Algorithmic Trading System Architecture. Ennen tätä blogia olen kirjoittanut älykkään algoritmisen kaupankäyntijärjestelmän käsitteellisestä arkkitehtuurista sekä tuotannon algoritmisen kaupankäyntijärjestelmän toiminnallisista ja ei-toiminnallisista vaatimuksista. Sen jälkeen olen suunnitellut järjestelmäarkkitehtuurin, jonka uskoisin voivani täyttävät nämä arkkitehtoniset vaatimukset Tässä artikkelissa kuvataan arkkitehtuuria noudattamalla ISO IEC IEEE 42010 - järjestelmien ja ohjelmistosuunnittelun arkkitehtuurin kuvausstandardin ohjeita. Tämän standardin mukaan arkkitehtuurin kuvaus on. Sisältää useita standardoituja arkkitehtuurinäkymiä esim. UML: ssä. suunnittelupäätöksiä ja arkkitehtonisia vaatimuksia. Ohjelmistoarkkitehtuurin määritelmä. Järjestelmän arkkitehtuurista ei ole vielä yksimielisyyttä Tässä artikkelissa määritellään infrastruktuuri, johon sovelluskomponentit, jotka täyttävät toiminnalliset vaatimukset, voidaan määrittää, käyttöön ja toteutettu Toiminnalliset vaatimukset ovat järjestelmän ja sen komponenttien odotetut toiminnot Ei-toiminnalliset vaatimukset ovat toimenpiteitä, joiden avulla voidaan mitata järjestelmän laatua. Järjestelmä, joka täysin täyttää toiminnalliset vaatimukset, ei silti voi täyttää odotuksia, jos ei-toiminnalliset vaatimukset jätetään tyytymättöminä Tämän konseptin havainnollistamiseksi ota huomioon seuraava skenaario, jonka olet juuri ostanut rakennettu algoritminen kaupankäyntijärjestelmä tekee erinomaisia kaupankäyntipäätöksiä, mutta se ei ole täysin toimintakykyinen organisaatioiden riskienhallinta - ja kirjanpitojärjestelmien kanssa. Olisiko järjestelmä vastaamaan odotuksiasi. Konseptuaalinen arkkitehtuuri. näkymässä kuvataan korkean tason käsitteitä ja mekanismeja, jotka ovat järjestelmässä korkeimmalla tasolla. Tällä tasolla algoritminen kaupankäyntijärjestelmä seuraa tapahtumavetoisen arkkitehtuurin EDA, joka on hajotettu neljään kerrokseen, ja kaksi arkkitehtonista näkökulmaa Jokaiselle kerrokselle ja puolen viitearkkitehtuurille ja malleja ar Käytetään Arkkitehtonisia malleja on todistettu, geneerisiä rakenteita erityisten vaatimusten saavuttamiseksi Arkkitehtonäkökohtia ovat monialaisia huolenaiheita, jotka ulottuvat useisiin komponentteihin. Ajamainen arkkitehtuuri - arkkitehtuuri, joka tuottaa, havaitsee, kuluttaa ja reagoi tapahtumiin Tapahtumia ovat reaaliaikaiset markkinaliikkeet, monimutkaiset tapahtumia tai trendejä ja kauppatapahtumia, esim. tilauksen lähettäminen. Tämä kaavio havainnollistaa algoritmisen kaupankäyntijärjestelmän käsitteellistä arkkitehtuuria. References Arkkitehtuurit. Analogian käyttämiseksi referenssiarkkitehtuuri on samanlainen kuin kantavien seinien piirustukset. Tämä sininen painatus voidaan käyttää uudelleen useisiin rakennussuunnitelmiin riippumatta siitä, mitä rakennusta rakennetaan, koska se täyttää joukon yleisesti esiintyviä vaatimuksia Samoin viitearkkitehtuuri määrittelee mallin, joka sisältää geneerisiä rakenteita ja mekanismeja, joita voidaan käyttää rakentamaan konkreettinen ohjelmistoarkkitehtuuri, joka täyttää erityisvaatimukset Arkkitehtuuri algoritmiselle tr ading-järjestelmä käyttää avaruuspohjaista arkkitehtuuria SBA ja mallinäkymän ohjain MVC-referenssinä. Käytettävissä ovat myös hyvät käytännöt, kuten toimintatietojen tallennus ODS, ekstraktimuunnos ja lataus ETL-kuvio ja datavarasto DW. Mallinäkymän ohjain - kuvio, joka erottaa informaation esityksen käyttäjän vuorovaikutuksesta sen kanssa. Space-pohjainen arkkitehtuuri - määrittää infrastruktuurin, jossa löyhästi kytketty prosessointiyksiköt vuorovaikutteisesti toisiinsa jaetun assosioitumismuistin kautta, jota kutsutaan jäljempänä esitetyksi tilaksi. Space-pohjainen arkkitehtoninen käsitteellinen näkymä Malli View Controller alkuperäinen kuva. Rakennetut näkymät. Arkkitehtuurin rakenteellinen kuva näyttää algoritmisen kaupankäyntijärjestelmän komponentit ja osa-osat. Se osoittaa myös, miten nämä komponentit käytetään fyysiseen infrastruktuuriin. Tässä näkymässä käytetyt UML-kaaviot sisältävät komponenttipiirrokset ja käyttöönottokaaviot. Alla on galleria yleisen algoritmisen kaupankäyntijärjestelmän ja p SBA-referenssiarkkitehtuurissa käytettävät yksiköt sekä niihin liittyvät komponenttikaaviot kullekin tasolle. Algoritmiset kaupankäynnin järjestelmät korkean tason käyttöönottokaavio SBA-käsittelyyksiköt käyttöönottokuvio Tilauskäsittelykerroksen komponenttikaavio Automaattinen kauppias tapahtumakäsittelykomponenttikaavio Tietolähde ja esikäsittelykerros osa-kaavio MVC-pohjainen käyttöliittymäkomponenttikaavio. Arkkitehtoniset taktiikat. Ohjelmistotekniikan instituutin mukaan arkkitehtoninen taktiikka on keino täyttää laatuvaatimus manipuloimalla osa ominaisuusmallin arkkitehtonisia suunnittelupäätöksiä käyttäen. Yksinkertainen esimerkki algoritmikaupassa järjestelmäarkkitehtuuri manipuloi toiminnallista tietovarastoa ODS jatkuvalla kyselykomponentilla Tämä komponentti analysoi jatkuvasti ODS: ää monimutkaisten tapahtumien tunnistamiseksi ja poistamiseksi Seuraavassa käytetään arkkitehtuurissa käytettäviä taktiikoita. Tapahtuman häiriökuvio ja tilausjonoja. tapahtumaa ja tilausjonoja. Kokeellinen kyselykieli CQL ODS. Data suodatus suodattimen suunnittelukuvion saapuvan data. Congestion välttäminen algoritmeja kaikkiin saapuvien ja lähtevien yhteyksien. Active jono hallinta AQM ja nimenomainen ylikuormitus notificationmodity laskentaresurssit ja kapasiteetti päivittää skaalautuva. Active irtisanominen kaikille yksittäisille epäonnistumispaikoille. Esitys ja optimoidut pysyvyys rakenteet ODS. Schedule säännöllisesti tietojen varmuuskopiointi ja puhdistus-skriptejä ODS. Transaction historiat kaikissa tietokannoissa. Checksums kaikkien tilausten havaita vikoja. Notteile tapahtumia aikaleimat ohittaa vanhentuneita tapahtumia. Järjestelmänvalidointisäännöt, esim. suurimmat kaupankäyntimääräykset. Automaattiset kauppiaskomponentit käyttävät muistiin tallennettua tietokantaa analysointia varten. Kahden vaiheen autentikointi käyttöliittymien yhteydelle, joka liitetään ATs. Encryptionin käyttöliittymiin ja AT: n yhteyksiin. MVC hallitsee näkymiä. Yllä oleva luettelo on vain muutamia suunnittelupäätöksiä, jotka olen tunnistanut arkkitehtuurin suunnittelu Ei ole täydellinen luettelo taktiikoista Koska järjestelmää kehitetään, ylimääräisiä taktiikoita on käytettävä useiden eri tasojen rakeisuuden suhteen funktionaalisten ja ei-toiminnallisten vaatimusten täyttämiseksi Alla on kolme kaaviota, jotka kuvaavat häiriöiden suunnittelumallin, ja jatkuva kyselykomponentti. Jatkuva kyselykomponentti-kaavio Disruptor-mallin kuvio - luokan kaaviolähde Suodattimen mallinluokka-kaavio. Mallinäyttö. Tämä arkkitehtuurin näkymä osoittaa, kuinka komponentit ja kerrokset toimivat vuorovaikutteisesti. Tämä on hyödyllistä, kun luodaan skenaarioita arkkitehtuurin testaamiseksi malleja ja järjestelmän ymmärtämistä päästä päähän Tämä näkymä koostuu sekvenssikaaviosta ja toimintokaaviosta Toimintakaaviot, jotka esittävät algoritmisen kaupankäyntijärjestelmän sisäisen prosessin ja miten kauppiaat oletetaan toimivan vuorovaikutuksen kanssa algoritmisen kaupankäyntijärjestelmän kanssa, esitetään alla. Algoritmisen kauppiaan vuorovaikutus End-to-end algoritmiskauppa Teknologia ja kehykset. Viimeinen vaihe ohjelmistokehityksen suunnittelussa on tunnistaa mahdolliset teknologiat ja kehykset, joita voitaisiin käyttää arkkitehtuurin toteuttamiseen. Yleisenä periaatteena on parempi hyödyntää nykyisiä tekniikoita edellyttäen, että ne täyttävät riittävästi sekä toiminnalliset ja ei-funktionaaliset vaatimukset Kehys on toteutettu referenssiarkkitehtuuri, esim. JBoss on kehys, joka toteuttaa JEE-referenssiarkkitehtuurin Seuraavat teknologiat ja kehykset ovat mielenkiintoisia ja niitä on syytä harkita algoritmisen kaupankäyntijärjestelmän toteutuksessa. CUDA - NVidia on useita tuotteita, jotka tukevat korkeaa suorituskykyinen laskennallinen finanssimallinnus Voidaan saavuttaa enintään 50x suorituskyvyn parannuksia suoritettaessa Monte Carlo-simulaatioita GPU: ssa CPU: n sijasta. Apache River - River on työkalu, jota käytetään kehittävien hajautettujen järjestelmien kehittämiseen. Se on käytetty kehyksenä sovellusten SBA-mallilla. Apache Hadoop - e että Hadoopin käyttö on mielenkiintoinen ratkaisu suuriin tietoihin liittyvään ongelmaan Hadoopia voidaan käyttää CUDA-tekniikoita tukevassa klusteroituneessa ympäristössä. AlgoTrader - avoimen lähdekoodin algoritmisen kaupankäynnin alustan AlgoTrader voitaisiin mahdollisesti käyttää automaattisten kauppiaskomponenttien paikka. FIX Engine - itsenäinen sovellus, joka tukee FIX-, FIX-, FIX - ja FIXatdl-rahoitustietokantojen FIX-protokollia. Vaikka tekniikkaa tai kehystä ei olisi, komponentit olisi rakennettava sovellusohjelmointirajapinta API: n avulla yhteentoimivuuden parantamiseksi järjestelmä ja sen komponentit. Ehdotettu arkkitehtuuri on suunniteltu vastaamaan hyvin yleisiä vaatimuksia tunnistettu algoritmisen kaupankäynnin järjestelmät Yleisesti ottaen algoritmiset kaupankäynnin järjestelmät ovat monimutkaisia kolme tekijää, jotka vaihtelevat kunkin toteutuksen. riippuvuudet ulkoisten yritys - ja vaihtojärjestelmien kanssa. and. Ev Näin ollen ehdotettua ohjelmistoarkkitehtuuria olisi mukautettava tapauskohtaisesti erityisten organisaatio - ja sääntelyvaatimusten tyydyttämiseksi sekä alueellisten rajoitusten poistamiseksi Algoritmisen kauppajärjestelmän arkkitehtuurin tulisi nähdä vain viitekehys yksityishenkilöille ja organisaatioille, jotka haluavat suunnitella omia algoritmisten kaupankäyntijärjestelmiensa. Käytä täydellistä kopiota ja