverem algoritmos em navegadores da Web e testarem seus modelos com anos de dados históricos. Eles também ajudam as pessoas a abrir contas com corretores aprovados.
É difícil verificar de forma independente as alegações dos comerciantes de varejo que dizem que ganharam um bom dinheiro este ano, quando se preocupam com a desaceleração da economia chinesa e com a queda do preço do petróleo em US $ 8 trilhões nos mercados acionários mundiais em janeiro.
Algumas pessoas como Jason Roberts perderam e saíram. Ele passou cerca de seis anos, de 1999 a 2004 e novamente em 2008, construindo software de negociação automatizado antes de sair para ajudar projetos de startups para web e mobile.
Roberts disse que toda vez que ele se uniu a comerciantes em um empreendimento comercial automatizado, suas estratégias e idéias erraram o alvo, apesar de anteriormente terem tido sucesso como profissionais do mercado.
"Como as corretoras, esses sites de negociação ganham dinheiro quando as pessoas usam suas plataformas, por isso é do seu interesse convencê-lo de que você pode vencer o mercado," # 8221; disse Roberts, que agora é consultor para o serviço de passeio de carro Uber.
"Não estou totalmente convencido de que é possível vencer o mercado de forma consistente, independentemente de você estar negociando manualmente, guiado pela experiência e pela intuição ou por algoritmos, o que equivale a seguir um conjunto codificado de regras & # 8230; É fácil perder dinheiro com negociação algorítmica, assim como com qualquer investimento. & # 8221;
Julien Turc, chefe de estratégia quantitativa de ativos cruzados da Societe Generale, disse que a construção de uma estratégia de negociação sistemática é muito difícil. É fácil encontrar estratégias que teriam funcionado bem no passado, mas mais difícil ganhar dinheiro com elas no futuro.
"No entanto, a negociação de algoritmos está se tornando mais popular agora, já que você tem tecnologias melhores, os reguladores avançam em direção às negociações transparentes e eletrônicas e está ficando cada vez mais difícil ganhar dinheiro usando ferramentas de negociação tradicionais. # 8221;
Singleton e Michael Van Kleeck, outro vencedor do concurso mensal de escrita de código da Quantopian em junho passado, estão entre os milhares de entusiastas que, não desanimados pelas críticas, acreditam ter uma vantagem sobre os métodos tradicionais de negociação.
& # 8220; Os seres humanos consistentemente apresentam desempenho baixo porque eles têm interferência emocional. A Algo Trading formaliza sua estratégia com antecedência e define limites claros sobre sua exposição ao risco, & # 8221; disse Jon Kafton, fundador da Cloud9Trader, um site de negociação automatizado sendo testado.
Para Kleeck, os sites de algoritmos e as plataformas de negociação atraem aqueles que, como ele, têm um apetite voraz por ler qualquer coisa relacionada a ganhar dinheiro nos mercados financeiros.
"Não é uma ciência de foguetes, embora possa haver alguns cientistas de foguetes no fórum." É tudo parte da disseminação geral da tecnologia na vida cotidiana. & # 8221; (Reportagem de Atul Prakash; Edição de Sudip Kar-Gupta e David Stamp)
JPMorgan Ties Tech Sell-Off para Negociação Dirigida por Computador (FB, AMZN)
A negociação por computador, que envolve o uso de estratégias quantitativas ou sistemas automatizados de negociação, está aumentando e alimentando grandes mudanças nas oscilações de preços no mercado acionário, de acordo com o JPMorgan.
Em uma nota enviada aos clientes na terça-feira, e depois relatada pela CNBC, a corretora afirmou que os passivos e os investimentos quantitativos representam mais de 60% do volume de ações, mais do que o dobro da participação de uma década atrás. Em contraste, traders discricionários fundamentais, humanos que tomam decisões de investimento analisando cuidadosamente os fundamentos de negócios das ações individuais, são agora responsáveis por negociar apenas 10% do volume de ações nos mercados de ações.
