بيثون تجارة النظام

بيثون خوارزمية التداول المكتبة.

بيالغوتريد هي مكتبة بيثون خوارزمية التداول مع التركيز على باكتستينغ ودعم تداول الورق والتجارة الحية. لنفترض أن لديك فكرة عن استراتيجية التداول وكنت ترغب في تقييمها مع البيانات التاريخية ونرى كيف يتصرف. بيالغوتريد يسمح لك أن تفعل ذلك مع الحد الأدنى من الجهد.

الخصائص الرئيسية.

موثقة بالكامل. الحدث مدفوعة . يدعم السوق، والحد، وإيقاف أوامر ستوبليميت. يدعم Yahoo! المالية، جوجل المالية و نينجاترادر ​​ملفات كسف. يدعم أي نوع من البيانات سلسلة الوقت في تنسيق كسف، على سبيل المثال كواندل. دعم التداول بيتكوين من خلال بيتستامب. المؤشرات والفلاتر الفنية مثل سما، وما، إما، رسي، بولينجر باند، هورست أس وغيرها. مقاييس الأداء مثل نسبة شارب وتحليل السحب. التعامل مع أحداث تويتر في الوقت الحقيقي. ملف تعريف الحدث. تا-ليب التكامل.

من السهل جدا لتوسيع نطاق أفقيا، وهذا هو، باستخدام جهاز كمبيوتر واحد أو أكثر ل باكتست استراتيجية.

بيالغوتريد مجاني، مفتوح المصدر، ومرخص تحت رخصة أباتشي، الإصدار 2.0.

جون V.

البيانات الكبيرة. الشركات الناشئة. تجارة.

البيانات الكبيرة. الشركات الناشئة. تجارة.

بناء نظام باكتستينغ في بايثون: أو كيف فقدت 3400 $ في ساعتين.

بناء نظام باكتست هو في الواقع من السهل جدا. من السهل المسمار يعني. على الرغم من أن هناك أطنان من المكتبات ممتازة هناك (وسوف نذهب من خلالهم في مرحلة ما)، وأنا دائما مثل القيام بذلك من تلقاء نفسها من أجل صقل ذلك.

من جميع أنظمة باكتستينغ رأيت، يمكننا أن نفترض أن هناك فئتين:

اليوم، سوف نتحدث عن لوبيرس.

و "فور-لوبيرس" هي نوعي المفضل من باكتسترس. هم تافهة لكتابة ومتعة فائقة للتوسع ولكن لديهم بعض التدفقات الحيوية و للأسف معظم باكتستيرس هناك "فور لوبيرس" (بس: أحتاج إلى العثور على اسم أفضل لهذا!).

كيف يعمل لوبيرس؟ باستخدام حلقة (كما كنت قد خمنت). إنه شيء من هذا القبيل:

حق بسيط جدا؟ هذه هي الطريقة التي يعمل نظام باكتستينغ واحد، الذي يدير استراتيجية الزخم:

فما هي المشكلة؟

من الصعب جدا على نطاق (أفقيا) يحتاج الكثير من العمل للحفاظ على application_strategy () العمل على باكتستينغ والإنتاج تحتاج إلى أن يكون كل شيء في نفس لغة البرمجة.

دعونا الغوص في هذه، واحدا تلو الآخر.

قابلية التوسع . كنت تجرب زوجين قبل أسابيع مع خوارزمية تسلق التل لتحسين واحد من استراتيجيات بلدي. لا يزال قيد التشغيل. بعد أسبوعين. وأنا بناء أنظمة اوبر قابلة للعيش. لماذا لا يزال قيد التشغيل؟ يمكنك استخدام المعالجات المتعددة، ديسكو، المنتج / المستهلك (باستخدام زيرومق) أو المواضيع فقط لتسريع هذا ولكن بعض المشاكل ليست "محرجة موازية" (نعم، هذا هو مصطلح الفعلي، وليس واحدا من بلدي الكلمات المكتوبة). كمية العمل على نطاق باكتستر مثل هذا (وخصوصا عندما تريد أن تفعل نفس التعلم الآلي على رأسه) ضخمة. يمكنك أن تفعل ذلك ولكن هذا هو الطريق الخطأ.

الإنتاج و باكتستينغ في مزامنة هذا. الأوقات لقد تم لعض من قبل هذا. أستطيع أن أذكر الحرف المفقودة حيث كنت "هم، لماذا دخلت هذه التجارة؟" أو بلدي القديم الوقت المفضل "لماذا توقفت عربة توقفت الآن؟".

وقت القصة: كان لدي فكرة من أجل تحسين استراتيجيتي، لتشغيل باكتستر لمعرفة ما سيحدث لو كنت يمكن أن تضع وقف زائدة بعد أن كانت التجارة مربحة من أجل ضمان الأرباح دائما. عملت باكتستينغ مثل سحر في زيادة بنسبة 13٪ من الأرباح والإنتاج فقدت كل تجارة واحدة. أنا أحسب بها بعد خسر بلدي ألغو 3400 $ في بضع ساعات (درس مكلفة للغاية).

الحفاظ على مزامنة application_strategy من الصعب جدا ويصبح شبه مستحيل عندما تريد أن تفعل ذلك بطريقة موزعة. وأنت لا تريد أن يكون لديك إصدارين من الاستراتيجية الخاصة بك التي هي "تقريبا" متطابقة. إلا إذا كان لديك $ 3400 لتجنيب.

استخدام لغات مختلفة أحب بيثون. و إرلانغ. و كلوجور. و J. و C. و R. و روبي (لا فعلا أكره روبي). أريد أن أكون قادرا على الاستفادة من قوة اللغات الأخرى في نظامي. أريد أن جرب الاستراتيجيات في R حيث توجد مكتبات جيدة جدا اختبار وهناك مجتمع ضخم وراء ذلك. أريد أن يكون إرلانغ لتوسيع نطاق التعليمات البرمجية و C إلى أزمة البيانات. إذا كنت تريد أن تكون ناجحة (ليس فقط في التداول)، تحتاج إلى أن تكون قادرة على استخدام جميع الموارد المتاحة دون التحيز. لقد تعلمت الكثير من الاشياء من شنقا مع المطورين R بشأن كيف يمكنك دلتا السندات التحوط وتصور لهم أو لماذا نسبة شارب يمكن أن يكون كذب. كل لغة لديها حشد مختلف وتريد العديد من الناس سكب الأفكار في النظام الخاص بك. إذا حاولت أن يكون application_strategy في لغة مختلفة ثم حظا سعيدا مع (2).

هل أنت مقتنع الآن؟ حسنا، أنا لا أحاول إقناع لكم كما ل لوبرز هو وسيلة رائعة لتشغيل الاختبارات الأولية الخاصة بك. هكذا بدأت ولكثير من الاستراتيجيات أنا لا ترسل لهم إلى خط الأنابيب. وهناك طريقة "أفضل" (حتى تتمكن من النوم ليلا) هو مولدات الحدث.

القادمة القادمة، وتقاسم ومناقشة بلدي أبسط (ولكن الأكثر نجاحا) باكتستر!

إذا كان لديك المزيد من ردود الفعل، بينغ لي في جونروميرو أو الاشتراك في النشرة الإخبارية.

قانوني خارجي. هذا هو برنامج تعليمي هندسي حول كيفية بناء منصة ألغوترادينغ للتجريب و فان. أي اقتراحات هنا ليست النصائح المالية. إذا كنت تفقد أي (أو كل) لك المال لأنك اتبعت أي نصائح التداول أو نشر هذا النظام في الإنتاج، لا يمكنك إلقاء اللوم على هذه بلوق عشوائي (و / أو لي). استمتع على مسؤوليتك الخاصة.

كتيبليب 1.5.77.

التجارة الكمية مكتبة بيثون.

كتيبليب، بيثونيك خوارزمية التداول.

كتيبليب هو نظام تداول خوارزمي بسيط يحركه الحدث مكتوب في بيثون 3، يدعم باكتستينغ ويعيش التداول باستخدام وسطاء تفاعلي للبيانات السوق وتنفيذ النظام.

أنا وضعت في الأصل كتيبليب لأنني أردت لمكتبة التداول بسيطة (ولكنها قوية) من شأنها أن تسمح لي أن أركز على منطق التداول نفسه وتجاهل كل شيء آخر.

و بلوتر التي تعمل بشكل مستمر والتي تمكنك من التقاط بيانات السوق حتى عندما لا يتم تشغيل الطحالب الخاصة بك. يتم تخزين القراد، شريط والتجارة البيانات في الخلية ل أناليسيس في وقت لاحق و باكتستينغ. باستخدام العمارة / العمارة الفرعية باستخدام ØMQ (زيرومق) للتواصل بين ألغو و بلوتر يسمح لنفخة واحدة / ألغوس متعددة تعمل على نفس الجهاز. دعم كتاب طلب، اقتباس، الوقت، القراد أو حجم القرارات الاستراتيجية القائمة. يتضمن العديد من المؤشرات الشائعة التي يمكنك استخدامها بسلاسة في خوارزمية الخاص بك. تستخدم أحداث بيانات السوق هندسة غير متزامنة وغير محظورة. لديك أوامر تسليمها إلى هاتفك النقال عبر الرسائل القصيرة (يتطلب حساب نيكسمو أو تويليو). التكامل الكامل مع تا-ليب عن طريق وحدة مخصصة (انظر الوثائق). القدرة على استيراد أي مكتبة بايثون (مثل تعلم سكيت أو تنسورفلو) لاستخدامها في الخوارزميات الخاصة بك.