lähteitä, jos haluat ladata raportin jäljennöksen. Kiitos. Best ohjelmointikieli algoritmisille kaupankäyntijärjestelmille. Yksi yleisimmistä kysymyksistä, joita saan QS-postilaukku on Mikä on paras ohjelmointikieli algoritmikaupalle Lyhyt vastaus on, että ei ole olemassa parasta kieltä Strategiaparametrit, suorituskyky, modulaarisuus, kehitys, joustavuus ja kustannukset on otettava huomioon Tässä artikkelissa kuvataan algoritmisen kaupankäynnin välttämättömät komponentit järjestelmän arkkitehtuuri ja miten täytäntöönpanoa koskevat päätökset vaikuttavat algoritmisen kaupankäyntijärjestelmän tärkeimpiä osia, kuten tutkimusvälineitä, portfoliooptimointia, riskienhallintaohjelmaa ja toteutuskonetta. Seuraavaksi tutkitaan erilaisia kaupankäyntistrategioita ja miten ne vaikuttavat järjestelmän suunnitteluun. kaupankäynnin taajuus ja todennäköinen kaupankäyntimäärä. Sekä kaupankäynnin strategiasta on valittu, että koko järjestelmä on arkkitehtuuri. Tämä sisältää laitteiston valinnan, käyttöjärjestelmän ja järjestelmän joustavuuden harvinaisia, mahdollisesti katastrofaalisia tapahtumia vastaan. arkkitehtuuria harkitaan, huomiota on kiinnitettävä suorituskykyyn sekä tutkimustyökaluilla että suorana toteutusympäristössä. Mitä kaupankäyntijärjestelmä yrittää tehdä? Ennen kuin päätät parhaasta kielestä, jolla kirjoitetaan automaattisen kauppajärjestelmän on tarpeen määritellä vaatimukset Järjestelmä menee pelkästään toteutukseen Perustuu: Järjestelmä vaatii riskienhallintaa nt - tai portfolionmuodostusmoduuli Vaaditaanko järjestelmä korkean suorituskyvyn backtesteri Useimmille strategioille kaupankäyntijärjestelmä voidaan jakaa kahteen luokkaan Tutkimus - ja signaaligeneraatio. Kohtelu koskee strategisen suorituskyvyn arviointia historiatietoihin Kaupankäyntistrategian arvioimisprosessi aikaisempaa markkinatietoa kutsutaan takaisinkytkentäksi Tiedon koko ja algoritminen monimutkaisuus vaikuttavat merkittävästi takaisinkytkimen suorittimen nopeuden laskennalliseen intensiteettiin ja samankaltaisuus ovat usein rajoittavia tekijöitä tutkimuksen toteutumisnopeuden optimoinnissa. Signaalin sukupolvessa on kyse siitä, että muodostetaan joukko kaupankäynnin signaalit algoritmista ja lähettäminen tällaisille tilauksille markkinoilla, yleensä välityksen kautta. Tietyissä strategioissa vaaditaan korkeaa suorituskykyä. IO-ongelmat, kuten verkkokaistanleveys ja latenssi ovat usein rajoittava tekijä optimoimalla toteutusjärjestelmiä. jokainen järjestelmän koko osa voi olla varsin erilainen Vuokrausstrategia, taajuus ja volyymi. Käytetyn algoritmistrategian tyyppi vaikuttaa olennaisesti järjestelmän suunnitteluun. Kaupan markkinoita, yhteyksiä ulkoisiin datan myyjiin, taajuuden ja volyymien strategia, kehitysyhteistyön helppous ja suorituskyvyn optimointi sekä mahdolliset mukautetut laitteet, mukaan lukien yhteensopivat muokatut palvelimet, GPU: t tai FPGA: t. Teknologian valinnat matalan taajuuden amerikkalaisia osakkeita varten ovat jotka poikkeavat huomattavasti korkeataajuisen tilastollisen arbitraasistrategian kaupankäynnistä futuurimarkkinoilla Ennen kielen valitsemista on arvioitava useita tietomyyjiä, jotka liittyvät kyseiseen strategiaan. On otettava huomioon yhteys verkon myyjään, rakenteeseen minkä tahansa API: n, datan oikea-aikaisuuden, varastointivaatimusten ja joustavuuden suhteen, kun myyjä on offline-tilassa. On myös viisasta pitää nopea pääsy useille myyjille Va Kaikilla näillä välineillä on omat varastokirjoitukset, joista esimerkkejä ovat useat tunnistekilvet symboleille ja futuuripäivät futuurien osalta, joista ei mainita mitään erityisiä OTC-tietoja. Tämä on otettava huomioon alustan suunnittelussa. Strategian taipumus on todennäköisesti yksi tärkeimmät tekijät teknologian pinon määrittelyssä Strategiat, jotka käyttävät dataa useammin kuin minuuttisesti tai toisaalta palkit, edellyttävät huomattavaa suorituskyvyn huomioon ottamista. Strategia ylittää toisaalta palkit eli rastien tiedot johtavat suorituskykyohjattuun suunnitteluun ensisijaisena vaatimuksena Suurtaajuus strategioita huomattava määrä markkinoita koskevia tietoja on tallennettava ja arvioitava. Näitä rooleja varten käytetään yleisesti näitä ohjelmia, kuten HDF5 tai kdb. Jotta HFT-sovelluksiin tarvittavia suuria määriä tietoja voidaan käsitellä, laajasti optimoidun backtesterin ja suoritusjärjestelmän on oltava Käytetty CC mahdollisesti jossakin kokoonpanossa on todennäköisesti vahvin ehdokas Ultra-korkea taajuusstrategiat vaativat melkein varmasti mukautettuja laitteistoja, kuten FPGA: ita, vaihtoyhteydestä ja kernal-verkkoliitännän tuning. Research Systems. Research-järjestelmät sisältävät tyypillisesti interaktiivisen kehityksen ja automaattisen komentosarjan yhdistelmän. Entinen tapahtuu usein IDE: n, kuten Visual Studio, Matlab tai R Studio Jälkimmäinen sisältää laajoja numeerisia laskelmia lukuisten parametrien ja datapisteiden kautta. Tämä johtaa kielivalintaan, joka tarjoaa yksinkertaisen ympäristön koodin testaamiseen, mutta tarjoaa myös riittävän suorituskyvyn strategioiden arvioimiseksi useilla parametrimäärillä. Tyypilliset IDE-kohteet tässä tilassa ovat Microsoft Visual CC, joka sisältää laajoja virheenkorjausapuohjelmia, koodinvalmistusominaisuuksia Intellisensen kautta ja suoraviivaisia katsauksia koko projektin pinoon tietokannasta ORM, LINQ MatLab, joka on suunniteltu laajaan numeeriseen lineaariseen algebraan ja vektorisoituneisiin operaatioihin, mutta vuorovaikutteisessa konsolissa R Studio, joka kääreet R-tilastollisen kielikonsolin täysipainoisessa IDE Eclipse IDE - ohjelmassa Linux Java - ja C - puhelimissa sekä semi-proprietary-IDE-tunnuksilla, kuten Python-keskustelupalstoilla, jotka sisältävät datananalyysikirjastoja, kuten NumPy SciPy - skikit-oppia ja pandoja yhdessä vuorovaikutteisessa konsoliympäristössä. Kaikki numeeriset jälkitestit kaikki edellä mainitut kielet ovat sopivia, vaikka GUI IDE: n käyttäminen ei ole tarpeen, koska koodi suoritetaan taustalla. Tässä vaiheessa toteutusnopeuden tärkein näkökohta on suorituksen nopeus. Käännetty kieli kuten C on usein hyödyllisiä, jos takaisinkytkentäparametrin mitat ovat suuret Muista, että tällaiset järjestelmät on varottava, jos näin on. Kielet kuten Python käyttävät usein korkean suorituskyvyn omaavia kirjastoja, kuten NumPy-pandaja takaisinkytkentävaiheeseen, jotta ylläpitää kohtuullista kilpailukykyä laskettujen vastaavuuksien kanssa. Lopulta selektiiviselle kielelle määritetty kieli määräytyy tiettyjen algoritmisten tarpeiden mukaan sekä kirjastojen valikoima, joka on saatavana kielellä enemmän alla olevasta. Taustatekniikan ja tutkimusympäristön käyttämät kielet voivat kuitenkin olla täysin riippumattomia salkun rakentamisesta, riskienhallinnasta ja toteutuskomponenteista, kuten nähdään. Portfolio Rakentaminen ja riskienhallinta. Pienyritysten algoritmiset toimijat jättävät huomiotta portfolion rakentamisen ja riskienhallinnan komponentit. Tämä on lähes aina virhe. Nämä työkalut tarjoavat mekanismin, jolla pääoma säilyy. Ne eivät ainoastaan yrittäisi lieventää riskialttiiden panosten määrää, vaan myös minimoida liikevaihdon väheneminen ja vähentää transaktiokustannuksia. Näiden komponenttien kehittyneillä versioilla voi olla merkittävä vaikutus kannattavuuden laatuun ja johdonmukaisuuteen. On helppo luoda strategioita vakaana, koska salkun rakentamismekanismi ja riskienhallinta voidaan helposti muuntaa käsitellä useita järjestelmiä Näin ollen niitä olisi pidettävä välttämättömänä algoritmisen kaupankäyntijärjestelmän suunnittelun alkuvaiheessa. Salkun rakentamisjärjestelmän tehtävänä on toteuttaa haluttu kauppa ja tuottaa joukko todellista kauppaa, joka minimoi kouristukset, säilyttää altistukset eri tekijöille, kuten sektoreille, omaisuusluokille , volatiliteetti jne. ja optimoida pääoman jakautuminen erilaisiin salkun strategioihin. Portfolion rakentaminen usein alenee lineaariseen algebraongelmaan, kuten matriisin tekijäksi, ja siten suorituskyky riippuu suuresti numeerisen lineaarisen algebran toteutuksen tehokkuudesta. Yleiset kirjastot sisältävät uBLAS LAPACK ja NAG C MatLabin hallussa on myös laajalti optimoidut matriisioperaatiot Python hyödyntää NumPy SciPyä tällaisiin laskelmiin Usein tasapainotettu salkku tarvitsee kootun ja hyvin optimoitun matriisikirjaston, jolla tämä vaihe poistetaan, jotta kaupankäyntijärjestelmä ei pääse pullonkaumaan. Riskienhallinta on toinen erittäin tärkeä osa algoritmisesta kauppajärjestelmästä Ris k voi tulla monissa muodoissa Lisääntynyt volatiliteetti, vaikka tätä voidaan pitää toivottavana tietyissä strategioissa, lisääntyneiden korrelaatioiden välillä omaisuusluokkia, vastapuolen oletusarvoa, palvelimen katkoksia, mustia joutsentapahtumia ja havaitsemattomia vikoja kauppakoodissa muutamia. hallintokomponentit yrittävät ennakoida liiallisen volatiliteetin ja korrelaation vaikutuksia omaisuusluokkien välillä ja niiden vaikutukset kaupankäyntivarastoon Usein tämä vähenee joukko tilastollisia laskelmia, kuten Monte Carlo stressitestit Tämä on hyvin samankaltainen kuin johdannaisten hinnoittelun laskennalliset tarpeet moottori ja sellaisenaan CPU-sidottu Nämä simulaatiot ovat hyvin rinnakkaisia ks. alla ja tietyssä määrin on mahdollista heittää laitteistoa ongelmaan. Exhaust Systems. Toimitusjärjestelmän tehtävänä on vastaanottaa suodatettuja kaupankäyntisignaaleja salkun rakentamisen ja riskienhallinnan komponentit ja lähetä ne välitykseen tai muuhun markkinoillepääsyyn vähittäiskaupan algoritmiset kaupankäynnin strategiat, joihin liittyy API - tai FIX-yhteys välittäjälle, kuten Interactive Brokers. Pääasialliset näkökohdat