"Enquanto abundam as narrativas fundamentais que explicam a ação do preço, a maioria dos investidores não compra ou vende ações com base em fundamentos específicos de ações", disse Marko Kolanovic, chefe global de pesquisas quantitativas e derivativas do JPMorgan, na nota. (Veja também: Noções básicas de negociação algorítmica: conceitos e exemplos.)
Tech Sell-off Culpado de Máquinas.
Essa rápida mudança em toda a indústria para a realização de negócios acionados por máquinas, seja por meio de estratégias quantitativas ou pelo uso de algoritmos de computador, está levando ocasionalmente a vendas em larga escala e construção de grupos e ações individuais difíceis de prever. Um exemplo é a recente grande queda nos estoques de tecnologia. (Veja também: O que desencadeia uma ampla venda do setor?)
Na última sexta-feira, US $ 140 bilhões foram eliminados das avaliações de mercado em todo o setor de melhor desempenho de Wall Street. O JPMorgan acredita que essa queda do sell-off azul foi desencadeada por máquinas de negociação automatizadas, que talvez sentissem que a crescente popularidade das ações da Nasdaq levou a avaliações excessivas.
"A pressão para cima no baixo volume e crescimento, e pressão descendente no valor e alta Vol atingiu o pico nos primeiros dias de junho (rebalances mensais), e depois rapidamente retrocedeu, puxando para baixo ações FANG", - Facebook (FB), Amazon (AMZN ), Netflix (NFLX) e Google pai Alphabet (GOOGL), "o relatório disse.
Enquanto as ações de tecnologia recuperaram algumas de suas perdas, Kolanovic advertiu que um aumento no investimento automatizado ou quantitativo continuará a alterar o comportamento do mercado de ações no futuro. "As estratégias de big data estão desafiando cada vez mais os investimentos fundamentais tradicionais e serão um catalisador para mudanças nos próximos anos", disse ele.
Kolanovic acrescentou que o investimento quantitativo tende a desencadear menos volatilidade do que os traders tradicionais, cujas decisões muitas vezes são motivadas por medo, ganância e pânico. Um aumento no comércio mais racional deve levar a mercados mais estáveis, tornando difícil para os investidores de valor identificar ações potencialmente vendidas em excesso.
Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?
Melhor Linguagem de Programação para Sistemas de Negociação Algorítmica?
Uma das perguntas mais freqüentes 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 dividido 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 trade-off entre a facilidade de desenvolvimento e a 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 geralmente 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 pelos 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, interrupções de servidor, 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 subseqüentes 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 gerenciamento 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 forma desmotivada (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 Ubuntu Desktop em um servidor de nuvem da Amazon para acessar remotamente o Interactive Brokers, 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 para uma base de código foram feitas 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 trade-off 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 pequeno fundo provavelmente estarão "usando muitos chapéus". Será necessário estar cobrindo o modelo alfa, os parâmetros de gerenciamento e execução de riscos, e também a implementação final do sistema. Antes de aprofundar em linguagens específicas, o 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 as interfaces em cada um dos componentes, é fácil trocar partes do sistema por outras versões que auxiliem o desempenho, a confiabilidade ou a manutenção, sem modificar nenhum código de dependência 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 desempenho insatisfatório, 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, Zero 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 os 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 de NIC) e pedidos processados (latência interna de sistemas de intercâmbio).
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 frequência de uma maneira que permite acesso de maior 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 automática de lixo, que se refere à desalocação da memória alocada dinamicamente quando os objetos saem do escopo.
A coleta de lixo é extremamente útil durante o desenvolvimento, pois reduz os erros e 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, já que cada sorteio aleatório e a subsequente operação de caminho podem ser computadas 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 análise, 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 (Graphical Processing Units - 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 perfis 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 administrar 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 corretor de fila de mensagens de código aberto bem respeitado é o Rabbit.