بداية سريعة.

هناك 5 المكونات الرئيسية ل كتيبليب:

الناخب - يعالج السوق استعادة البيانات ومعالجتها. وسيط - يرسل وينجح أوامر / مواقف (طبقة مستخرجة). ألغو - (الطبقة الفرعية من وسيط) يتصل مع النازل لتمرير بيانات السوق إلى الاستراتيجيات الخاصة بك، وينجح / مواقف أوامر عبر وسيط. تقارير - يوفر رصد في الوقت الحقيقي من الصفقات وفتح أوبسيتيونس عبر التطبيق على شبكة الإنترنت، فضلا عن أبي ريست بسيط للحرف، مواقف مفتوحة وبيانات السوق. وأخيرا، استراتيجياتك، والتي هي الطبقات الفرعية من ألغو، التعامل مع منطق التداول / القواعد. هذا هو المكان الذي ستكتب فيه معظم شفرتك.

1. الحصول على بيانات السوق.

للبدء، تحتاج إلى إنشاء أول النصي بلوتر:

ثم، مع يب توز / غو تشغيل، تشغيل بلوتر من سطر الأوامر:

إذا كانت استراتيجيتك تحتاج إلى بيانات كتاب الكتاب / عمق السوق، إضافة العلم --orderbook إلى الأمر:

2. كتابة خوارزمية الخاص بك.

في حين أن الناخب قيد التشغيل في الخلفية، وكتابة وتنفيذ خوارزمية الخاص بك:

لتشغيل الغو الخاص بك في بيئة حية، من سطر الأوامر، اكتب:

يتم حفظ الصفقات الناتجة في.

/qtpy/STRATEGY_YYYYMMDD. csv لتحليلها لاحقا.

3. عرض الصفقات الحية.

في حين أن الناخب قيد التشغيل في الخلفية، وكتابة لوحة القيادة:

لتشغيل لوحة التحكم، قم بتشغيلها من سطر الأوامر:

الآن، وجه المتصفح إلى لوكالهوست: 5000 واستخدم كلمة المرور التي تم إنشاؤها للوصول إلى لوحة التحكم.

يرجى الرجوع إلى الوثائق الكاملة لمعرفة كيفية تمكين إشعارات الرسائل القصيرة سمز، واستخدام المؤشرات المجمعة، والمزيد.

التركيب.

تثبيت باستخدام نقطة:

المتطلبات.

بيثون & غ؛ = 3.4 بانداس (اختبار للعمل مع & غ؛ = 0.18.1) نومبي (اختبار للعمل مع & غ؛ = 1.11.1) بيزمق (اختبار مع مع & غ؛ = 15.2.1) بيميسكل & غ؛ = 0.7.6) بيتس (تم اختباره باستخدام & غ؛ = 2018.6.1) ديتوتيل (تم اختباره باستخدام & غ؛ = 2.5.1) نيكسمو-بيثون لدعم الرسائل القصيرة سمز (تم اختباره باستخدام & غ؛ = 1.2.0 ) تويليو-بيثون لدعم الرسائل القصيرة (اختبار مع مع & غ؛ = 5.4.0) قارورة لوحة (اختبار للعمل مع & غ؛ = 0.11) طلبات (اختبار مع مع & غ؛ = 2.10.0) حساء جميلة (اختبار للعمل مع & غ؛ = 4.3.2) IBPy2 (اختبار للعمل مع & غ؛ = 0.8.0) إزيبي (إبي المجمع، اختبارها مع مع & غ؛ = 1.12.56) أحدث وسطاء التفاعلية "توز أو بوابة يب تثبيت وتشغيل على الجهاز الخلية خادم تثبيت وتشغيل مع قاعدة بيانات ل كتيليب.

الاشياء القانوني.

يتم توزيع كتيليب تحت رخصة جنو الصغرى العامة العامة v3.0. راجع الملف LICENSE. txt في الإصدار للحصول على التفاصيل. كتيليب ليست منتجا للوسطاء التفاعلية، ولا هي تابعة للوسطاء التفاعلية.

يمكنك العثور على أمثلة أخرى في دليل كتبيليب / أمثلة.

أنا مهتم جدا في تجربتك مع كتيبليب. يرجى ترك لي ملاحظة مع أي ملاحظات لديك.

QuantStart.

الانضمام إلى كوانتكاديمي بوابة العضوية الخاصة التي تلبي احتياجات التجزئة المتزايد بسرعة المجتمع تاجر الكمي. سوف تجد مجموعة من ذوي الخبرة مثل التفكير من التجار الكميون على استعداد للرد على أسئلة التداول الكمي الأكثر إلحاحا.

تحقق من بلدي يبوك على التداول الكمي حيث أنا يعلمك كيفية بناء مربحة استراتيجيات التداول المنهجي مع أدوات بايثون، من الصفر.

نلقي نظرة على بلدي الكتاب الاليكتروني الجديد على استراتيجيات التداول المتقدمة باستخدام تحليل سلسلة زمنية، والتعلم الآلي والإحصاءات بايزي، مع بيثون و R.

من قبل مايكل هالز مور في 26 يوليو، 2018.

واحدة من الأسئلة الأكثر تواترا التي تلقيتها في كيس البريد قس هو "ما هي أفضل لغة البرمجة للتجارة الخوارزمية؟". الجواب القصير هو أنه لا توجد لغة "أفضل". يجب النظر في معايير الاستراتيجية، والأداء، نمطية، والتنمية، والمرونة والتكلفة. سوف توضح هذه المقالة المكونات الضرورية لهيكل نظام التداول الخوارزمي وكيف تؤثر القرارات المتعلقة بالتنفيذ على اختيار اللغة.

أولا، سيتم النظر في المكونات الرئيسية لنظام التداول الخوارزمي، مثل أدوات البحث، ومحفظة المحفظة، ومدير المخاطر ومحرك التنفيذ. وفي وقت لاحق، سيتم دراسة استراتيجيات التداول المختلفة وكيفية تأثيرها على تصميم النظام. على وجه الخصوص وتيرة التداول وحجم التداول المحتمل على حد سواء سيتم مناقشتها.

مرة واحدة وقد تم اختيار استراتيجية التداول، فمن الضروري لمهندس النظام بأكمله. وهذا يشمل اختيار الأجهزة، ونظام التشغيل (ق) ومرونة النظام ضد الأحداث النادرة، التي يحتمل أن تكون كارثية. وبينما يجري النظر في العمارة، يجب إيلاء الاعتبار الواجب للأداء - سواء لأدوات البحث أو لبيئة التنفيذ المباشر.

ما هو نظام التداول في محاولة للقيام به؟

قبل اتخاذ قرار بشأن "أفضل" اللغة التي لكتابة نظام التداول الآلي من الضروري تحديد المتطلبات. هل سيكون النظام قائما على التنفيذ فقط؟ هل يتطلب النظام إدارة مخاطر أو وحدة بناء محفظة؟ سوف يتطلب النظام باكتستر عالية الأداء؟ بالنسبة لمعظم الاستراتيجيات نظام التداول يمكن تقسيمها إلى فئتين: البحوث وتوليد إشارة.

وتتعلق البحوث بتقييم أداء الاستراتيجية على البيانات التاريخية. إن عملية تقييم إستراتيجية التداول على بيانات السوق السابقة تعرف ب "الاختبار المسبق". وسيكون حجم البيانات والتعقيد الخوارزمي لها تأثير كبير على كثافة الحسابية من باكتستر. سرعة وحدة المعالجة المركزية والتزامن غالبا ما تكون العوامل المحددة في تحسين سرعة تنفيذ البحث.

ويتعلق توليد الإشارة بتوليد مجموعة من إشارات التداول من خوارزمية وإرسال هذه الأوامر إلى السوق، وعادة عن طريق الوساطة. بالنسبة لبعض الإستراتیجیات، یلزم وجود مستوى عال من الأداء. قضايا الإدخال / الإخراج مثل عرض النطاق الترددي للشبكة والكمون غالبا ما تكون العامل المحدد في تحسين أنظمة التنفيذ. وبالتالي فإن اختيار اللغات لكل مكون من مكونات النظام بأكمله قد يكون مختلفا تماما.

نوع، وتيرة وحجم الاستراتيجية.

وسيكون لنوع الاستراتيجية الخوارزمية المستخدمة أثر كبير على تصميم النظام. وسوف يكون من الضروري النظر في الأسواق التي يجري تداولها، والاتصال ببائعي البيانات الخارجية، وتواتر وحجم الاستراتيجية، والمفاضلة بين سهولة التنمية وتحسين الأداء، فضلا عن أي أجهزة مخصصة، بما في ذلك العرف المشترك والخوادم، وحدات معالجة الرسومات أو فبغا التي قد تكون ضرورية.

خيارات التكنولوجيا لاستراتيجية منخفضة الأسهم الأسهم الولايات المتحدة سوف تختلف اختلافا كبيرا عن تلك التي من استراتيجية عالية التردد التحكيم الإحصائية التداول في سوق العقود الآجلة. قبل اختيار اللغة يجب تقييم العديد من بائعي البيانات التي تتعلق باستراتيجية في متناول اليد.