kielten ratkaisemisessa ovat API: n laatu, API: n kielten saatavuus, toteutusaikataulu ja odotettavissa oleva luiska. API viittaa siihen, kuinka hyvin se on dokumentoitu, millaista suorituskykyä se tarjoaa, tarvitsetko erillisiä ohjelmistoja, joita voidaan käyttää vai onko yhdyskäytävä voidaan muodostaa päätettömällä tavalla eli ei GUI Interactive Brokersin tapauksessa Trader WorkStation - työkalu tarvitsee olla käynnissä GUI-ympäristössä, jotta voin päästä käyttämään sovellusliittymänsä. Minun oli kerran asennettava Desktop Ubuntu - versio Amazonin pilvipalvelimeen, jotta Interactive Brokerit pääsisivät etäyhteyden kautta puhtaasti tästä syystä. Useimmat API: t tarjoavat C - ja / tai Java-käyttöliittymän. on yleensä yhteisöön kehittää kielikohtaisia kääreitä C-, Python-, R-, Excel - ja MatLab-kääreille Huomaa, että jokaisella lisäpaketilla käytetään espeä API-kääreillä on mahdollisuudet vikojen liikkumiseen järjestelmään. Aina testaa tämäntyyppiset testit ja varmista, että ne ovat aktiivisesti ylläpidettyjä. Kannattavissa oleva mittari on nähdä, kuinka monta uutta päivitystä koodibaseen on tehty viime kuukausina. Huomiota, että satoja tilauksia voidaan lähettää joka minuutti ja koska tällainen suorituskyky on kriittinen Slippage syntyy huonosti suoritettavan suoritinjärjestelmän kautta ja sillä on dramaattinen vaikutus kannattavuuteen. Statically-typed languages ks. alla koska C Java on yleensä optimaalinen toteuttamiseen, mutta kehitysaika, testaus ja ylläpito ovat helppokäyttöisiä. Dynaamisesti kirjoitetut kielet, kuten Python ja Perl, ovat nyt yleensä riittävän nopeita. Varmista, että komponentit suunnitellaan modulaarisesti ks. alla, jotta ne voidaan vaihtaa ulos järjestelmässä. Arkkitehtuurin suunnittelu - ja kehittämisprosessi. Kaupankäyntijärjestelmän komponentit, sen taajuus ura - ja volyymivaatimuksia on käsitelty edellä, mutta järjestelmäinfrastruktuuri on vielä katet - tuna. Ne, jotka toimivat vähittäiskauppiaana tai työskentelevät pienessä rahastossa, todennäköisesti käyttävät monia hatuja. Alfa-mallin, riskienhallinnan ja toteutuksen on katettava parametrit ja myös järjestelmän lopullinen toteutus Ennen kuin selvitetään tiettyihin kieliin, käsitellään optimaalisen järjestelmän arkkitehtuurin suunnittelua. Huolenaiheiden erottaminen. Yksi tärkeimmistä päätöksistä, jotka on aluksi tehtävä, on erottaa toisistaan huolenaiheet kaupankäyntijärjestelmä Ohjelmistokehityksessä tämä merkitsee käytännössä sitä, miten kauppa-järjestelmän eri osa-alueet hajotetaan erillisiin modulaarisiin komponentteihin. Kutakin komponenttia käyttävien rajapintojen paljastamiseksi on helppo vaihtaa osia järjestelmästä muihin versioihin, jotka auttavat suorituskykyä , luotettavuutta tai kunnossapitoa, muuttamatta ulkoista riippuvuuskoodia Tämä on paras käytäntö tällaisille järjestelmille taajuuksia tällaisia käytäntöjä suositellaan Äärimmäisen suurtaajuista kaupankäyntiä varten sääntökirja on ehkä jätettävä huomiotta järjestelmän säätämiseksi kustannustehokkaammaksi. Tiukemmin kytketty järjestelmä voi olla toivottavaa. Algorithmisen kaupankäyntijärjestelmän komponenttikartan luominen on artikkelin arvoinen Itse Optimaalinen lähestymistapa on kuitenkin varmistaa, että historialliset ja reaaliaikaiset markkinatietojen syöttämiset, tietovarastointi, datan käyttöliittymä API, backtester, strategiarametrit, portfolio rakentaminen, riskienhallinta ja automaattiset toteutusjärjestelmät ovat erillisiä komponentteja. Esimerkiksi , jos käytössä oleva tietovarasto on tällä hetkellä heikosti suorituskykyinen, jopa merkittävillä optimointitasoilla, se voidaan vaihtaa minimaalisilla uudelleenkirjoituksilla datan nauttimiseen tai tiedonsiirtoyhteysliittymään. Sellainen kuin backtesteri ja myöhemmät komponentit koskevat, ei ole mitään eroa . Erotettujen osien toinen etu on se, että se mahdollistaa monissa ohjelmointikieleissä käytettävän kokonaisjärjestelmässä ei tarvitse rajoittua yhteen ainoaan kieleen, jos komponenttien kommunikointimenetelmä on kielitaitoinen. Näin tapahtuu, jos ne kommunikoivat TCP IP: n, ZeroMQ: n tai jonkin muun kielestä riippumattoman protokollan kautta. Esimerkiksi konkreettinen esimerkki , kun C-kirjaimella on kopiointitulos, kun taas salkunhallinta - ja toteutusjärjestelmät on kirjoitettu pythonilla käyttäen SciPy ja IBPy. Performance Considerations. Performance on merkittävä huomio useimmille kaupankäyntistrategioille. Korkeammille taajuusstrategioille se on tärkein tekijä Suorituskyky kattaa laajan valikoiman asioita, kuten algoritmisen suorituksen nopeuden, verkon viivästyksen, kaistanleveyden, datan IO: n, rinnakkaisuuden rinnakkaisuuden ja skaalaamisen. Jokainen näistä aloista on erikseen katettu suurilla oppikirjoilla, joten tämä artikkeli raaputtaa vain kunkin aiheen arkkitehtuuria. Arkkitehtuuri ja kielen valinta tullaan nyt keskustelemaan niiden vaikutusten vaikutuksesta suorituskykyyn. Vallitseva viisaus kuten Donald Knuthin mukaan yksi tietojenkäsittelytieteen isistä on, että ennenaikainen optimointi on kaiken pahan perimmäinen Tämä on lähes aina tapausta - paitsi silloin, kun rakennetaan korkeataajuisen kaupankäynnin algoritmi Niille, jotka ovat kiinnostuneita alemman taajuuden strategioista, yhteinen lähestymistapa on rakentaa järjestelmä mahdollisimman yksinkertaisella tavalla ja optimoida vain pullonkaulojen alkaa näkyä. Profiling työkaluja käytetään määrittämään missä pullonkauloja syntyy Profiilit voidaan tehdä kaikki edellä luetellut tekijät, joko MS Windows tai Linux-ympäristössä monia käyttöjärjestelmien ja kielityökaluja sekä kolmannen osapuolen apuohjelmia Kielen valinta on nyt esillä suorituskyvyssä. C, Java, Python, R ja MatLab sisältävät kaikki korkean suorituskyvyn omaavat kirjastot joko osana vakio tai ulkoisesti perustietorakenteeseen ja algoritmiseen työhön C, joka toimitetaan standardimallikirjaston kanssa, kun taas Python sisältää NumPy SciPyn. Yhteiset matemaattiset tehtävät ovat joka on löydetty näistä kirjastoista, ja on harvoin hyödyllistä kirjoittaa uusi toteutus. Eräs poikkeus on, jos tarvitaan erittäin räätälöityjä laitteistoarkkitehtuureja ja algoritmi käyttää laaja-alaisesti omia laajennuksia, kuten mukautettuja kätköjä. Kuitenkin usein pyörän uudelleenkäyttö heikentää aikaa, joka voisi kannattaa käyttää paremmin kaupankäyntiinfrastruktuurin muiden osien kehittämistä ja optimointia. Kehitysaika on äärimmäisen arvokas varsinkin yksittäisten kehittäjien yhteydessä. Laji on usein kysymys toteutusjärjestelmästä, sillä tutkimusvälineet sijaitsevat yleensä samassa koneessa. voi tapahtua useissa kohdissa toteutuspolun pitkin Tietokannat on kuultava levyn verkon latenssin, signaalit on tuotettava käyttöjärjestelmä, kernal viestin latenssi, kauppasignaalit lähetetään NIC latenssi ja käsittelee käsittelemättömien vaihto-järjestelmien sisäinen latenssi. Korkeammille taajuusoperaatioille on välttämätöntä tulla perehtynyt perusteellisesti kernalin optimointiin sekä optimointiin Verkon siirto Tämä on syvä alue ja on huomattavasti laajempi kuin artikkelin soveltamisala, mutta jos halutaan UHFT-algoritmi, on oltava tietoinen vaadittavasta syvyydestä. Caching on erittäin hyödyllinen kvantitatiivisen kaupankäynnin kehittäjän työkalupakkiin. käsite tallentaa usein käytettyjä tietoja tavalla, joka mahdollistaa korkeamman suorituskyvyn pääsyn tietojen mahdollisen ikävyyteen liittyvien kustannusten vuoksi Verkkokehityksessä esiintyy yleinen käyttötapahtuma, kun otetaan tietoja levykkeeltä tukevasta relaatiotietokannasta ja tallennetaan muistiin. tietojen pyytämistä ei tarvitse osua tietokantaan, joten suorituskyky voi olla merkittävä. Kaupankäyntitilanteissa välimuistiinpano voi olla erittäin hyödyllistä Esimerkiksi strategiakannan nykytila voidaan tallentaa välimuistiin, kunnes se tasapainotetaan niin, että luetteloa ei tarvitse regeneroida jokaisen kaupankäyntialgoritmin jokaisen silmukan suhteen. Tällainen regenerointi on todennäköisesti suuri suorittimen tai levyn IO-operaatio. Kuitenkin, cachi ng ei ole ilman omaa ongelmaaan. Välimuistitietojen regenerointi kerrallaan, koska välimuistivälineen volatiliteetti on luonteeltaan, voi asettaa merkittävän kysynnän infrastruktuuriin. Toinen kysymys on koirapilkku, jossa uuden sukupolven välimuistikopio suoritetaan äärimmäisen korkealla kuormitus, joka johtaa kaskadivirheeseen. Dynamiikkamuistin allokointi on kallis operaatio ohjelmistosuunnitelmassa. Näin ollen on välttämätöntä, että tehokkaamman kaupankäynnin sovellukset ovat hyvin tietoisia siitä, kuinka muisti jaetaan ja jakautuu ohjelmavirran aikana. Uudenkieliset standardit kuten Java, C ja Pythonin kaikki suorittavat automaattisen roskien keräämisen, joka viittaa dynaamisesti allokoidun muistin jakamiseen, kun esineet menevät soveltamisalan ulkopuolelle. Garage-kokoelma on erittäin hyödyllinen kehityksen aikana, koska se vähentää virheitä ja auttaa luettavuutta. Se on kuitenkin usein epätyydyttävä tietyissä korkeataajuisissa kaupankäynnissä Mukautettu jätehuolto on usein haluttu näissä tapauksissa Esimerkiksi Java: ssa tuning vaatteita ikäjako - ja kasakokoonpanoissa on mahdollista saada korkean suorituskyvyn HFT-strategioille. C ei tarjoa natiiviä roskakerääjää, joten on välttämätöntä käsitellä kaikkia muistin allokoinnin jakamista osana kohteen esitystapaa. Vaikka mahdollisesti virheen altista saattaa johtaa hämmentävät osoittimet on äärimmäisen hyödyllistä saada hienojakoinen valvonta siitä, miten esineet näkyvät kasassa tiettyihin sovelluksiin Kun valitset kielen, varmista tutkia, miten roskat kerääjä toimii ja voidaanko sitä muokata optimoimaan tietyn käyttötarkoituksen