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. Sistemas de desktop possuem algumas desvantagens significativas, no entanto. 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. Existem vantagens e desvantagens para ambas as abordagens. 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. NET 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. NET 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.
How to find new trading strategy ideas and objectively assess them for your portfolio using a custom-built backtesting engine in Python.
Comércio Algorítmico Avançado.
How to implement advanced trading strategies using time series analysis, machine learning and Bayesian statistics with R and Python.
US Search Desktop.
Agradecemos seus comentários sobre como melhorar a Pesquisa do Yahoo. Este fórum é para você fazer sugestões de produtos e fornecer feedback atencioso. Estamos sempre tentando melhorar nossos produtos e podemos usar o feedback mais popular para fazer uma mudança positiva!
Se você precisar de assistência de qualquer tipo, visite nosso fórum de suporte à comunidade ou encontre ajuda individualizada em nosso site de ajuda. Este fórum não é monitorado por nenhum problema relacionado a suporte.
O fórum de comentários do produto do Yahoo agora exige um ID e uma senha válidos do Yahoo para participar.
Agora você precisa fazer login usando sua conta de e-mail do Yahoo para nos fornecer feedback e enviar votos e comentários para as ideias existentes. Se você não tiver um ID do Yahoo ou a senha do seu ID do Yahoo, inscreva-se para obter uma nova conta.
Se você tiver um ID e uma senha do Yahoo válidos, siga estas etapas se quiser remover suas postagens, comentários, votos e / ou perfil do fórum de comentários do produto do Yahoo.
Vote em uma ideia existente () ou publique uma nova ideia…
Idéias quentes Idéias superiores Novas ideias Categoria Status Meu feedback.
Xnxx vedios.
Trazer de volta o layout antigo com pesquisa de imagens.
sim: a única possibilidade (eu acho) enviar todas as informações para (alienvault.
Desinformação na ordem DVD.
Eu pedi DVD / Blueray "AL. A confidencial" tudo que eu consegui foi Blue ray & amp; um contato # para obter o DVD que não funcionou. Eu encomendo minha semana com Marilyn ____DVD / blue ray & amp; Eu peguei os dois - tolamente, assumi que o mesmo se aplicaria a L. A. ___ETC não. Eu não tenho uma máquina de raio azul ----- Eu não quero uma máquina de raio azul Eu não quero filmes blueray. Como obtenho minha cópia de DVD de L. A. Confidential?
yahoo, pare de bloquear email.
Passados vários meses agora, o Yahoo tem bloqueado um servidor que pára nosso e-mail.
O Yahoo foi contatado pelo dono do servidor e o Yahoo alegou que ele não bloquearia o servidor, mas ainda está sendo bloqueado. CEASE & amp; DESISTIR.
Não consigo usar os idiomas ingleses no e-mail do Yahoo.
Por favor, me dê a sugestão sobre isso.
Motor de busca no Yahoo Finance.
Um conteúdo que está no Yahoo Finance não aparece nos resultados de pesquisa do Yahoo ao pesquisar por título / título da matéria.
Existe uma razão para isso, ou uma maneira de reindexar?
Procure por "turkey ******" imagens sem ser avisado de conteúdo adulto ou que o mostre.
O Yahoo está tão empenhado em atender os gostos lascivos das pessoas que nem posso procurar imagens de uma marca de "peitos de peru" sem ser avisado sobre conteúdo adulto? Apenas usando a palavra "******" em QUALQUER contexto significa que eu vou pegar seios humanos em toda a página e ter que ser avisado - e passar por etapas para evitá-lo?
Aqui está minha sugestão Yahoo:
Invente um programa de computador que reconheça palavras como "câncer" ou "peru" ou "galinha" em uma frase que inclua a palavra "******" e não assuma automaticamente a digitação "***** * "significa que estou procurando por ***********.