سيكون من الضروري النظر في الاتصال بالمورد، وهيكل أي من واجهات برمجة التطبيقات، وتوقيت البيانات، ومتطلبات التخزين والمرونة في مواجهة البائع الذي يعمل دون اتصال. ومن الحكمة أيضا أن تمتلك إمكانية الوصول السريع إلى العديد من البائعين! ولجميع الأدوات المختلفة مخزونات تخزين خاصة بها، ومن الأمثلة على ذلك رموز شريط متعددة للأسهم وتاريخ انتهاء الصلاحية للعقود الآجلة (ناهيك عن أي بيانات أوتك محددة). ويتعين مراعاة ذلك في تصميم المنصة.

ومن المرجح أن يكون تكرار الاستراتيجية واحدا من أكبر العوامل الدافعة لكيفية تحديد كومة التكنولوجيا. الاستراتيجيات التي تستخدم بيانات أكثر تواترا من الحانات بدقة أو الثانية تتطلب اهتماما كبيرا فيما يتعلق بالأداء.

وتؤدي الاستراتيجية التي تتجاوز الحدود الثانية (أي بيانات القراد) إلى تصميم مدعوم بالأداء باعتباره الشرط الأساسي. وبالنسبة للاستراتيجيات ذات التردد العالي، سيلزم تخزين كمية كبيرة من بيانات السوق وتقييمها. برامج مثل HDF5 أو كدب + تستخدم عادة لهذه الأدوار.

من أجل معالجة كميات واسعة من البيانات اللازمة لتطبيقات هفت، يجب أن تستخدم على نطاق واسع باكتستر ونظام التنفيذ. C / C ++ (ربما مع بعض المجمع) من المرجح أن أقوى مرشح اللغة. وسوف تتطلب استراتيجيات فائقة التردد تقريبا تقريبا الأجهزة المخصصة مثل فبغاس، وتبادل المشاركة في الموقع وضبط شبكة النواة / شبكة.

نظم البحوث.

نظم البحوث عادة ما تنطوي على مزيج من التنمية التفاعلية والنصوص الآلي. وغالبا ما يحدث الأول داخل إيد مثل فيسوال ستوديو، ماتلاب أو R ستوديو. ويشمل هذا الأخير حسابات عددية واسعة النطاق على العديد من المعلمات ونقاط البيانات. وهذا يؤدي إلى اختيار اللغة توفير بيئة مباشرة لاختبار التعليمات البرمجية، ولكن أيضا يوفر أداء كافيا لتقييم الاستراتيجيات على أبعاد متعددة المعلمة.

تتضمن إيديس النموذجية في هذا المجال ميكروسوفت فيسوال C ++ / C #، الذي يحتوي على أدوات مساعدة التصحيح واسعة، وقدرات اكتمال التعليمات البرمجية (عبر "إنتليسنز") ومحات عامة مباشرة من كومة المشروع بأكمله (عبر قاعدة البيانات أورم، لينق)؛ ماتلاب، الذي صمم لالجبر العددي واسعة النطاق وعمليات فيكتوريسد، ولكن بطريقة وحدة التحكم التفاعلية؛ R ستوديو، الذي يلتف وحدة تحكم اللغة الإحصائية R في إيد كاملة؛ إكليبس إيد لينوكس جافا و C ++؛ و إيدس شبه الملكية مثل إينوهت الستارة لبيثون، والتي تشمل مكتبات تحليل البيانات مثل نومبي، سسيبي، سكيت-تعلم والباندا في بيئة تفاعلية واحدة (وحدة التحكم).

ل باكتستينغ العددية، جميع اللغات المذكورة أعلاه هي مناسبة، على الرغم من أنه ليس من الضروري استخدام واجهة المستخدم الرسومية / إيد كما سيتم تنفيذ التعليمات البرمجية "في الخلفية". الاعتبار الرئيسي في هذه المرحلة هو سرعة التنفيذ. غالبا ما تكون اللغة المترجمة (مثل C ++) مفيدة إذا كانت أبعاد معلمة باكتستينغ كبيرة. تذكر أنه من الضروري أن نكون حذرين من هذه الأنظمة إذا كان هذا هو الحال!

وغالبا ما تستفيد اللغات المفترضة مثل بيثون من المكتبات عالية الأداء مثل نومبي / بانداس لخطوة الاختبار المسبق، من أجل الحفاظ على درجة معقولة من القدرة التنافسية مع معادلات مجمعة. في نهاية المطاف سيتم تحديد اللغة المختارة لل باكتستينغ من قبل الاحتياجات الخوارزمية محددة وكذلك مجموعة من المكتبات المتاحة في اللغة (أكثر على ذلك أدناه). ومع ذلك، فإن اللغة المستخدمة لباكتستر والبيئات البحثية يمكن أن تكون مستقلة تماما عن تلك المستخدمة في بناء محفظة، وإدارة المخاطر ومكونات التنفيذ، كما سيتبين.

إدارة المحفظة وإدارة المخاطر.

وغالبا ما يتم تجاهل مكونات بناء المحفظة وإدارة المخاطر من قبل تجار التجزئة الخوارزمية. هذا هو دائما تقريبا خطأ. وتوفر هذه الأدوات الآلية التي سيتم من خلالها الحفاظ على رأس المال. فهي لا تحاول فقط التخفيف من عدد الرهانات "المحفوفة بالمخاطر"، بل إنها تقلل أيضا من تقلبات الصفقات نفسها، مما يقلل من تكاليف المعاملات.

يمكن أن يكون للإصدارات المتطورة من هذه المكونات تأثير كبير على جودة وانسجام الربحية. فمن السهل إنشاء استراتيجيات مستقرة حيث يمكن بسهولة تعديل آلية بناء المحفظة ومدير المخاطر للتعامل مع أنظمة متعددة. ومن ثم ينبغي اعتبارها عناصر أساسية في بداية تصميم نظام تجاري حسابي.

وظيفة نظام بناء محفظة هو اتخاذ مجموعة من الصفقات المطلوبة وإنتاج مجموعة من الصفقات الفعلية التي تقلل من زبد، والحفاظ على التعرض لعوامل مختلفة (مثل القطاعات وفئات الأصول والتقلب وغيرها) وتحسين تخصيص رأس المال لمختلف استراتيجيات في محفظة.

غالبا ما يقلل بناء الحافظة من مشكلة الجبر الخطي (مثل معامل المصفوفة)، وبالتالي يعتمد الأداء بشكل كبير على فعالية تنفيذ الجبر الخطي العددي المتوفر. وتشمل المكتبات الشائعة أوبلاس، لاباك و ناغ ل C ++. ماتلاب تمتلك أيضا عمليات مصفوفة الأمثل على نطاق واسع. يستخدم بيثون نومبي / سسيبي لمثل هذه الحسابات. وستتطلب المحفظة التي تمت إعادة توازنها بشكل متكرر مكتبة مصفوفة مجمعة (ومثبتة بشكل جيد!) لتنفيذ هذه الخطوة، حتى لا تعيق نظام التداول.

إدارة المخاطر جزء آخر مهم للغاية من نظام التداول الخوارزمي. يمكن أن تأتي المخاطر في أشكال عديدة: زيادة التقلبات (على الرغم من أن هذا قد يكون مرغوبا فيه لاستراتيجيات معينة!)، وزيادة الارتباطات بين فئات الأصول، والتخلف عن الطرف المقابل، وانقطاعات الخادم، وأحداث "البجعة السوداء"، والبق غير المكتشفة في قانون التداول، على سبيل المثال لا الحصر.

وتسعى مكونات إدارة المخاطر إلى التنبؤ بآثار التقلبات المفرطة والروابط بين فئات األصول وتأثيرها الالحق على رأس المال المتداول. في كثير من الأحيان هذا يقلل إلى مجموعة من الحسابات الإحصائية مثل مونت كارلو "اختبارات الإجهاد". وهذا يشبه إلى حد كبير الاحتياجات الحسابية لمحرك تسعير المشتقات وعلى هذا النحو سوف تكون مرتبطة بو. هذه المحاكاة هي موازية للغاية (انظر أدناه)، وإلى حد ما، فمن الممكن "رمي الأجهزة في المشكلة".

أنظمة التنفيذ.

وتتمثل مهمة نظام التنفيذ في تلقي إشارات تجارية مصفاة من مكونات بناء المحفظة وإدارة المخاطر وإرسالها إلى وساطة أو أي وسيلة أخرى للوصول إلى الأسواق. بالنسبة لمعظم استراتيجيات التداول خوارزمية التجزئة وهذا ينطوي على اتصال أبي أو فيكس إلى الوساطة مثل وسطاء التفاعلية. الاعتبارات الأساسية عند اتخاذ قرار بشأن لغة تشمل جودة أبي، توفر اللغة المجمع ل أبي، وتيرة التنفيذ والانزلاق المتوقع.

تشير "جودة" واجهة برمجة التطبيقات إلى مدى توثيقها بشكل جيد، ونوع الأداء الذي توفره، وما إذا كانت تحتاج إلى برنامج مستقل يمكن الوصول إليه أو ما إذا كان يمكن إنشاء بوابة بطريقة بدون رأس (أي واجهة المستخدم الرسومية). في حالة الوسطاء التفاعليين، يجب أن تعمل أداة ترادر ​​وركستاتيون في بيئة واجهة المستخدم الرسومية من أجل الوصول إلى واجهة برمجة التطبيقات الخاصة بهم. كان لي مرة واحدة لتثبيت طبعة سطح المكتب أوبونتو على خادم سحابة الأمازون للوصول إلى وسطاء التفاعلية عن بعد، بحتة لهذا السبب!