tapauksessa. algoritmisessa kaupankäyntijärjestelmässä tapahtuvat toiminnot ovat rinnastettavissa. Tämä viittaa käsitteeseen useiden ohjelmoitujen operaatioiden suorittamisesta samanaikaisesti eli rinnakkain. Ns. embarassingly rinnakkaiset algoritmit sisältävät vaiheet, jotka voidaan laskea täysin muista vaiheista riippumatta. Tietyt tilastotoimet, kuten kuten Monte Carlo-simulaatiot, ovat hyvä esimerkki häpeällisesti rinnakkaisista algoritmeista koska jokainen satunnaisveto ja sen jälkeinen reittioperaatio voidaan laskea tuntematta muita polkuja. Muut algoritmit ovat vain osittain rinnakkaisia. Nestemodynamiikka-simulaatiot ovat tällainen esimerkki, jossa laskenta-ala voidaan jakaa, mutta lopulta nämä verkkotunnukset ovat yhteydessä toisiinsa ja joten toiminnot ovat osittain peräkkäisiä. Rinnakkaissalgoritmeihin sovelletaan Amdahlin lakia, joka antaa teoreettisen ylärajan rinnakkaisen algoritmin suorituskyvylle, kun sitä kohdistuu N erillisiin prosesseihin, esimerkiksi CPU-ydin tai lanka. Parallelisation on tullut yhä tärkeämmäksi välineenä optimointiin, koska prosessorin kellotaajuudet ovat pysähtyneet, koska uudemmat prosessorit sisältävät monia ytimiä, joilla voidaan suorittaa rinnakkaisia laskelmia Kuluttajien grafiikkalaitteiden nousu etupäässä videopeleissä on johtanut graafisten prosessointiyksiköiden kehittämiseen, jotka sisältävät satoja ytimiä erittäin samanaikaiset operaatiot Tällaiset GPU: t ovat nyt v Ery affordable Korkeatasoiset kehykset, kuten Nvidia s CUDA ovat johtaneet laajaan käyttöönottoon yliopistossa ja taloudessa. Nämä GPU-laitteistot soveltuvat yleensä vain kvantitatiivisen rahoituksen tutkimukseen, kun taas muita erikoistuneita laitteita, kuten Field-Programmable Gate Arrays - FPGA käytetään U HFT: hen Nykyään nykyaikaisimpia langaugeja tukee yhdenmukainen monitaitoprosentti Täten on helppo optimoida backtester, koska kaikki laskelmat ovat yleensä muista riippumattomia. Scaling ohjelmistokehityksessä ja toiminnoissa viittaa järjestelmän kykyyn käsitellä consistently increasing loads in the form of greater requests, higher processor usage and more memory allocation In algorithmic trading a strategy is able to scale if it can accept larger quantities of capital and still produce consistent returns The trading technology stack scales if it can endure larger trade volumes and increased latency, without bottlenecking. While systems must be desig ned to scale, it is often hard to predict beforehand where a bottleneck will occur Rigourous logging, testing, profiling and monitoring will aid greatly in allowing a system to scale Languages themselves are often described as unscalable This is usually the result of misinformation, rather than hard fact It is the total technology stack that should be ascertained for scalability, not the language Clearly certain languages have greater performance than others in particular use cases, but one language is never better than another in every sense. One means of managing scale is to separate concerns, as stated above In order to further introduce the ability to handle spikes in the system i e sudden volatility which triggers a raft of trades , it is useful to create a message queuing architecture This simply means placing a message queue system between components so that orders are stacked up if a certain component is unable to process many requests. Rather than requests being lost they are si mply kept in a stack until the message is handled This is particularly useful for sending trades to an execution engine If the engine is suffering under heavy latency then it will back up trades A queue between the trade signal generator and the execution API will alleviate this issue at the expense of potential trade slippage A well-respected open source message queue broker is RabbitMQ. Hardware and Operating Systems. The hardware running your strategy can have a significant impact on the profitability of your algorithm This is not an issue restricted to high frequency traders either A poor choice in hardware and operating system can lead to a machine crash or reboot at the most inopportune moment Thus it is necessary to consider where your application will reside The choice is generally between a personal desktop machine, a remote server, a cloud provider or an exchange co-located server. Desktop machines are simple to install and administer, especially with newer user friendly operati ng systems such as Windows 7 8, Mac OSX and Ubuntu Desktop systems do possess some significant drawbacks, however The foremost is that the versions of operating systems designed for desktop machines are likely to require reboots patching and often at the worst of times They also use up more computational resources by the virtue of requiring a graphical user interface GUI. Utilising hardware in a home or local office environment can lead to internet connectivity and power uptime problems The main benefit of a desktop system is that significant computational horsepower can be purchased for the fraction of the cost of a remote dedicated server or cloud based system of comparable speed. A dedicated server or cloud-based machine, while often more expensive than a desktop option, allows for more significant redundancy infrastructure, such as automated data backups, the ability to more straightforwardly ensure uptime and remote monitoring They are harder to administer since they require the abi lity 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 process ors 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 wit hin 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 var ious 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 enforc ing 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 Furthe r, 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 p roducts 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 Linu x 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, operating system interaction, GUIs, regular expressions regex , iteration and basic algorithms. C is famed for its Standard Template Library STL which contains a wealt h 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 , J DBC Java MatLab , MySQLdb MySQL Python and psychopg2 PostgreSQL Python Python can even communicate with R via the RPy plugin. An often overlooked aspect of a trading system while in the initial research and design stage is the connectivity to a broker API Most APIs natively support C and Java, but some also support C and Python, either directly or with community-provided wrapper code to the C APIs In particular, Interactive Brokers can be connected to via the IBPy plugin If high-performance is required, brokerages will support the FIX protocol. As is now evident, the choice of programming language s for an algorithmic trading system is not straightforward and requires deep thought The main considerations are performance, ease of development, resiliency and testing, separation of concerns, familiarity, maintenance, source code availability, licensing costs and maturity of libraries. The benefit of a separated architecture is that it allows languages to be plugged in for different aspects o f a trading stack, as and when requirements change A trading system is an evolving tool and it is likely that any language choices will evolve along with it. Just Getting Started with Quantitative Trading. Trading Floor Architecture. Trading Floor Architecture. Executive Overview. Increased competition, higher market data volume, and new regulatory demands are some of the driving forces behind industry changes Firms are trying to maintain their competitive edge by constantly changing their trading strategies and increasing the speed of trading. A viable architecture has to include the latest technologies from both network and application domains It has to be modular to provide a manageable path to evolve each component with minimal disruption to the overall system Therefore the architecture proposed by this paper is based on a services framework We examine services such as ultra-low latency messaging, latency monitoring, multicast, computing, storage, data and application virtualization, tra ding resiliency, trading mobility, and thin client. The solution to the complex requirements of the next-generation trading platform must be built with a holistic mindset, crossing the boundaries of traditional silos like business and technology or applications and networking. This document s main goal is to provide guidelines for building an ultra-low latency trading platform while optimizing the raw throughput and message rate for both market data and FIX trading orders. To achieve this, we are proposing the following latency reduction technologies. High speed inter-connect InfiniBand or 10 Gbps connectivity for the trading cluster. High-speed messaging bus. Application acceleration via RDMA without application re-code. Real-time latency monitoring and re-direction of trading traffic to the path with minimum latency. Industry Trends and Challenges. Next-generation trading architectures have to respond to increased demands for speed, volume, and efficiency For example, the volume of options market data is expected to double after the introduction of options penny trading in 2007 There are also regulatory demands for best execution, which require handling price updates at rates that approach 1M msg sec for exchanges They also require visibility into the freshness of the data and proof that the client got the best possible execution. In the short term, speed of trading and innovation are key