Descobrir uma maneira de fazer com que as pessoas que ESTÃO procurando *********** busquem ativamente por si mesmas, sem assumir que o resto de nós deve querer *********** se digitarmos uma palavra comum - ****** - que qualquer um pode ver qualquer dia em qualquer seção de carne em qualquer supermercado em todo o país. :(
O Yahoo está tão empenhado em atender os gostos lascivos das pessoas que nem posso procurar imagens de uma marca de "peitos de peru" sem ser avisado sobre conteúdo adulto? Apenas usando a palavra "******" em QUALQUER contexto significa que eu vou pegar seios humanos em toda a página e ter que ser avisado - e passar por etapas para evitá-lo?
Aqui está minha sugestão Yahoo:
Invente um programa de computador que reconheça palavras como "câncer" ou "peru" ou "galinha" em uma frase que inclua a palavra "******" e não assuma automaticamente a digitação "***** * "significa que estou procurando por mais ...
Por que, quando eu faço login no YahooGroups, todos os grupos aparecem em francês ?!
Quando entro no YahooGroups e ligo para um grupo, de repente tudo começa a aparecer em francês? O que diabos está acontecendo lá ?! Por alguma razão, o sistema está automaticamente me transferindo para o fr. groups. yahoo. Alguma ideia?
consertar o que está quebrado.
Eu não deveria ter que concordar com coisas que eu não concordo com a fim de dizer o que eu acho - eu não tive nenhum problema resolvido desde que comecei a usar o Yahoo - fui forçado a jogar meu antigo mensageiro, trocar senhas, obter novas messenger, disse para usar o meu número de telefone para alertar as pessoas que era o meu código de segurança, receber mensagens diárias sobre o bloqueio de yahoo tentativas de uso (por mim) para quem sabe por que como ele não faz e agora eu obter a nova política aparecer em cada turno - as empresas costumam pagar muito caro pela demografia que os usuários fornecem para você, sem custo, pois não sabem o que você está fazendo - está lá, mas não está bem escrito - e ninguém pode responder a menos que concordem com a política. Já é ruim o suficiente você empilhar o baralho, mas depois não fornece nenhuma opção de lidar com ele - o velho era bom o suficiente - todas essas mudanças para o pod de maré comendo mofos não corta - vou relutantemente estar ativamente olhando - estou cansado do mudanças em cada turno e mesmo aqueles que não funcionam direito, eu posso apreciar o seu negócio, mas o Ameri O homem de negócios pode vender-nos ao licitante mais alto por muito tempo - desejo-lhe boa sorte com sua nova safra de guppies - tente fazer algo realmente construtivo para aqueles a quem você serve - a cauda está abanando o cachorro novamente - isso é como um replay de Washington d c
Eu não deveria ter que concordar com coisas que eu não concordo com a fim de dizer o que eu acho - eu não tive nenhum problema resolvido desde que comecei a usar o Yahoo - fui forçado a jogar meu antigo mensageiro, trocar senhas, obter novas messenger, disse para usar o meu número de telefone para alertar as pessoas que era o meu código de segurança, receber mensagens diárias sobre o bloqueio de yahoo tentativas de uso (por mim) para quem sabe por que isso acontece e agora eu recebo a nova política em cada turno - as empresas costumam pagar muito pela demografia que os usuários fornecem para você ... mais.
One Cause of Market Turbulence: Computer-Driven Index Funds.
A decade ago, the center of gravity on Wall Street were raucous trading desks and stock exchange floors. These days, the locus has shifted to far quieter places, where computers are in charge.
The transition has been years in the making, but its effect has been on full display over the past week. After propelling the market to historic highs, passive investment strategies — which follow a simple set of rules and are carried out by sophisticated computer programs, not humans — are among the factors fueling the market’s recent plunge.
This is the new reality of today’s stock market: Funds that track financial indexes have become a dominant force, and they can act as accelerants, adding momentum to the market’s rise and fall.