توفر معظم واجهات برمجة التطبيقات واجهة C ++ و / أو جافا. وعادة ما يصل إلى المجتمع لتطوير مغلفات لغة محددة ل C #، بايثون، R، إكسل وماتلاب. لاحظ أنه مع كل الإضافات الإضافية المستخدمة (وخاصة أبي مغلفات) هناك مجال للخلل لزحف إلى النظام. دائما اختبار الإضافات من هذا النوع وضمان الحفاظ عليها بنشاط. مقياس جدير بالاهتمام هو معرفة عدد التحديثات الجديدة التي تم إجراؤها على كودباس في الأشهر الأخيرة.

تردد التنفيذ هو في غاية الأهمية في خوارزمية التنفيذ. لاحظ أن المئات من الطلبات قد يتم إرسالها كل دقيقة، وعلى هذا النحو أمر بالغ الأهمية. سوف يتم تكبد الانزلاق من خلال نظام التنفيذ سيئة الأداء وهذا سيكون له تأثير كبير على الربحية.

تعتبر اللغات التي تمت كتابتها إحصائيا (انظر أدناه) مثل C ++ / جافا بشكل عام مثالية للتنفيذ ولكن هناك مفاضلة في وقت التطوير والاختبار وسهولة الصيانة. اللغات التي يتم كتابتها ديناميكيا، مثل بيثون و بيرل هي الآن بشكل عام "سريع بما فيه الكفاية". تأكد دائما من تصميم المكونات بطريقة نمطية (انظر أدناه) بحيث يمكن "تبديلها" خارجا كما موازين النظام.

التخطيط المعماري وعملية التنمية.

وقد نوقشت أعلاه مكونات نظام تجاري، ومتطلباته من حيث التردد والحجم، غير أنه لم يتم بعد تغطية الهياكل الأساسية للنظام. أولئك الذين يعملون كمتاجر التجزئة أو يعملون في صندوق صغير من المرجح أن "يرتدي قبعات كثيرة". وسوف يكون من الضروري أن تغطي نموذج ألفا، وإدارة المخاطر والتنفيذ المعلمات، وأيضا التنفيذ النهائي للنظام. قبل مناقشة لغات محددة، سيتم مناقشة تصميم بنية النظام الأمثل.

فصل الشواغل.

ومن أهم القرارات التي يجب اتخاذها في البداية كيفية "فصل الشواغل" عن نظام تجاري. في تطوير البرمجيات، وهذا يعني أساسا كيفية تفريق مختلف جوانب النظام التجاري إلى مكونات وحدات منفصلة.

من خلال تعريض الواجهات في كل من المكونات من السهل مبادلة أجزاء من النظام للنسخ الأخرى التي تساعد على الأداء، والموثوقية أو الصيانة، دون تعديل أي رمز التبعية الخارجية. وهذه هي "أفضل الممارسات" لهذه النظم. وبالنسبة للاستراتيجيات في الترددات المنخفضة، ينصح بهذه الممارسات. فبالنسبة لتداول الترددات العالية جدا، قد يكون من الضروري تجاهل قاعدة البيانات على حساب التغيير والتبديل في النظام للحصول على المزيد من الأداء. قد يكون من المرغوب فيه نظام أكثر إحكاما.

إن إنشاء خريطة مكونة لنظام التداول الخوارزمي يستحق مقالا في حد ذاته. ومع ذلك، فإن النهج الأمثل هو التأكد من وجود مكونات منفصلة للمدخلات بيانات السوق التاريخية والحقيقية، وتخزين البيانات، أبي الوصول إلى البيانات، باكتستر، معايير الاستراتيجية، بناء محفظة وإدارة المخاطر وأنظمة التنفيذ الآلي.

على سبيل المثال، إذا كان مخزن البيانات قيد الاستخدام حاليا ضعيفا، حتى عند مستويات كبيرة من التحسين، يمكن تبديله مع الحد الأدنى من إعادة الكتابة إلى ابتلاع البيانات أو أبي الوصول إلى البيانات. بقدر ما باكتستر والمكونات اللاحقة المعنية، ليس هناك فرق.

فائدة أخرى من المكونات فصل هو أنه يسمح لمجموعة متنوعة من لغات البرمجة لاستخدامها في النظام العام. ليست هناك حاجة إلى أن تقتصر على لغة واحدة إذا كانت طريقة الاتصال من مكونات اللغة مستقلة. وسوف يكون هذا هو الحال إذا كانوا التواصل عبر تكب / إب، زيرومق أو بعض بروتوكول آخر اللغة مستقلة.

وكمثال ملموس، يجب النظر في حالة نظام باكتستينغ الذي كتب في C ++ لأداء "طحن عدد"، في حين تتم كتابة مدير محفظة ونظم التنفيذ في بيثون باستخدام سسيبي و إبي.

اعتبارات الأداء.

الأداء هو اعتبار كبير لمعظم استراتيجيات التداول. لاستراتيجيات تردد أعلى هو العامل الأكثر أهمية. "الأداء" يغطي مجموعة واسعة من القضايا، مثل سرعة التنفيذ الخوارزمية، الكمون الشبكة، عرض النطاق الترددي، I / O البيانات، التزامن / التوازي والتحجيم. كل من هذه المجالات هي التي تغطيها بشكل فردي الكتب المدرسية الكبيرة، لذلك هذه المادة سوف تخدش فقط سطح كل موضوع. سيتم الآن مناقشة الهندسة المعمارية واختيار اللغة من حيث آثارها على الأداء.

الحكمة السائدة كما ذكر دونالد نوث، أحد آباء علوم الحاسوب، هو أن "التحسين المبكر هو جذر كل الشر". هذا هو الحال دائما تقريبا - إلا عند بناء خوارزمية التداول عالية التردد! بالنسبة لأولئك الذين يرغبون في استراتيجيات التردد المنخفض، نهج مشترك هو بناء نظام في أبسط طريقة ممكنة وتحسين فقط كما تبدأ الاختناقات في الظهور.

وتستخدم أدوات التنميط لتحديد أين تنشأ الاختناقات. يمكن أن تكون ملامح لجميع العوامل المذكورة أعلاه، إما في بيئة ويندوز أو لينوكس. هناك العديد من أنظمة التشغيل وأدوات اللغة المتاحة للقيام بذلك، فضلا عن المرافق طرف ثالث. وسيتم الآن مناقشة اختيار اللغة في سياق الأداء.

C ++ و جافا و بيثون و R و ماتلاب كلها تحتوي على مكتبات عالية الأداء (إما كجزء من معيارها أو خارجيا) لبنية البيانات الأساسية والعمل الخوارزمي. C ++ السفن مع مكتبة قالب قياسي، في حين يحتوي بيثون نومبي / سسيبي. المهام الرياضية المشتركة هي التي يمكن العثور عليها في هذه المكتبات ونادرا ما تكون مفيدة لكتابة تنفيذ جديد.

ويتمثل أحد الاستثناءات في ما إذا كانت معمارية الأجهزة عالية التخصيص مطلوبة، وأن الخوارزمية تستخدم استخداما موسعا للملحقات الخاصة (مثل مخابئ مخصصة). ومع ذلك، في كثير من الأحيان "إعادة اختراع العجلة" الوقت النفايات التي يمكن أن تنفق بشكل أفضل تطوير وتحسين أجزاء أخرى من البنية التحتية التجارية. وقت التطوير ثمين للغاية وخاصة في سياق المطورين الوحيد.

وكثيرا ما يكون الكمون مشكلة في نظام التنفيذ حيث إن أدوات البحث عادة ما تكون موجودة على نفس الجهاز. بالنسبة إلى السابق، يمكن أن يحدث الكمون عند نقاط متعددة على طول مسار التنفيذ. يجب استشارة قواعد البيانات (زمن الاستجابة للقرص / الشبكة)، يجب إنشاء إشارات (التشغيل المؤقت، زمن استجابة الرسائل)، وإشارات التجارة المرسلة (زمن استجابة نيك) والأوامر المعالجة (زمن الاستجابة الداخلي للتبادل).

لعمليات تردد أعلى من الضروري أن تصبح مألوفة على نحو وثيق مع التحسين الأمثل، فضلا عن الأمثل لنقل الشبكة. هذا هو منطقة عميقة و هو إلى حد كبير خارج نطاق هذه المادة ولكن إذا كان المطلوب خوارزمية أوفت ثم يكون على بينة من عمق المعرفة المطلوبة!

التخزين المؤقت مفيد جدا في مجموعة أدوات مطور التداول الكمي. التخزين المؤقت يشير إلى مفهوم تخزين البيانات التي يتم الوصول إليها بشكل متكرر بطريقة تسمح بالوصول إلى الأداء العالي، على حساب احتمال عدم دقة البيانات. تحدث حالة الاستخدام الشائعة في تطوير الويب عند أخذ البيانات من قاعدة بيانات علائقية تدعمها الأقراص ووضعها في الذاكرة. أي طلبات لاحقة للبيانات لا تضطر إلى "ضرب قاعدة البيانات" وبالتالي مكاسب الأداء يمكن أن تكون كبيرة.

للتداول حالات التخزين المؤقت يمكن أن تكون مفيدة للغاية. على سبيل المثال، يمكن تخزين الحالة الحالية لمحفظة إستراتيجية في ذاكرة التخزين المؤقت حتى يتم إعادة توازنها، بحيث لا تحتاج القائمة إلى إعادة توليدها عند كل حلقة من خوارزمية التداول. من المرجح أن يكون هذا التجميع وحدة المعالجة المركزية عالية أو القرص I / O العملية.