differentiators An increasing number of trades are handled by algorithmic trading applications placed as close as possible to the trade execution venue A challenge with these black-box trading engines is that they compound the volume increase by issuing orders only to cancel them and re-submit them The cause of this beh avior is lack of visibility into which venue offers best execution The human trader is now a financial engineer, a quant quantitative analyst with programming skills, who can adjust trading models on the fly Firms develop new financial instruments like weather derivatives or cross-asset class trades and they need to deploy the new applications quickly and in a scalable fashion. In the long term, competitive differentiation should come from analysis, not just knowledge The star traders of tomorrow assume risk, achieve true client insight, and consistently beat the market source IBM. Business resilience has been one main concern of trading firms since September 11, 2001 Solutions in this area range from redundant data centers situated in different geographies and connected to multiple trading venues to virtual trader solutions offering power traders most of the functionality of a trading floor in a remote location. The financial services industry is one of the most demanding in terms of IT requirements The industry is experiencing an architectural shift towards Services-Oriented Architecture SOA , Web services, and virtualization of IT resources SOA takes advantage of the increase in network speed to enable dynamic binding and virtualization of software components This allows the creation of new applications without losing the investment in existing systems and infrastructure The concept has the potential to revolutionize the way integration is done, enabling significant reductions in the complexity and cost of such integration. Another trend is the consolidation of servers into data center server farms, while trader desks have only KVM extensions and ultra-thin clients e g SunRay and HP blade solutions High-speed Metro Area Networks enable market data to be multicast between different locations, enabling the virtualization of the trading floor. High-Level Architecture. Figure 1 depicts the high-level architecture of a trading environment The ticker plant and the algorithmi c trading engines are located in the high performance trading cluster in the firm s data center or at the exchange The human traders are located in the end-user applications area. Functionally there are two application components in the enterprise trading environment, publishers and subscribers The messaging bus provides the communication path between publishers and subscribers. There are two types of traffic specific to a trading environment. Market Data Carries pricing information for financial instruments, news, and other value-added information such as analytics It is unidirectional and very latency sensitive, typically delivered over UDP multicast It is measured in updates sec and in Mbps Market data flows from one or multiple external feeds, coming from market data providers like stock exchanges, data aggregators, and ECNs Each provider has their own market data format The data is received by feed handlers, specialized applications which normalize and clean the data and then send it to data consumers, such as pricing engines, algorithmic trading applications, or human traders Sell-side firms also send the market data to their clients, buy-side firms such as mutual funds, hedge funds, and other asset managers Some buy-side firms may opt to receive direct feeds from exchanges, reducing latency. Figure 1 Trading Architecture for a Buy Side Sell Side Firm. There is no industry standard for market data formats Each exchange h as their proprietary format Financial content providers such as Reuters and Bloomberg aggregate different sources of market data, normalize it, and add news or analytics Examples of consolidated feeds are RDF Reuters Data Feed , RWF Reuters Wire Format , and Bloomberg Professional Services Data. To deliver lower latency market data, both vendors have released real-time market data feeds which are less processed and have less analytics. Bloomberg B-Pipe With B-Pipe, Bloomberg de-couples their market data feed from their distribution platform because a Bloomberg terminal is not required for get B-Pipe Wombat and Reuters Feed Handlers have announced support for B-Pipe. A firm may decide to receive feeds directly from an exchange to reduce latency The gains in transmission speed can be between 150 milliseconds to 500 milliseconds These feeds are more complex and more expensive and the firm has to build and maintain their own ticker plant. Trading Orders This type of traffic carries the actual trades It is bi-directional and very latency sensitive It is measured in messages sec and Mbps The orders originate from a buy side or sell side firm and are sent to trading venues like an Exchange or ECN for execution The most common format for order transport is FIX Financial Information The applications which handle FIX messages are called FIX engines and they interface with order management systems OMS. An optimization to FIX is called FAST Fix Adapted for Streaming , which uses a compression schema to reduce message length and, in effect, reduce latency FAST is targeted more to the delivery of market data and has the potential to become a standard FAST can also be used as a compression schema for proprietary market data formats. To reduce latency, firms may opt to establish Direct Market Access DMA. DMA is the automated process of routing a securities order directly to an execution venue, therefore avoiding the intervention by a third-party glossaryId 383 DMA requires a direct connection to the execution venue. The messaging bus is middleware software from vendors such as Tibco, 29West, Reuters RMDS, or an open source platform such as AMQP The messaging bus uses a reliable mechanism to deliver messages The transport can be done over TCP IP TibcoEMS, 29West, RMDS, and AMQP or UDP multicast TibcoRV, 29West, and RMDS One important concept in message distribution is the topic stream, which is a subset of market data defined by criteria such as ticker symbol, industry, or a certain basket of financial instruments Subscribers join topic groups mapped to one or multiple sub-topics in order to receive only the relevant information In the past, all traders received all market data At the current volumes of traffic, this would be sub-optimal. The network plays a critical role in the trading environment Market data is carried to the trading floor where the human traders are located via a Campus or Metro Area high-speed net work High availability and low latency, as well as high throughput, are the most important metrics. The high performance trading environment has most of its components in the Data Center server farm To minimize latency, the algorithmic trading engines need to be located in the proximity of the feed handlers, FIX engines, and order management systems An alternate deployment model has the algorithmic trading systems located at an exchange or a service provider with fast connectivity to multiple exchanges. Deployment Models. There are two deployment models for a high performance trading platform Firms may chose to have a mix of the two. Data Center of the trading firm Figure 2 This is the traditional model, where a full-fledged trading platform is developed and maintained by the firm with communication links to all the trading venues Latency varies with the speed of the links and the number of hops between the firm and the venues. Figure 2 Traditional Deployment Model. Co-location at the trading venue exchanges, financial service providers FSP Figure 3.The trading firm deploys its automated trading platform as close as possible to the execution venues to minimize latency. Figure 3 Hosted Deployment Model. Services-Oriented Trading Architecture. We are proposing a services-oriented framework for building the next-generation trading architecture This approach provides a conceptual framework and an implementation path based on modularization and minimization of inter-dependencies. This framework provides firms with a methodology to. Evaluate their current state in terms of services. Prioritize services based on their value to the business. Evolve the trading platform to the desired state using a modular approach. The high performance trading architecture relies on the following services, as defined by the services architecture framework represented in Figure 4.Figure 4 Service Architecture Framework for High Performance Trading. Ultra-Low Latency Messaging Service. This service is provided by the messaging bus, which is a software system that solves the problem of connecting many-to-many applications The system consists of. A set of pre-defined message schemas. A set of common command messages. A shared application infrastructure for sending the messages to recipients The shared infrastructure can be based on a message broker or on a publish subscribe model. The key requirements for the next-generation messaging bus are source 29West. Lowest possible latency e g less than 100 microseconds. Stability under heavy load e g more than 1 4 million msg sec. Control and flexibility rate control and configurable transports. There are efforts in the industry to standardize the messaging bus Advanced Message Queueing Protocol AMQP is an example of an open standard championed by J P Morgan Chase and supported