This week, as markets shuddered, exchange-traded index funds were responsible for 38 percent of total stock trading on some days, an astonishing figure given that these funds were just a curiosity 10 years ago. Indexing giants like BlackRock and Vanguard now own vast swaths of the market and are the largest shareholders in just about all the major companies in the Standard & Poor’s 500-stock index.
In many ways, this stampede toward passive investing — in which people put their money into funds that track indexes and broader market themes as opposed to relying on human stock pickers — is uncharted territory. Now the key question is how this transformed market holds up during a financial storm that lasts more than a few days.
“These flows have had a big effect on the market,” said Peter Tchir, a strategist at Academy Securities. “And when people want to get out, there is a similar effect.”
Cheaply priced exchange-traded and index funds have pumped trillions of dollars into the stock market since early 2009. They now own close to 40 percent of stocks in the United States, according to research by Bank of America Merrill Lynch.
Unlike mutual funds, E. T.F. s are listed on public exchanges, which makes many of them very easy to trade even if the securities they hold may not be. On Thursday, for example, the second most actively traded security in the equity market was a BlackRock fund that invests in large companies in emerging markets.
As stocks plunged Thursday afternoon, the global markets desk at BlackRock, the world’s largest asset manager, was calm. There were no traders or portfolio managers barking “Buy!” or “Sell!” — just a cluster of 15 people in front of computer screens monitoring the firm’s fleet of passive investment funds.
There was a lot to keep an eye on.
BlackRock, which manages $6 trillion overall, is the leading issuer of exchange-traded funds, with $1.3 trillion under management. But as the market fell and trading in BlackRock funds accelerated, there was little sign of panic or emotion among the E. T.F. specialists at the firm.
They fielded phone calls from clients and let the computers do their work.
Martin Small, who oversees United States-based E. T.F. s at the firm, said the high share of E. T.F. trading was positive for the markets. That is because on days when fearful investors want to sell, large, easy-to-trade E. T.F. s serve as a critical release valve.
“Everything worked,” Mr. Small said. “Volumes were higher and more people were watching, but our funds did what they were supposed to do.”
Investing on the basis of what machines, as opposed to humans, do has been a trend in financial markets for years. What’s different now is that so much money has poured into a specific type of computer-driven trading.
From cost-conscious millennials to the world’s largest pension and sovereign wealth funds, E. T.F. s have become a preferred investment choice. In addition to all the major stock and bond indexes, they enable investors to get a piece of the action in arcane areas like junk bonds, bank loans and stocks in Pakistan. There is even an E. T.F. that tracks companies that make whiskey.
Newsletter Sign Up.
Thank you for subscribing.
An error has occurred. Por favor, tente novamente mais tarde.
You are already subscribed to this email.
See Sample Manage Email Preferences Not you? Privacy Policy Opt out or contact us anytime.
The popularity of E. T.F. s has concentrated unparalleled financial power in BlackRock and Vanguard, the two biggest providers of index funds and E. T.F. s. Together, they sit on $10.5 trillion in assets and control 65 percent of the 1,700 exchange-traded funds that exist.
Relying on sophisticated computer programs, they funnel investor money into the stocks and bonds that make up indexes around the world. As the flows have grown in volume, much of these funds have gone toward index heavyweights like Amazon, Apple and Facebook, pushing their valuations ever higher.
This makes some regulators, academics and investors nervous. What happens, they ask, when passive investors own 80 percent of stocks as opposed to the 40 percent they control today?
Active fund managers — human stock pickers — will be marginalized, the argument goes. And that could cause harm, because they are the ones who buy when others sell. So when stocks suddenly plummet, there will be fewer funds to step in, extending the fall.
An analyst at Sanford C. Bernstein even compared passive investing to Marxism, in its sweeping conformity and its degradation of the independent-minded, active investor.
“For years, this has been an E. T.F. market — its robots buying stocks just as they were programmed to do,” said Steven Bregman of Horizon Kinetics, a firm that hunts for undervalued stocks. “But so much money has gone into just a few hundred stocks. Everyone owns the same stuff. So when they want to get out, who are they going to sell to?”