ومع ذلك، التخزين المؤقت لا يخلو من القضايا الخاصة بها. تجديد بيانات ذاكرة التخزين المؤقت في كل مرة، ويرجع ذلك إلى طبيعة فوليلي تخزين ذاكرة التخزين المؤقت، يمكن أن تضع طلبا كبيرا على البنية التحتية. وثمة مسألة أخرى هي تكديس الكلاب، حيث يتم تنفيذ أجيال متعددة من نسخة مخبأ جديدة تحت حمولة عالية للغاية، الأمر الذي يؤدي إلى فشل سلسلة.

تخصيص الذاكرة الديناميكية عملية مكلفة في تنفيذ البرامج. وبالتالي فإنه من الضروري لتطبيقات التداول أداء أعلى أن تكون على بينة جيدا كيف يتم تخصيص الذاكرة وإزالة ديالوكاتد خلال تدفق البرنامج. معايير اللغة الأحدث مثل جافا و C # و بيثون جميعها تؤدي إلى جمع القمامة التلقائي، الذي يشير إلى إلغاء تخصيص الذاكرة التي يتم تخصيصها ديناميكيا عندما تخرج الكائنات من النطاق.

جمع القمامة مفيد للغاية أثناء التطوير لأنه يقلل من الأخطاء ويساعد القراءة. ومع ذلك، فإنه غالبا ما يكون دون المستوى الأمثل لبعض استراتيجيات التداول عالية التردد. عادة ما تكون هناك حاجة لجمع القمامة المخصصة لهذه الحالات. في جافا، على سبيل المثال، من خلال ضبط جامع القمامة وتكوين كومة الذاكرة المؤقتة، فمن الممكن الحصول على أداء عال لاستراتيجيات هفت.

C ++ لا توفر جامع القمامة الأصلي ولذلك فمن الضروري التعامل مع جميع تخصيص الذاكرة / ديالوكاتيون كجزء من تنفيذ كائن. في حين يحتمل أن يكون عرضة للخطأ (يحتمل أن يؤدي إلى مؤشرات التعلق) من المفيد للغاية أن يكون التحكم الدقيق الحبيبات لكيفية ظهور الكائنات على كومة لتطبيقات معينة. عند اختيار لغة تأكد من دراسة كيفية عمل جامع القمامة وما إذا كان يمكن تعديلها لتحسين حالة استخدام معينة.

العديد من العمليات في أنظمة التداول الخوارزمية هي قابلة للتوازي. وهذا يشير إلى مفهوم تنفيذ عمليات برمجية متعددة في نفس الوقت، أي في "موازية". وتشمل ما يسمى بالخوارزميات "الموازية بشكل محرج" خطوات يمكن حسابها بشكل مستقل تماما عن الخطوات الأخرى. بعض العمليات الإحصائية، مثل محاكاة مونتي كارلو، هي مثال جيد للخوارزميات المتوازية بشكل محرج حيث يمكن حساب كل سحب عشوائي وعملية المسار اللاحقة دون معرفة مسارات أخرى.

الخوارزميات الأخرى هي موازية جزئيا فقط. ديناميات السوائل المحاكاة هي مثل هذا المثال، حيث مجال الحساب يمكن تقسيمها، ولكن في نهاية المطاف يجب أن هذه المجالات التواصل مع بعضها البعض، وبالتالي فإن العمليات هي متتابعة جزئية. تخضع الخوارزميات المتوازية لقانون أمدال، الذي يوفر الحد الأعلى النظري لزيادة أداء خوارزمية متوازية عندما يخضع لعمليات $ N $ منفصلة (على سبيل المثال، على وحدة المعالجة المركزية الأساسية أو مؤشر الترابط).

أصبح باراليليساتيون ذات أهمية متزايدة كوسيلة للتحسين منذ ركض سرعة المعالج على مدار الساعة، كما تحتوي المعالجات الأحدث العديد من النوى التي لإجراء حسابات موازية. وقد أدى ارتفاع أجهزة الرسومات الاستهلاكية (في الغالب لألعاب الفيديو) إلى تطوير وحدات المعالجة الرسومية (غبوس)، التي تحتوي على مئات من "النوى" لعمليات متزامنة للغاية. وأصبحت وحدات معالجة الجرافيك هذه بأسعار معقولة جدا. وقد أدت الأطر الرفيعة المستوى، مثل أطر نفيديا، إلى اعتماد واسع النطاق في الأوساط الأكاديمية والمالية.

هذه الأجهزة غبو عادة ما تكون مناسبة فقط للجانب البحثي من التمويل الكمي، في حين يتم استخدام الأجهزة الأخرى أكثر تخصصا (بما في ذلك الميدان بوابة برمجة صفائف - فبغاس) ل (U) هفت. في الوقت الحاضر، معظم اللغات الحديثة تدعم درجة من التزامن / تعدد المواضيع. وبالتالي فمن مباشرة لتحسين باكتستر، لأن جميع الحسابات مستقلة بشكل عام عن الآخرين.

يشير التحجيم في هندسة البرمجيات والعمليات إلى قدرة النظام على التعامل مع الأحمال المتزايدة باستمرار في شكل طلبات أكبر، واستخدام المعالج العالي والمزيد من تخصيص الذاكرة. في التداول الخوارزمي استراتيجية قادرة على نطاق إذا كان يمكن قبول كميات أكبر من رأس المال، ولا تزال تنتج عائدات متسقة. جداول تكديس تكنولوجيا التداول إذا كان يمكن أن تحمل حجم التجارة أكبر وزيادة الكمون، دون الاختناقات.

في حين يجب أن تصمم الأنظمة على نطاق واسع، فإنه غالبا ما يكون من الصعب التنبؤ مسبقا حيث سيحدث عنق الزجاجة. وسيساعد قطع الأشجار، والاختبار، والتنميط، والرصد على نحو كبير في السماح للنظام بتوسيع نطاقه. وغالبا ما توصف اللغات نفسها بأنها "غير قابلة للتغيير". وهذا عادة ما يكون نتيجة للتضليل، وليس الحقيقة الصعبة. هذا هو إجمالي كومة التكنولوجيا التي ينبغي التأكد من قابلية، وليس اللغة. ومن الواضح أن لغات معينة لها أداء أكبر من غيرها في حالات الاستخدام على وجه الخصوص، ولكن لغة واحدة هي "أفضل" أبدا من أي معنى آخر.

إحدى وسائل إدارة المقياس هي فصل المخاوف، كما ذكرنا سابقا. من أجل زيادة القدرة على التعامل مع "المسامير" في النظام (أي التقلبات المفاجئة التي تؤدي إلى مجموعة كبيرة من الصفقات)، فمن المفيد إنشاء "بنية الطابور رسالة". هذا يعني ببساطة وضع نظام طابور الرسائل بين المكونات بحيث تكون الأوامر "مكدسة" إذا كان مكون معين غير قادر على معالجة العديد من الطلبات.

بدلا من أن يتم فقدان الطلبات يتم الاحتفاظ بها ببساطة في كومة حتى يتم التعامل مع الرسالة. هذا مفيد بشكل خاص لإرسال الصفقات إلى محرك التنفيذ. إذا كان المحرك يعاني تحت الكمون الثقيل ثم فإنه سيتم النسخ الاحتياطي الصفقات. وهناك طابور بين مولد إشارة التجارة و أبي التنفيذ تخفيف هذه المسألة على حساب احتمال انزلاق التجارة. A وسيط قائمة انتظار رسالة مفتوحة المصدر يحظى باحترام كبير هو رابيتمق.

الأجهزة وأنظمة التشغيل.

الأجهزة التي تعمل الاستراتيجية الخاصة بك يمكن أن يكون لها تأثير كبير على ربحية خوارزمية الخاص بك. هذه ليست قضية تقتصر على التجار عالية التردد إما. يمكن أن يؤدي اختيار ضعيف في الأجهزة ونظام التشغيل إلى تعطل الجهاز أو إعادة التشغيل في اللحظة الأكثر من غير المناسب. وبالتالي فمن الضروري النظر في المكان الذي سيقام فيه طلبك. الاختيار هو عادة بين جهاز سطح المكتب الشخصي، خادم بعيد، مزود "سحابة" أو خادم تبادل مشترك.

أجهزة سطح المكتب هي بسيطة لتثبيت وإدارة، وخاصة مع أحدث أنظمة التشغيل ودية المستخدم مثل ويندوز 7/8، ماك أوسك وأوبونتو. ولكن أنظمة سطح المكتب تمتلك بعض العيوب الهامة. في المقام الأول هو أن إصدارات أنظمة التشغيل المصممة لآلات سطح المكتب من المرجح أن تتطلب إعادة تمهيد / الترقيع (وغالبا في أسوأ الأوقات!). كما أنها تستخدم المزيد من الموارد الحسابية بحكم تتطلب واجهة المستخدم الرسومية (غوي).

استخدام الأجهزة في المنزل (أو المكتب المحلي) البيئة يمكن أن يؤدي إلى الاتصال بالإنترنت ومشاكل الطاقة الجهوزية. الفائدة الرئيسية لنظام سطح المكتب هو أن القدرة الحصانية الحاسوبية كبيرة يمكن شراؤها لجزء من تكلفة خادم مخصص عن بعد (أو نظام سحابة القائمة) من سرعة مماثلة.

إن الخادم المخصص أو الجهاز القائم على السحابة، في حين غالبا ما يكون أكثر تكلفة من خيار سطح المكتب، يسمح للبنية التحتية أكثر أهمية التكرار، مثل النسخ الاحتياطي للبيانات الآلية، والقدرة على أكثر وضوحا ضمان الجهوزية والرصد عن بعد. فهي أصعب لإدارة لأنها تتطلب القدرة على استخدام قدرات تسجيل الدخول عن بعد من نظام التشغيل.