by a group of vendors such as Cisco, Envoy Technologies, Red Hat, TWIST Process Innovations, Iona, 29West, and iMatix Two of the main goals are to provide a more simple path to inter-operability for applications written on different platforms and modularity so that the middleware can be easily evolved. In very general terms, an AMQP server is analogous to an E-mail server with each exchange acting as a message transfer agent and each message queue as a mailbox The bindings define the routing tables in each transfer agent Publishers send messages to individual transfer agents, which then route the messages into mailboxes Consumers take messages from mailboxes, which creates a powerful and flexible model that is simple source. Latency Monitori ng Service. The main requirements for this service are. Sub-millisecond granularity of measurements. Near-real time visibility without adding latency to the trading traffic. Ability to differentiate application processing latency from network transit latency. Ability to handle high message rates. Provide a programmatic interface for trading applications to receive latency data, thus enabling algorithmic trading engines to adapt to changing conditions. Correlate network events with application events for troubleshooting purposes. Latency can be defined as the time interval between when a trade order is sent and when the same order is acknowledged and acted upon by the receiving party. Addressing the latency issue is a complex problem, requiring a holistic approach that identifies all sources of latency and applies different technologies at different layers of the system. Figure 5 depicts the variety of components that can introduce latency at each layer of the OSI stack It also maps each source of latency with a possible solution and a monitoring solution This layered approach can give firms a more structured way of attacking the latency issue, whereby each component can be thought of as a service and treated consistently across the firm. Maintaining an accurate measure of the dynamic state of this time interval across alternative routes and destinations can be of great assistance in tactical trading decisions The ability to identify the exact location of delays, whether in the customer s edge network, the central processing hub, or the transaction application level, significantly determines the ability of service providers to meet their trading service-level agreements SLAs For buy-side and sell-side forms, as well as for market-data syndicators, the quick identification and removal of bottlenecks translates directly into enhanced trade opportunities and revenue. Figure 5 Latency Management Architecture. Cisco Low-Latency Monitoring Tools. Traditional network monitoring tools operate with minutes or seconds granularity Next-generation trading platforms, especially those supporting algorithmic trading, require latencies less than 5 ms and extremely low levels of packet loss On a Gigabit LAN, a 100 ms microburst can cause 10,000 transactions to be lost or excessively delayed. Cisco offers its customers a choice of tools to measure latency in a trading environment. Bandwidth Quality Manager BQM OEM from Corvil. Cisco AON-based Financial Services Latency Monitoring Solution FSMS. Bandwidth Quality Manager. Bandwidth Quality Manager BQM 4 0 is a next-generation network application performance management product that enables customers to monitor and provision their network for controlled levels of latency and loss performance While BQM is not exclusively targeted at trading networks, its microsecond visibility combined with intelligent bandwidth provisioning features make it ideal for these demanding environments. Cisco BQM 4 0 implements a broad set of patented and patent-pending traffic measurement and network analysis technologies that give the user unprecedented visibility and understanding of how to optimize the network for maximum application performance. Cisco BQM is now supported on the product family of Cisco Application Deployment Engine ADE The Cisco ADE product family is the platform of choice for Cisco network management applications. BQM Benefits. Cisco BQM micro-visibility is the abilit y to detect, measure, and analyze latency, jitter, and loss inducing traffic events down to microsecond levels of granularity with per packet resolution This enables Cisco BQM to detect and determine the impact of traffic events on network latency, jitter, and loss Critical for trading environments is that BQM can support latency, loss, and jitter measurements one-way for both TCP and UDP multicast traffic This means it reports seamlessly for both trading traffic and market data feeds. BQM allows the user to specify a comprehensive set of thresholds against microburst activity, latency, loss, jitter, utilization, etc on all interfaces BQM then operates a background rolling packet capture Whenever a threshold violation or other potential performance degradation event occurs, it triggers Cisco BQM to store the packet capture to disk for later analysis This allows the user to examine in full detail both the application traffic that was affected by performance degradation the victims and th e traffic that caused the performance degradation the culprits This can significantly reduce the time spent diagnosing and resolving network performance issues. BQM is also able to provide detailed bandwidth and quality of service QoS policy provisioning recommendations, which the user can directly apply to achieve desired network performance. BQM Measurements Illustrated. To understand the difference between some of the more conventional measurement techniques and the visibility provided by BQM, we can look at some comparison graphs In the first set of graphs Figure 6 and Figure 7 , we see the difference between the latency measured by BQM s Passive Network Quality Monitor PNQM and the latency measured by injecting ping packets every 1 second into the traffic stream. In Figure 6 we see the latency reported by 1-second ICMP ping packets for real network traffic it is divided by 2 to give an estimate for the one-way delay It shows the delay comfortably below about 5ms for almost all of the time. Figure 6 Latency Reported by 1-Second ICMP Ping Packets for Real Network Traffic. In Figure 7 we see the latency reported by PNQM for the same traffic at the same time Here we see that by measuring the one-way latency of the actual application packets, we get a radically different picture Here the latency is seen to be hovering around 20 ms, with occasional bursts far higher The explanation is that because ping is sending packets only every second, it is completely missing most of the application traffic latency In fact, ping results typically only indicate round trip propagation delay rather than realistic application latency across the network. Figure 7 Latency Reported by PNQM for Real Network Traffic. In the second example Figure 8 , we see the difference in reported link load or saturation levels between a 5-minute average view and a 5 ms microburst view BQM can report on microbursts down to about 10-100 nanosecond accuracy The green line shows the average utilization at 5-minut e averages to be low, maybe up to 5 Mbits s The dark blue plot shows the 5ms microburst activity reaching between 75 Mbits s and 100 Mbits s, the LAN speed effectively BQM shows this level of granularity for all applications and it also gives clear provisioning rules to enable the user to control or neutralize these microbursts. Figure 8 Difference in Reported Link Load Between a 5-Minute Average View and a 5 ms Microburst View. BQM Deployment in the Trading Network. Figure 9 shows a typical BQM deployment in a trading network. Figure 9 Typical BQM Deployment in a Trading Network. BQM can then be used to answer these types of questions. Are any of my Gigabit LAN core links saturated for more than X milliseconds Is this causing loss Which links would most benefit from an upgrade to Etherchannel or 10 Gigabit speeds. What application traffic is causing the saturation of my 1 Gigabit links. Is any of the market data experiencing end-to-end loss. How much additional latency does the failover data center experience Is this link sized correctly to deal with microbursts. Are my traders getting low latency updates from the market data distribution layer Are they seeing any delays greater than X milliseconds. Being able to answer these questions simply and effectively saves time and money in running the trading network. BQM is an essential tool for gaining visibility in market data and trading environments It provides granular end-to-end latency measurements in complex infrastructures that experience high-volume data movement Effectively detecting microbursts in sub-millisecond levels and receiving expert analysis on a particular event is invaluable to trading floor architects Smart bandwidth provisioning recommendations, such as sizing and what-if analysis, provide greater agility to respond to volatile market conditions As the explosion of algorithmic trading and increasing message rates continues, BQM, combined with its QoS tool, provides the capability of implementing QoS policies that can protect critical trading applications. Cisco Financial Services Latency Monitoring Solution. Cisco and Trading Metrics have collaborated on latency monitoring solutions for FIX order flow and market data monitoring Cisco AON technology is the foundation for a new class of network-embedded products and solutions that help merge intelligent