Compounding these worries is the rise of algorithm-driven trading strategies at large hedge funds. They get their buy and sell signals not from a human but from indexes that measure sharp swings in the market. Earlier this week, they were big sellers when the so-called VIX index — a measure of anticipated market volatility — skyrocketed.
E. T.F. proponents argue that their industry’s growth is just the latest stage of the stock-indexing revolution that began in the early 1970s. That was when John C. Bogle founded Vanguard and began to launch index funds.
His argument, which soon became a form of religion to his followers, was that over the long term, a cheap fund that tracks a broad index will perform better than expensive alternatives managed by stock pickers who believe they can outfox the market.
Wesley R. Gray of Alpha Architect, a rules-based investment firm, is one such true believer. He argues that his computer models do a better job creating stock portfolios than humans can ever do.
So when stocks sank this week, he barely glanced at his trading screens. Whether the market goes up or down does not matter to him because the computers control his suite of exchange-traded funds — not him.
“If the market goes down 4 percent, I don’t even care,” Mr. Gray said. “That is the beauty of systems. Once you build it, there is literally nothing left to do.”
A version of this article appears in print on February 10, 2018, on Page B1 of the New York edition with the headline: Quiet Player In Volatility Of Market: Computers. Order Reprints | Today's Paper | Subscribe.
We’re interested in your feedback on this page. Tell us what you think.
IMPACT ANALYSIS: Nasdaq publishes white paper, suggestions for detecting spoofing.
NEW YORK (Thomson Reuters Regulatory Intelligence) - Complex, automated, and high-speed trading strategies have taken hold in virtually every financial market as the days of open-outcry trading on exchange floors or trading pits fade into the past. The number of CME open-outcry trading pits has declined from 32 in 2007 to nine today. The trading of most products today including equities, currencies, U. S. Treasuries, and most commodities have all become highly complex and computer-driven.
Driving this change has been a massive shift to Automated Trading Systems (ATSs) or computer-driven trading. Computers have proven to be faster, cheaper, and more precise than humans. Therefore, regulators have also adapted to focus on the computer-driven nature of trading. Nearly every significant regulator has voiced concerns about the need for heightened monitoring of the practices and it has become a central component of market surveillance.
The U. S. Commodities and Futures Trading Commission (CFTC) has taken the lead in enforcement actions centered on “spoofing” where traders quickly, and often through the use of automated programs, place and quickly cancel orders in markets before execution.
The U. S. Securities and Exchange Commission (SEC) and Financial Industry Regulatory Authority (FINRA) have also brought enforcement cases. In 2016 FINRA also sent “report cards” for layering and spoofing activities to firms as a compliance tool to complement firms’ supervisory systems to detect and deter manipulative conduct.
Now the market operator Nasdaq, a self-regulatory-organization (SRO) with leading software for trade surveillance, has also voiced its warnings about spoofing. Below is an update on the regulatory focus on “spoofing” and recently published guidance on the subject from Nasdaq.
NASDAQ SHINES A LIGHT ON SPOOFING.
In early June Nasdaq published a white paper on spoofing. Alan Jukes, a former director of market surveillance at ICE Europe, and now Nasdaq’s lead product manager focusing on alerts and alert logic wrote in the paper, “Currently it takes a fairly high level of understanding of the behavior, in order to determine if spoofing is happening at an organization. There might be alerts that are being generated, but because firms get so many alerts, it’s very difficult to identify the specific behavior, especially when looking for patterns over time.”
To meet that challenge, Nasdaq built a visualization tool that helps it see regular and consistent patterns. Because the patterns repeat themselves every time “a ‘spoofing’ event took place, it could be considered a ‘signature.’ This ‘signature’ behavior would typically repeat itself over a trading session and comprise the following key characteristics:”
— Large orders on one side of the book only, deleted rapidly after trading on the other side: Trader does not display large orders on both sides of the book. If the intention is to mislead others, in order to move price, one must concentrate their orders on one side only, in order to drive the direction the other way. Once this has been achieved, the orders are removed.