في ويندوز هذا عموما عن طريق بروتوكول سطح المكتب البعيد واجهة المستخدم الرسومية (رديب). في الأنظمة المستندة إلى أونيكس يتم استخدام سطر الأوامر الآمنة شل (سش). البنية التحتية للخادم المستندة إلى يونيكس هي دائما تقريبا سطر الأوامر على أساس الذي يجعل على الفور أدوات البرمجة القائمة على واجهة المستخدم الرسومية (مثل ماتلاب أو إكسيل) لتكون غير صالحة للاستعمال.

والخادم المتواجد في الموقع، حيث تستخدم العبارة في أسواق رأس المال، هو ببساطة خادم مخصص يتواجد داخل تبادل من أجل تقليل زمن الاستجابة لخوارزمية التداول. وهذا ضروري للغاية لبعض استراتيجيات التداول عالية التردد، والتي تعتمد على الكمون المنخفض من أجل توليد ألفا.

الجانب الأخير لاختيار الأجهزة واختيار لغة البرمجة هو منصة الاستقلال. هل هناك حاجة لتشغيل الشفرة عبر أنظمة تشغيل مختلفة متعددة؟ هل تم تصميم الشفرة ليتم تشغيلها على نوع معين من بنية المعالج، مثل إنتيل x86 / x64 أو هل سيكون من الممكن تنفيذ معالجات ريس مثل تلك المصنعة بواسطة أرم؟ وستعتمد هذه القضايا اعتمادا كبيرا على تواتر ونوع الاستراتيجية الجاري تنفيذها.

المرونة والاختبار.

واحدة من أفضل الطرق لتفقد الكثير من المال على التداول الخوارزمية هو إنشاء نظام مع عدم المرونة. هذا يشير إلى متانة النظام عند التعرض لأحداث نادرة، مثل إفلاس الوساطة، التقلبات المفاجئة المفاجئة، التوقف على نطاق المنطقة لموفر خادم السحابة أو الحذف العرضي لقاعدة بيانات التداول بأكملها. سنوات من الأرباح يمكن القضاء عليها في غضون ثوان مع بنية سيئة التصميم. فمن الضروري للغاية للنظر في قضايا مثل ديبوجنغ، والاختبار، وقطع الأشجار، والنسخ الاحتياطي، وتوافر عالية والرصد والمكونات الأساسية للنظام الخاص بك.

ومن المرجح أنه في أي المعقدة المعقولة معقول تطبيق التداول الكمي على الأقل 50٪ من الوقت اللازم للتنمية سوف تنفق على التصحيح والاختبار والصيانة.

تقريبا جميع لغات البرمجة إما السفينة مع المصحح المصاحبة أو تمتلك بدائل طرف ثالث يحظى باحترام كبير. In essence, a debugger allows execution of a program with insertion of arbitrary break points in the code path, which temporarily halt execution in order to investigate the state of the system. The main benefit of debugging is that it is possible to investigate the behaviour of code prior to a known crash point .

Debugging is an essential component in the toolbox for analysing programming errors. However, they are more widely used in compiled languages such as C++ or Java, as interpreted languages such as Python are often easier to debug due to fewer LOC and less verbose statements. Despite this tendency Python does ship with the pdb, which is a sophisticated debugging tool. The Microsoft Visual C++ IDE possesses extensive GUI debugging utilities, while for the command line Linux C++ programmer, the gdb debugger exists.

Testing in software development refers to the process of applying known parameters and results to specific functions, methods and objects within a codebase, in order to simulate behaviour and evaluate multiple code-paths, helping to ensure that a system behaves as it should. A more recent paradigm is known as Test Driven Development (TDD), where test code is developed against a specified interface with no implementation. Prior to the completion of the actual codebase all tests will fail. As code is written to "fill in the blanks", the tests will eventually all pass, at which point development should cease.

TDD requires extensive upfront specification design as well as a healthy degree of discipline in order to carry out successfully. In C++, Boost provides a unit testing framework. In Java, the JUnit library exists to fulfill the same purpose. Python also has the unittest module as part of the standard library. Many other languages possess unit testing frameworks and often there are multiple options.

In a production environment, sophisticated logging is absolutely essential. Logging refers to the process of outputting messages, with various degrees of severity, regarding execution behaviour of a system to a flat file or database. Logs are a "first line of attack" when hunting for unexpected program runtime behaviour. Unfortunately the shortcomings of a logging system tend only to be discovered after the fact! As with backups discussed below, a logging system should be given due consideration BEFORE a system is designed.

Both Microsoft Windows and Linux come with extensive system logging capability and programming languages tend to ship with standard logging libraries that cover most use cases. It is often wise to centralise logging information in order to analyse it at a later date, since it can often lead to ideas about improving performance or error reduction, which will almost certainly have a positive impact on your trading returns.

While logging of a system will provide information about what has transpired in the past, monitoring of an application will provide insight into what is happening right now . All aspects of the system should be considered for monitoring. System level metrics such as disk usage, available memory, network bandwidth and CPU usage provide basic load information.

Trading metrics such as abnormal prices/volume, sudden rapid drawdowns and account exposure for different sectors/markets should also be continuously monitored. Further, a threshold system should be instigated that provides notification when certain metrics are breached, elevating the notification method (email, SMS, automated phone call) depending upon the severity of the metric.

System monitoring is often the domain of the system administrator or operations manager. However, as a sole trading developer, these metrics must be established as part of the larger design. Many solutions for monitoring exist: proprietary, hosted and open source, which allow extensive customisation of metrics for a particular use case.

Backups and high availability should be prime concerns of a trading system. Consider the following two questions: 1) If an entire production database of market data and trading history was deleted (without backups) how would the research and execution algorithm be affected? 2) If the trading system suffers an outage for an extended period (with open positions) how would account equity and ongoing profitability be affected? The answers to both of these questions are often sobering!

It is imperative to put in place a system for backing up data and also for testing the restoration of such data. Many individuals do not test a restore strategy. If recovery from a crash has not been tested in a safe environment, what guarantees exist that restoration will be available at the worst possible moment?

Similarly, high availability needs to be "baked in from the start". Redundant infrastructure (even at additional expense) must always be considered, as the cost of downtime is likely to far outweigh the ongoing maintenance cost of such systems. I won't delve too deeply into this topic as it is a large area, but make sure it is one of the first considerations given to your trading system.

Choosing a Language.

Considerable detail has now been provided on the various factors that arise when developing a custom high-performance algorithmic trading system. The next stage is to discuss how programming languages are generally categorised.

Type Systems.

When choosing a language for a trading stack it is necessary to consider the type system . The languages which are of interest for algorithmic trading are either statically - or dynamically-typed . A statically-typed language performs checks of the types (e. g. integers, floats, custom classes etc) during the compilation process. Such languages include C++ and Java. A dynamically-typed language performs the majority of its type-checking at runtime. Such languages include Python, Perl and JavaScript.

For a highly numerical system such as an algorithmic trading engine, type-checking at compile time can be extremely beneficial, as it can eliminate many bugs that would otherwise lead to numerical errors. However, type-checking doesn't catch everything, and this is where exception handling comes in due to the necessity of having to handle unexpected operations. 'Dynamic' languages (i. e. those that are dynamically-typed) can often lead to run-time errors that would otherwise be caught with a compilation-time type-check. For this reason, the concept of TDD (see above) and unit testing arose which, when carried out correctly, often provides more safety than compile-time checking alone.

Another benefit of statically-typed languages is that the compiler is able to make many optimisations that are otherwise unavailable to the dynamically - typed language, simply because the type (and thus memory requirements) are known at compile-time. In fact, part of the inefficiency of many dynamically-typed languages stems from the fact that certain objects must be type-inspected at run-time and this carries a performance hit. Libraries for dynamic languages, such as NumPy/SciPy alleviate this issue due to enforcing a type within arrays.

Open Source or Proprietary?

One of the biggest choices available to an algorithmic trading developer is whether to use proprietary (commercial) or open source technologies. There are advantages and disadvantages to both approaches. It is necessary to consider how well a language is supported, the activity of the community surrounding a language, ease of installation and maintenance, quality of the documentation and any licensing/maintenance costs.

The Microsoft stack (including Visual C++, Visual C#) and MathWorks' MatLab are two of the larger proprietary choices for developing custom algorithmic trading software. Both tools have had significant "battle testing" in the financial space, with the former making up the predominant software stack for investment banking trading infrastructure and the latter being heavily used for quantitative trading research within investment funds.

Microsoft and MathWorks both provide extensive high quality documentation for their products. Further, the communities surrounding each tool are very large with active web forums for both. The software allows cohesive integration with multiple languages such as C++, C# and VB, as well as easy linkage to other Microsoft products such as the SQL Server database via LINQ. MatLab also has many plugins/libraries (some free, some commercial) for nearly any quantitative research domain.

There are also drawbacks. With either piece of software the costs are not insignificant for a lone trader (although Microsoft does provide entry-level version of Visual Studio for free). Microsoft tools "play well" with each other, but integrate less well with external code. Visual Studio must also be executed on Microsoft Windows, which is arguably far less performant than an equivalent Linux server which is optimally tuned.

MatLab also lacks a few key plugins such as a good wrapper around the Interactive Brokers API, one of the few brokers amenable to high-performance algorithmic trading. The main issue with proprietary products is the lack of availability of the source code. This means that if ultra performance is truly required, both of these tools will be far less attractive.