networks with application infrastructure, based on either service-oriented or traditional architectures Trading Metrics is a leading provider of analytics software for network infrastructure and application latency monitoring purposes. The Cisco AON Financial Services Latency Monitoring Solution FSMS correlated two kinds of events at the point of observation. Network events correlated directly with coincident application message handling. Trade order flow and matching market update events. Using time stamps asserted at the point of capture in the network, real-time analysis of these correlated data streams permits precise identification of bottlenecks across the infrastructure while a trade is being executed or market data is being distributed By monitoring and measuring latency early in the cycle, financial companies can make better decisions about which network service and which intermediary, market, or counterparty to select for routing trade orders Likewise, this knowledge allows more streamlined access to updated market data stock quotes, economic news, etc , which is an important basis for initiating, withdrawing from, or pursuing market opportunities. The components of the solution are. AON hardware in three form factors. AON Network Module for Cisco 2600 2800 3700 3800 routers. AON Blade for the Cisco Catalyst 6500 series. AON 8340 Appliance. Trading Metrics M A 2 0 software, which provides the monitoring and alerting application, displays latency graphs on a dashboard, and issues alerts when slowdowns occur. Figure 10 AON-Based FIX Latency Monitoring. Cisco IP SLA. Cisco IP SLA is an embedded network management tool in Cisco IOS which allows routers and switches to generate synthetic traffic streams which can be measured for latency, jitter, packet loss, and other criteria. Two key concepts are the source of the generated traffic and the target Both of these run an IP SLA responder, which has the responsibility to timestamp the control traffic before it is sourced and returned by the target for a round trip measurement Various traffic types can be sourced within IP SLA and they are aimed at different metrics and target different services and applications The UDP jitter operation is used to measure one-way and round-trip delay and report variations As the traffic is time stamped on both sending and target devices using the resp onder capability, the round trip delay is characterized as the delta between the two timestamps. A new feature was introduced in IOS 12 3 14 T, IP SLA Sub Millisecond Reporting, which allows for timestamps to be displayed with a resolution in microseconds, thus providing a level of granularity not previously available This new feature has now made IP SLA relevant to campus networks where network latency is typically in the range of 300-800 microseconds and the ability to detect trends and spikes brief trends based on microsecond granularity counters is a requirement for customers engaged in time-sensitive electronic trading environments. As a result, IP SLA is now being considered by significant numbers of financial organizations as they are all faced with requirements to. Report baseline latency to their users. Trend baseline latency over time. Respond quickly to traffic bursts that cause changes in the reported latency. Sub-millisecond reporting is necessary for these customers, since many campus and backbones are currently delivering under a second of latency across several switch hops Electronic trading environments have generally worked to eliminate or minimize all areas of device and network latency to deliver rapid order fulfillment to the business Reporting that network response times are just under one millisecond is no longer sufficient the granularity of latency measurements reported across a network segment or backbone need to be closer to 300-800 micro-seconds with a degree of resolution of 100 seconds. IP SLA recently added support for IP multicast test streams, which can measure market data latency. A typical network topology is shown in Figure 11 with the IP SLA shadow routers, sources, and responders. Figure 11 IP SLA Deploymentputing Servicesputing services cover a wide range of technologies with the goal of elim inating memory and CPU bottlenecks created by the processing of network packets Trading applications consume high volumes of market data and the servers have to dedicate resources to processing network traffic instead of application processing. Transport processing At high speeds, network packet processing can consume a significant amount of server CPU cycles and memory An established rule of thumb states that 1Gbps of network bandwidth requires 1 GHz of processor capacity source Intel white paper on I O acceleration. Intermediate buffer copying In a conventional network stack implementation, data needs to be copied by the CPU between network buffers and application buffers This overhead is worsened by the fact that memory speeds have not kept up with increases in CPU speeds For example, processors like the Intel Xeon are approaching 4 GHz, while RAM chips hover around 400MHz for DDR 3200 memory source Intel. Context switching Every time an individual packet needs to be processed, the CPU performs a context switch from application context to network traffic context This overhead could be reduced if the switch would occur only when the whole application buffer is complete. Figure 12 Sources of Overhead in Data Center Servers. TCP Offload Engine TOE Offloads transport processor cycles to the NIC Moves TCP IP protocol stack buffer copies from system memory to NIC memory. Remote Direct Memory Access RDMA Enables a network adapter to transfer data directly from application to application without involving the operating system Eliminates intermediate and application buffer copies memory bandwidth consumption. Kernel bypass Direct user-level access to hardware Dramatically reduces application context switches. Figure 13 RDMA and Kernel Bypass. InfiniBand is a point-to-point switched fabric bidirectional serial communication link which implements RDMA, among other features Cisco offers an InfiniBand switch, the Server Fabric Switch SFS. Figure 14 Typical SFS Deployment. Trading applications benefit from the reduction in latency and latency variability, as proved by a test performed with the Cisco SFS and Wombat Feed Handlers by Stac Research. Application Virtualization Service. De-coupling the application from the underlying OS and server hardware enables them to run as network services One application can be run in parallel on multiple servers, or multiple applications can be run on the same server, as the best resource allocation dictates This decoupling enables better load balancing and disaster recovery for business continuance strategies The process of re-allocating computing resources to an a pplication is dynamic Using an application virtualization system like Data Synapse s GridServer, applications can migrate, using pre-configured policies, to under-utilized servers in a supply-matches-demand process. There are many business advantages for financial firms who adopt application virtualization. Faster time to market for new products and services. Faster integration of firms following merger and acquisition activity. Increased application availability. Better workload distribution, which creates more head room for processing spikes in trading volume. Operational efficiency and control. Reduction in IT complexity. Currently, application virtualization is not used in the trading front-office One use-case is risk modeling, like Monte Carlo simulations As the technology evolves, it is conceivable that some the trading platforms will adopt it. Data Virtualization Service. To effectively share resources across distributed enterprise applications, firms must be able to leverage data across multiple sources in real-time while ensuring data integrity With solutions from data virtualization software vendors such as Gemstone or Tangosol now Oracle , financial firms can access heterogeneous sources of data as a single system image that enables connectivity between business processes and unrestrained application access to distributed caching The net result is that all users have instant access to these data resources across a distributed network. This is called a data grid and is the first step in the process of creating what Gartner calls Extreme Transaction Processing XTP id 500947 Technologies such as data and applications virtualization enable financial firms to perform real-time complex analytics, event-driven applications, and dynamic resource allocation. One example of data virtualization in action is a global order book application An order book is the repository of active orders that is published by the exchange or other market makers A global order book aggregates orders from around the world from markets that operate independently The biggest challenge for the application is scalability over WAN connectivity because it has to maintain state Today s data grids are localized in data centers connected by Metro Area Networks MAN This is mainly because the applications themselves have limits they have been developed without the WAN in mind. Figure 15 GemStone GemFire Distributed Caching. Before data virtualization, applications used database clustering for failover and scalability This solution is limited by the performance of the underlying database Failover i s slower because the data is committed to disc With data grids, the data which is