— Position oscillation: The spoofing trader does not want to be exposed to market risk, so ensures that any position is rapidly closed out (often by spoofing on the opposite side). ‘Spoofing’ is not generally a directional strategy, so when position oscillation is present, it can be a reliable signature.
— Direction of trade is always contrary to the weight of orders shown: Large bids while selling, large asks while buying.
— Position size is not reflected by order size: The large ‘spoof’ orders greatly exceed the average position taken. The weight of orders are contrary to the direction of the trade, and the size of position will often be significantly smaller that the weight of orders being shown.
Jukes wrote, the “ability to ‘see’ into the order-book in this way was a revelation. I was able to provide evidence to demonstrate the intent behind the trader’s actions, to provide a visual representation of the behavior, as well as other very detailed analysis, to provide a visual representation of the behavior, as well as other very detailed analysis.”
A Nasdaq commercial technology division sells a technology solution called SMARTS Surveillance. “Nasdaq purchased SMARTS in 2010 and the product powers surveillance and compliance for 40 marketplaces, 11 regulators and 100 market participants across 65 markets globally,” said Jukes, who is product manager for SMARTS Surveillance.
SMARTS draws on financial and technology professionals experienced in market surveillance, supervision and compliance, Jukes said in an email. The system examines scenarios across multiple venues and asset classes and provides intuitive visualizations and alerts into an easily readable snapshot to identify potentially abusive instances.
NASDAQ’S FAQS ON DISRUPTIVE TRADING.
Nasdaq has also published Frequently Asked Questions (FAQs) related to disruptive trading practices (here) and the associated rule Chapter III (here), Section 24(g)(4) regarding disruptive trading practices. Compliance departments will find these FAQs helpful in better understanding spoofing and similar disruptive trading practices. The FAQs offer salient explanations in realistic trading scenarios involving cancelations trading mistakes, and definitions of terms such as "mislead" and "actionable and non-actionable" messages.
THE CFTC’S ENFORCEMENT EFFORTS AND PROPOSED RULES.
Regulation Automated Trading (Reg AT) was first proposed by the CFTC in November 2015 and has gone through multiple supplements and comment periods with the most recent comment period closing in May 2017.
Acting CFTC Chairman Christopher Giancarlo, formerly a minority commissioner and Republican appointee opposed the proposed rule and its supplements. Giancarlo explained his dissenting vote was primarily based on the source code repository issue. He also voiced his opposition at a roundtable held in June 2016(here), saying, "Regulation AT is a 20th century analog response to the 21st century digital revolution in trading markets."
Despite the uncertainty with Reg AT, the CFTC has strung together an impressive string of 8 successful cases involving spoofing. Most recently cases involving David Liew(here) and two traders at Citigroup were featured in Regulatory Intelligence (here).
The CFTC and the largest futures exchange, the CME, were empowered to crack down on this activity under Section 747 of Dodd-Frank which amended the Commodity Exchange Act(here) making it unlawful for a person to engage in any trading, practice or conduct subject to the rules of a registered entity such as a futures exchange that "is of the character of, or is commonly known to the trade as, 'spoofing' (bidding or offering with the intent to cancel the bid or offer before execution)."
With this change in law after Dodd-Frank, civil and criminal enforcement authorities had a mandate, but the first challenge for prosecutors was to more precisely define spoofing.
The CFTC published interpretive guidance in 2013 on spoofing and other disruptive trading practices. The CFTC guidance clarified that a spoofing violation requires a market participant to act with some degree of intent beyond recklessness. It also states that legitimate, good-faith cancellation or modification of orders or properly placed stop-loss orders would not be considered unlawful spoofing. In order to distinguish legitimate trading from spoofing, the CFTC would evaluate the market context, the person’s pattern of trading activity including fill characteristics and other relevant facts and circumstances.