Open source tools have been industry grade for sometime. Much of the alternative asset space makes extensive use of open-source Linux, MySQL/PostgreSQL, Python, R, C++ and Java in high-performance production roles. However, they are far from restricted to this domain. Python and R, in particular, contain a wealth of extensive numerical libraries for performing nearly any type of data analysis imaginable, often at execution speeds comparable to compiled languages, with certain caveats.

The main benefit of using interpreted languages is the speed of development time. Python and R require far fewer lines of code (LOC) to achieve similar functionality, principally due to the extensive libraries. Further, they often allow interactive console based development, rapidly reducing the iterative development process.

Given that time as a developer is extremely valuable, and execution speed often less so (unless in the HFT space), it is worth giving extensive consideration to an open source technology stack. Python and R possess significant development communities and are extremely well supported, due to their popularity. Documentation is excellent and bugs (at least for core libraries) remain scarce.

Open source tools often suffer from a lack of a dedicated commercial support contract and run optimally on systems with less-forgiving user interfaces. A typical Linux server (such as Ubuntu) will often be fully command-line oriented. In addition, Python and R can be slow for certain execution tasks. There are mechanisms for integrating with C++ in order to improve execution speeds, but it requires some experience in multi-language programming.

While proprietary software is not immune from dependency/versioning issues it is far less common to have to deal with incorrect library versions in such environments. Open source operating systems such as Linux can be trickier to administer.

I will venture my personal opinion here and state that I build all of my trading tools with open source technologies. In particular I use: Ubuntu, MySQL, Python, C++ and R. The maturity, community size, ability to "dig deep" if problems occur and lower total cost ownership (TCO) far outweigh the simplicity of proprietary GUIs and easier installations. Having said that, Microsoft Visual Studio (especially for C++) is a fantastic Integrated Development Environment (IDE) which I would also highly recommend.

Batteries Included?

The header of this section refers to the "out of the box" capabilities of the language - what libraries does it contain and how good are they? This is where mature languages have an advantage over newer variants. C++, Java and Python all now possess extensive libraries for network programming, HTTP, operating system interaction, GUIs, regular expressions (regex), iteration and basic algorithms.

C++ is famed for its Standard Template Library (STL) which contains a wealth of high performance data structures and algorithms "for free". Python is known for being able to communicate with nearly any other type of system/protocol (especially the web), mostly through its own standard library. R has a wealth of statistical and econometric tools built in, while MatLab is extremely optimised for any numerical linear algebra code (which can be found in portfolio optimisation and derivatives pricing, for instance).

Outside of the standard libraries, C++ makes use of the Boost library, which fills in the "missing parts" of the standard library. In fact, many parts of Boost made it into the TR1 standard and subsequently are available in the C++11 spec, including native support for lambda expressions and concurrency.

Python has the high performance NumPy/SciPy/Pandas data analysis library combination, which has gained widespread acceptance for algorithmic trading research. Further, high-performance plugins exist for access to the main relational databases, such as MySQL++ (MySQL/C++), JDBC (Java/MatLab), MySQLdb (MySQL/Python) and psychopg2 (PostgreSQL/Python). Python can even communicate with R via the RPy plugin!

An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API. Most APIs natively support C++ and Java, but some also support C# and Python, either directly or with community-provided wrapper code to the C++ APIs. In particular, Interactive Brokers can be connected to via the IBPy plugin. If high-performance is required, brokerages will support the FIX protocol.

استنتاج.

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.

مجرد بدء مع التداول الكمي؟

3 أسباب الاشتراك في قائمة البريد الإلكتروني كوانتستارت:

1. دروس التداول الكمي.

سوف تحصل على إمكانية الوصول الفوري إلى دورة مجانية 10-البريد الإلكتروني معبأة مع تلميحات ونصائح لمساعدتك على البدء في التداول الكمي!

2. جميع أحدث المحتوى.

كل أسبوع سوف نرسل لك التفاف جميع الأنشطة على كوانتستارت لذلك عليك أن لا يفوتون وظيفة مرة أخرى.

ريال مدريد، وقابلة للتنفيذ نصائح التداول الكمي مع أي هراء.

التداول مع بيثون.

Saturday, May 20, 2017.

Yahoo is dead, long live Yahoo!

Note: the data provided seems to be adjusted for splits, but not for dividends.

Saturday, February 20, 2018.

A simple statistical edge in SPY.

It occurred to me that most of the time that there is much talk in the media about the market crashing (after big losses over several days timespan), quite a significant rebound sometimes follows.

In the past I've made a couple of mistakes by closing my positions to cut losses short, just to miss out a recovery in the following days.

After a period of consecutive losses, many traders will liquidate their positions out of fear for even larger loss. Much of this behavior is governed by fear, rather than calculated risk. Smarter traders come in then for the bargains.

After consectutive 3 or more losses, go long. Exit on next close.

This does not look bad at all! Looking a the sharpe ratios the strategy scores a descent 2.2 versus 0.44 for the B&H. This is actually pretty good! ( don't get too excited though, as I did not account for commision costs, slippage etc ).

While the strategy above is not something that I would like to trade simply because of the long time span, the theory itself provokes futher thoughts that could produce something useful. If the same principle applies to intraday data, a form of scalping strategy could be built. In the example above I've oversimplified the world a bit by only counting the *number* of down days, without paying attention to the depth of the drawdown. Also, position exit is just a basic 'next-day-close' . There is much to be improved, but the essence in my opinion is this:

Monday, November 17, 2018.

Trading VXX with nearest neighbors prediction.

My definition of these two is:

volatility premium = VIX-realizedVol delta (term structure slope) = VIX-VXV.

Combining both premium and delta into one model has been a challenge for me, but I always wanted to do a statistical approximation. In essence, for a combination of (delta, premium), I'd like to find all historic values that are closest to the current values and make an estimation of the future returns based on them. A couple of times I've started writing my own nearest-neighbor interpolation algorithms, but every time I had to give up. until I came across the scikit nearest neighbors regression. It enabled me to quickly build a predictor based on two inputs and the results are so good, that I'm a bit worried that I've made a mistake somewhere.

create a dataset of [ delta, premium ] -> [ VXX next day return ] (in-of-sample) create a nearest-neighbor predictor based on the dataset above trade strategy (out-of-sample) with the rules: go long if predicted return > 0 go short if predicted return <0.

In the last two plots, the strategy seems to perform the same in - and out-of-sample. Sharpe ratio is around 2.3.

I'm very pleased with the results and have the feeling that I've only been scratching the surface of what is possible with this technique.

Wednesday, July 16, 2018.

Simple backtesting module.

My search of an ideal backtesting tool (my definition of 'ideal' is described in the earlier 'Backtesting dilemmas' posts) did not result in something that I could use right away. However, reviewing the available options helped me to understand better what I really want. Of the options I've looked at, pybacktest was the one I liked most because of its simplicity and speed. After going through the source code, I've got some ideas to make it simpler and a bit more elegant. From there, it was only a small step to writing my own backtester, which is now available in the TradingWithPython library.

find entry and exits -> calculate pnl and make plots with backtester -> post-process strategy data.

Saturday, June 7, 2018.

Boosting performance with Cython.

5k samples as test data. Here comes the original version of my drawdown function (as it is now implemented in the TradingWithPython library)

Hmm 1.2 seconds is not too speedy for such a simple function. There are some things here that could be a great drag to performance, such as a list *highwatermark* that is being appended on each loop iteration. Accessing Series by their index should also involve some processing that is not strictly necesarry. Let's take a look at what happens when this function is rewritten to work with numpy data.

Well, this is much faster than the original function, approximately 40x speed increase. Still there is much room for improvement by moving to compiled code with cython Now I rewrite the dd function from above, but using optimisation tips that I've found on the cython tutorial . Note that this is my first try ever at optimizing functions with Cython.

Wow, this version runs in 122 micro seconds, making it ten thousand times faster than my original version! I must say that I'm very impressed by what the Cython and IPython teams have achieved! The speed compared with ease of use is just awesome!

ملاحظة I used to do code optimisations in Matlab using pure C and. mex wrapping, it was all just pain in the ass compared to this.

Tuesday, May 27, 2018.

Backtesting dilemmas: pyalgotrade review.

First impression: actively developed, pretty good documentation, more than enough feautures ( TA indicators, optimizers etc) . Looks good, so I went on with the installation which also went smoothly.

The tutorial seems to be a little bit out of date, as the first command yahoofinance. get_daily_csv() throws an error about unknown function. No worries, the documentation is up to date and I find that the missing function is now renamed to yahoofinance. download_daily_bars(symbol, year, csvFile) . The problem is that this function only downloads data for one year instead of everything from that year to current date. So pretty useless.

After I downloaded the data myself and saved it to csv, I needed to adjust the column names because apparently pyalgotrade expects Date, Adj Close, Close, High, Low, Open, Volume to be in the header. That is all minor trouble.

Following through to performance testing on an SMA strategy that is provided in the tutorial. My dataset consists of 5370 days of SPY:

That is actually pretty good for an event-based framework.

But then I tried searching documentation for functionality needed to backtest spreads and multiple asset portfolios and just could not find any. Then I tried to find a way to feed pandas DataFrame as an input to a strategy and it happens to be not possible, which is again a big disappointment. I did not state it as a requirement in the previous post, but now I come to realisation that pandas support is a must for any framework that works with time series data. Pandas was a reason for me to switch from Matlab to Python and I never want to go back.