part of the active state is cached in memory, which reduces drastically the failover time Scaling the data grid means just adding more distributed resources, providing a more deterministic performance compared to a database cluster. Multicast Service. Market data delivery is a perfect example of an application that needs to deliver the same data stream to hundreds and potentially thousands of end users Market data services have been implemented with TCP or UDP broadcast as the network layer, but those implementations have limited scalability Using TCP requires a separate socket and sliding window on the server for each recipient UDP broadcast requires a separate copy of the stream for each destination subnet Both of these methods exhaust the resources of the servers and the network The server side must transmit and service each of the streams individually, which requires larger and larger server farms On th e network side, the required bandwidth for the application increases in a linear fashion For example, to send a 1 Mbps stream to 1000recipients using TCP requires 1 Gbps of bandwidth. IP multicast is the only way to scale market data delivery To deliver a 1 Mbps stream to 1000 recipients, IP multicast would require 1 Mbps The stream can be delivered by as few as two servers one primary and one backup for redundancy. There are two main phases of market data delivery to the end user In the first phase, the data stream must be brought from the exchange into the brokerage s network Typically the feeds are terminated in a data center on the customer premise The feeds are then processed by a feed handler, which may normalize the data stream into a common format and then republish into the application messaging servers in the data center. The second phase involves injecting the data stream into the application messaging bus which feeds the core infrastructure of the trading applications The larg e brokerage houses have thousands of applications that use the market data streams for various purposes, such as live trades, long term trending, arbitrage, etc Many of these applications listen to the feeds and then republish their own analytical and derivative information For example, a brokerage may compare the prices of CSCO to the option prices of CSCO on another exchange and then publish ratings which a different application may monitor to determine how much they are out of synchronization. Figure 16 Market Data Distribution Players. The delivery of these data streams is typically over a reliable multicast transport protocol, traditionally Tibco Rendezvous Tibco RV operates in a publish and subscribe environment Each financial instrument is given a subject name, such as Each application server can request the individual instruments of interest by their subject name and receive just a that subset of the information This is called subject-based forwarding or filtering Subject-based f iltering is patented by Tibco. A distinction should be made between the first and second phases of market data delivery The delivery of market data from the exchange to the brokerage is mostly a one-to-many application The only exception to the unidirectional nature of market data may be retransmission requests, which are usually sent using unicast The trading applications, however, are definitely many-to-many applications and may interact with the exchanges to place orders. Figure 17 Market Data Architecture. Design Issues. Number of Groups Channels to Use. Many application developers consider using thousand of multicast groups to give them the ability to divide up products or instruments into small buckets Normally these applications send many small messages as part of their information bus Usually several messages are sent in each packet that are received by many users Sending fewer messages in each packet increases the overhead necessary for each message. In the extreme case, sending onl y one message in each packet quickly reaches the point of diminishing returns there is more overhead sent than actual data Application developers must find a reasonable compromise between the number of groups and breaking up their products into logical buckets. Consider, for example, the Nasdaq Quotation Dissemination Service NQDS The instruments are broken up alphabetically. This approach allows for straight forward network application management, but does not necessarily allow for optimized bandwidth utilization for most users A user of NQDS that is interested in technology stocks, and would like to subscribe to just CSCO and INTL, would have to pull down all the data for the first two groups of NQDS Understanding the way users pull down the data and then organize it into appropriate logical groups optimizes the bandwidth for each user. In many market data applications, optimizing the data organization would be of limited value Typically customers bring in all data into a few machines a nd filter the instruments Using more groups is just more overhead for the stack and does not help the customers conserve bandwidth Another approach might be to keep the groups down to a minimum level and use UDP port numbers to further differentiate if necessary The other extreme would be to use just one multicast group for the entire application and then have the end user filter the data In some situations this may be sufficient. Intermittent Sources. A common issue with market data applications are servers that send data to a multicast group and then go silent for more than 3 5 minutes These intermittent sources may cause trashing of state on the network and can introduce packet loss during the window of time when soft state and then hardware shorts are being created. PIM-Bidir or PIM-SSM. The first and best solution for intermittent sources is to use PIM-Bidir for many-to-many applications and PIM-SSM for one-to-many applications. Both of these optimizations of the PIM protocol do not ha ve any data-driven events in creating forwarding state That means that as long as the receivers are subscribed to the streams, the network has the forwarding state created in the hardware switching path. Intermittent sources are not an issue with PIM-Bidir and PIM-SSM. Null Packets. In PIM-SM environments a common method to make sure forwarding state is created is to send a burst of null packets to the multicast group before the actual data stream The application must efficiently ignore these null data packets to ensure it does not affect performance The sources must only send the burst of packets if they have been silent for more than 3 minutes A good practice is to send the burst if the source is silent for more than a minute Many financials send out an initial burst of traffic in the morning and then all well-behaved sources do not have problems. Periodic Keepalives or Heartbeats. An alternative approach for PIM-SM environments is for sources to send periodic heartbeat messages to the mu lticast groups This is a similar approach to the null packets, but the packets can be sent on a regular timer so that the forwarding state never expires. S,G Expiry Timer. Finally, Cisco has made a modification to the operation of the S, G expiry timer in IOS There is now a CLI knob to allow the state for a S, G to stay alive for hours without any traffic being sent The S, G expiry timer is configurable This approach should be considered a workaround until PIM-Bidir or PIM-SSM is deployed or the application is fixed. RTCP Feedback. A common issue with real time voice and video applications that use RTP is the use of RTCP feedback traffic Unnecessary use of the feedback option can create excessive multicast state in the network If the RTCP traffic is not required by the application it should be avoided. Fast Producers and Slow Consumers. Today many servers providing market data are attached at Gigabit speeds, while the receivers are attached at different speeds, usually 100Mbps This creates the potential for receivers to drop packets and request re-transmissions, which creates more traffic that the slowest consumers cannot handle, continuing the vicious circle. The solution needs to be some type of access control in the application that limits the amount of data that one host can request QoS and other network functions can mitigate the problem, but ultimately the subscriptions need to be managed in the application. Tibco Heartbeats. TibcoRV has had the ability to use IP multicast for the heartbeat between the TICs for many years However, there are some brokerage houses that are still using very old versions of TibcoRV that use UDP broadcast support for the resiliency This limitation is often cited as a reason to maintain a Layer 2 infrastructure between TICs located in different data centers These older versions of TibcoRV should be phased out in favor of the IP multicast supported versions. Multicast Forwarding Options. PIM Sparse Mode. The standard IP multicast forwarding protoco l used today for market data delivery is PIM Sparse Mode It is supported on all Cisco routers and switches and is well understood PIM-SM can be used in all the network components from the exchange, FSP, and brokerage. There are, however, some long-standing issues and unnecessary complexity associated with a PIM-SM deployment that could be avoided by using PIM-Bidir and PIM-SSM These are covered in the next sections. The main components of the PIM-SM implementation are. PIM Sparse Mode v2. Shared Tree spt-threshold infinity. A design option in the brokerage or in the exchange.
No comments:
Post a Comment