The prohibition on spoofing covers “bid and offer activity on all products, traded on all registered entities.” The CFTC also provided examples of unlawful spoofing, such as creating an appearance of false market depth, delaying another participant’s executions, activity that could overload the quotation systems, and submitting or canceling bids or offers with the intent to create artificial price movements upward or downward.
The CFTC has also cautioned that a pattern of spoofing was unnecessary and that “even a single instance” could constitute a violation.
FINRA AND THE SEC’S ENFORCEMENT EFFORTS.
Although the CFTC has taken the U. S. lead in cracking down on spoofing, the equities markets face similar challenges with flash crashes and HFT and have many easy enforcement targets. The Securities and Exchange Commission (SEC) is not far behind as the SEC Enforcement Division and FINRA have jointly brought a case involving a brokerage firm Lek Securities and its owner Sam Lek where the SEC alleged Lek failed to monitor Russian and East European high speed traders suspected of market manipulation(here).
FINRA also brought a case against a dark pool operator (here) Lightspeed Trading fining the firm $250,000 over allegations it aided and abetted violations by three unregistered dealers and failed to take action when it suspected one of the dealers was employing a spoofing scheme.
The SEC brought a case in 2015(here) involving Briargate Trading where the firm agreed to settle the charges of spoofing for more than $1 million in disgorgement and fines.
COMPLIANCE ADVICE.
Despite the uncertain future of the Reg AT, compliance departments must be aware that other areas similar to automated trading such as high frequency trading (HFT), the use of “dark pools,” spoofing, and best execution are all priorities with the enforcement divisions of regulators such as the Securities and Exchange Commission and the CFTC. It is also clear that Nasdaq is working with firms and exchanges with their SMARTS Surveillance technology to detect manipulative activities such as spoofing.
Compliance professionals need to immediately brush up on trading as well as their algorithm and computer-programming knowledge. The signal from regulators in recent spoofing cases is that algorithms may need to be updated and should definitely be reviewed and monitored.
Compliance departments should develop, test, and monitor in real-time any algorithms and trading activity. They also need to test algorithms before they are used and have a real-time monitoring system for the trading algorithms in an attempt to make sure traders are entering trades correctly and following rules.
Compliance departments should undertake a thorough review and be sure to gain a complete understanding of the programs or algorithms being used. A good starting point is to review Nasdaq’s FAQs mentioned above as well as to look at risk controls. Firms may need to adopt controls such as pre-trade risk controls and order cancellation systems.
With this increased awareness surrounding trading desks and quality of executions, compliance officers must review policies and procedures and stay abreast of the evolving and technology-driven trading landscape.
A review should begin by focusing on trading strategies that deploy algorithms, involve a high volume of market activity, and have lower fill rates. Firms should consider whether any activity could raise red flags for regulators, especially if trading algorithms call for cancellation of bids and offers and be sure to document the reasoning behind cancels.
Spoofing is clearly a concern with essentially every regulator and SRO including Nasdaq and Nasdaq with their surveillance capabilities, including SMARTS Surveillance are on the lookout.
--Nasdaq whitepaper "Visualizing the 'signature' of spoofing":here.
--Proposed Regulation Automated Trading (Reg AT):here.
--CFTC interpretive guidance:here.
(Todd Ehret is a Senior Regulatory Intelligence Expert for Thomson Reuters Regulatory Intelligence. He has more than 20 years’ experience in the financial industry where he held key positions in trading, operations, accounting, audit, and compliance for broker-dealers, asset managers, and hedge funds.)
This article was produced by Thomson Reuters Regulatory Intelligence and initially posted on June 21. Regulatory Intelligence provides a single source for regulatory news, analysis, rules and developments, with global coverage of more than 400 regulators and exchanges. Follow Regulatory Intelligence compliance news on Twitter: @thomsonreuters.
Комментариев нет:
Отправить комментарий