Conclusion pyalgotrade does not meet my requrement for flexibility. It looks like it was designed with classic TA in mind and single instrument trading. I don’t see it as a good tool for backtesting strategies that involve multiple assets, hedging etc.

Monday, May 26, 2018.

Backtesting dilemmas.

Be good approximation of the real world. This one is of course the most important requirement . Allow unlimited flexibility: the tooling should not stand in the way of testing out-of-the-box ideas. Everything that can be quantified should be usable. Be easy to implement & maintain. It is all about productivity and being able to test many ideas to find one that works. Allow for parameter scans, walk-forward testing and optimisations. This is needed for investigating strategy performance and stability depending on strategy parameters. The problem with satisfying all of the requirements above is that #2 and #3 are conflicting ones. There is no tool that can do everything without the cost of high complexity (=low maintainablity). Typically, a third party point-and-click tool will severely limit freedom to test with custom signals and odd portfolios, while at the other end of the spectrum a custom-coded diy solution will require tens or more hours to implement with high chances of ending up with cluttered and unreadable code. So in attempt to combine the best of both worlds, let’s start somewehere in the middle: use an existing backtesting framework and adapt it to our taste.

In the following posts I’ll be looking at three possible candidates I’ve found:

Zipline is widely known and is the engine behind Quantopian PyAlgotrade seems to be actively developed and well-documented pybacktest is a light-weight vector-based framework with that might be interesting because of its simplicity and performance. I’ll be looking at suitability of these tools benchmarking them against a hypothetical trading strategy. If none of these options fits my requirements I will have to decide if I want to invest into writing my own framework (at least by looking at the available options I’ll know what does not work) or stick with custom code for each strategy.

First one for the evaluation is Zipline .

My first impression of Zipline and Quantopian is a positive one. Zipline is backed by a team of developers and is tested in production, so quality (bugs) should be great. There is good documentation on the site and an example notebook on github .

To get a hang of it, I downloaded the exampe notebook and started playing with it. To my disappointment I quickly run into trouble at the first example Simplest Zipline Algorithm: Buy Apple . The dataset has only 3028 days, but running this example just took forever. Here is what I measured:

I did not expect stellar performance as zipline is an event-based backtester, but almost a minute for 3000 samples is just too bad. This kind of performance would be prohibitive for any kind of scan or optimization. Another problem would arise when working with larger datasets like intraday data or multiple securities, which can easily contain hundreds of thousands of samples.

Unfortunately, I will have to drop Zipline from the list of useable backtesters as it does not meet my requirement #4 by a fat margin.

In the following post I will be looking at PyAlgotrade.

Note: My current system is a couple of years old, running an AMD Athlon II X2 @2800MHZ with 3GB of RAM. With vector-based backtesting I’m used to calculation times of less than a second for a single backtest and a minute or two for a parameter scan. A basic walk-forward test with 10 steps and a parameter scan for 20x20 grid would result in a whooping 66 hours with zipline. I’m not that paitient.

الأربعاء، 15 يناير، 2018.

Starting IPython notebook from windows file exlorer.

Monday, January 13, 2018.

Leveraged ETFs in 2018, where is your decay now?

Knowing the leveraged etf behavior I would expect that leveraged etfs outperformed their benchmark, so the strategy that would try to profit from the decay would lose money.

Once we normalize the prices to 100$ at the beginning of the backtest period (250 days) it is apparent that the 2x etf outperforms 1x etf.

Full source code of the calculations is available for the subscribers of the Trading With Python course. Notebook #307.

Thursday, January 2, 2018.

Putting a price tag on TWTR.

Price derived from user value.

TWTR is currently more valuable per user thatn FB or LNKD. This is not logical as both competitors have more valuable personal user data at their disposal. GOOG has been excelling at extracting ad revenue from its users. To do that, it has a set of highly diversified offerings, from search engine to Google+ , Docs and Gmail. TWTR has nothing resembling that, while its value per user is only 35% lower thatn that of Google. TWTR has a limited room to grow its user base as it does not offer products comparable to FB or GOOG offerings. TWTR has been around for seven years now and most people wanting an accout have got their chance. The rest just does not care. TWTR user base is volatile and is likely to move to the next hot thing when it will become available.

Price derived from future earnings.

استنتاج.

Thursday, September 19, 2018.

Trading With Python course available!

Sunday, August 18, 2018.

Short VXX strategy.

In an ideal world, if you hold it long enough, a profit generated by time decay in the futures and etn rebalancing is guaranteed, but in the short term, you'd have to go through some pretty heavy drawdowns. Just look back at the summer of 2018. I have been unfortunate (or foolish) enough to hold a short VXX position just before the VIX went up. I have almost blown my account by then: 80% drawdown in just a couple of days resulting in a threat of margin call by my broker. Margin call would mean cashing the loss. This is not a situation I'd ever like to be in again. I knew it would not be easy to keep head cool at all times, but experiencing the stress and pressure of the situation was something different. Luckily I knew how VXX tends to behave, so I did not panic, but switched side to XIV to avoid a margin call. The story ends well, 8 month later my portfolio was back at strength and I have learned a very valuable lesson.

Having said that, let's take a look at a strategy that minimizes some of the risks by shorting VXX only when it is appropriate.

The chart above shows VIX-VXV data since January 2018. Data points from last year are shown in red.

I have chosen to use a quadratic fit between the two, approximating VXV = f(VIX) . The f(VIX) is plotted as a blue line.

The values above the line represent situation when the futures are in stronger than normal contango. Now I define a delta indicator, which is the deviation from the fit: delta = VXV-f(VIX).

It is apparent that green areas correspond to a negative returns in the VXX.

Short VXX when delta > 0 Constant capital ( bet on each day is 100$) No slippage or transaction costs.

Getting short volume from BATS.

Thursday, August 15, 2018.

Building an indicator from short volume data.

We need more information additional to what is contained the price to make a more informed guess about what is going to happen in the near future. An excellent example of combining all sorts of info to a clever analysis can be found on the The Short Side of Long blog. Producing this kind of analysis requires a great amount of work, for which I simply don't have the time as I only trade part-time.

So I built my own 'market dashboard' that automatically collects information for me and presents it in an easily digestible form. In this post I'm going to show how to build an indicator based on short volume data. This post will illustrate the process of data gathering and processing.

BATS exchange provides daily volume data for free on their site.

Short volume data of the BATS exchange is contained in a text file that is zipped. Each day has its own zip file. After downloading and unzipping the txt file, this is what's inside (first several lines):

This data is needs quite some work before it can be presented in a meaningful manner.

What I really want is not just the data for one day, but a ratio of short volume to total volume for the past several years, and I don't really feel like downloading 500+ zip files and copy-pasting them in excel manually.

Luckily, full automation is only a couple of code lines away:

First we need to dynamically create an url from which a file will be downloaded:

Step 5: Make a chart:

Sunday, March 17, 2018.

Trading With Python course - status update.

Starting today I will be preparing a new website and material for the course, which will start in the second week of April.

Thursday, January 12, 2018.

Reconstructing VXX from CBOE futures data.

The scripts below automate this process. The first one, downloadVixFutures. py , gets the data from cboe, saves each file in a data directory and then combines them in a single csv file, vix_futures. csv.

The second script reconstructVXX. py parses the vix_futures. csv, calculates the daily returns of VXX and saves results to reconstructedVXX. csv .

To check the calculations, I've compared my simulated results with the SPVXSTR index data, the two agree pretty well, see the charts below.

Code for reconstructing the VXX.

Monday, December 26, 2018.

howto: Observer pattern.

A listener class can be of any type, here I make a bunch of ExampleListener classes, named Bob, Dave & Charlie. All of them have a method, that is that is subscribed to Sender . The only special thing about the subscribed method is that it should contain three parameters: sender, event, message . Sender is the class reference of the Sender class, so a listener would know who sent the message. Event is an identifier, for which I usually use a string. Optionally, a message is the data that is passed to a function.

A nice detail is that if a listener method throws an exception, it is automatically unsubscribed from further events.

Wednesday, December 14, 2018.

Plotting with guiqwt.

data aquisition: ibpy & tradingWithPython. lib. yahooData - check.

data container: pandas & sqlite - check.

plotting library: matplotlib - ehm. لا.

But as it often happens with Python, somebody, somewhere has already written a kick-ass toolkit that is just perfect for the job. And it looks like guiqwt is just it. Interactive charts are just a couple of code lines away now, take a look at an example here: Creating curve dialog . For this I used guiqwt example code with some minor tweaks.

. If only I knew how to set dates on the x-axis.

Friday, November 4, 2018.

How to setup Python development environment.

2. Install Tortoise SVN. This is a utility that you need to pull the source code from Google Code.

3. Install Pandas (time series library)

To get the code, use 'Svn Checkout' windows explorer context menu that is available after installing Tortoise SVN. Checkout like this (change Checkout directory to the location you want, but it should end with tradingWithPython ):

Ok, all done, now you can run the examples from \cookbok dir.

Friday, October 28, 2018.

kung fu pandas will solve your data problems.

Some time ago I've come across a data analysis toolkit pandas especially suited for working with financial data. After just scratching the surface of its capabilities I'm already blown away by what it delivers. The package is being actively developed by Wes McKinney and his ambition is to create the most powerful and flexible open source data analysis/manipulation tool available. Well, I think he is well on the way!

Here is the result:

Man, this could have saved me a ton of time! But it still will help me in the future, as I'll be using its DataFrame object as a standard in my further work.