Trading Strategi Backtesting Plattform

Strategitesting Trenger mer info Back-Testing Trading Strategies med Wealth-Lab Pro. Handlingsstrategier og strategitesting og handelssignaler generert av strategiene er gitt kun for pedagogiske formål og som eksempler, og de bør ikke brukes eller stole på å ta avgjørelser om din individuelle situasjon. Du kan endre strategidestingsparametrene slik det passer deg. Fidelity adopterer ikke, gjør en anbefaling for eller påtegner enhver handels - eller investeringsstrategi eller spesiell sikkerhet. Strategistesting-funksjonen gir en hypotetisk beregning av hvordan en sikkerhet eller portefølje av verdipapirer, som er underlagt et eksempel på handelsstrategi, ville ha utført over en historisk tidsperiode. Bare verdipapirer som eksisterte i den historiske perioden, og som har historiske prisdata, er tilgjengelige for bruk i Strategy Testing-funksjonen. Funksjonen har bare en begrenset evne til å beregne hypotetiske handelskvoter, og den tar ikke hensyn til andre avgifter eller for skattekonsekvenser som kan oppstå som følge av en handelsstrategi. Du bør ikke anta at strategitesting av en handelsstrategi vil gi noen indikasjon på hvordan porteføljen av verdipapirer eller en ny portefølje av verdipapirer kan utføre over tid. Du bør velge dine egne handelsstrategier basert på dine spesifikke mål og risikotoleranser. Husk å vurdere dine beslutninger regelmessig for å sikre at de fortsatt er i samsvar med dine mål. Tidligere resultater er ingen garanti for fremtidige resultater. kopier 1998 ndash 2012 FMR LLC. All rights reserved. Accuracy og High Performance Backtest trading modeller fra lav til høy frekvens strategier. Ved å bruke samme kildekode for papirhandel og produksjon, vil du redusere den forløpte tiden for implementeringsprosjektet, samt den tilknyttede operasjonelle risikoen. Kjør stresstesting for å bestemme stabilitets - og sikkerhetsgrensen for handelsalgoritmer. Eksporter omfattende posthandel datasett for enkel analyse ved hjelp av allestedsnærværende applikasjoner. Backtesting en handelsmodell er ganske grei når du bruker Systemathics verktøy og tilnærming. Backtesting prosessen følger tre trinn: Data mining trinnet i Backtesting normaliserer data og bygger storyboard. Simuleringstrinnet i Backtesting driver strategien. behandle data, generere signaler og håndteringsordrer og henrettelser. Analysestrinnet i Backtesting genererer analyser og rapporter etter handel. Bruk samme C-kildekode for back-test, papirhandel og produksjon Omfattende SDK med eksempler og opplæringsprogrammer Microsoft Visual Studio-integrasjon Simulator for høy ytelse for både lav - og høyfrekvensstrategier Produksjonsdatastrøm inkludert forhåndsbehandlet sikkerhetskontroll Smart ordreutførelse å ta fordel av markedslikviditet Generer Storyboards for effektiv binær streaming Utnytt innebygd historisk data ved hjelp av praktiske APIer Innfødt støtte for Data Mining Engine Azure og HPC drivere for ekstreme scenarier Skripting evner for batch og over natten simuleringer Oppgaveplanlegger for å kjøre flere scenarier parallelt Har et prosjekt i tankene Bare gi noen foreløpige opplysninger, og vårt team vil kontakte deg så snart som mulig. FÅ SOCIAL KONTAKT USChoosing a Platform for Backtesting og Automated Execution I denne artikkelen vil begrepet automatisert utførelse bli diskutert. I stor grad er dette prosessen med å tillate en handelsstrategi via en elektronisk handelsplattform å generere handelsutføringssignaler uten etterfølgende menneskelig inngrep. De fleste systemene som er diskutert på QuantStart til dags dato, er designet for å bli implementert som automatiserte utførelsesstrategier. Artikkelen vil beskrive programvarepakker og programmeringsspråk som gir både backtesting og automatiserte eksekveringsfunksjoner. Den første vurderingen er hvordan man skal teste en strategi. Min personlige oppfatning er at tilpasset utvikling av et backtesting miljø i et førsteklasses programmeringsspråk gir størst mulig fleksibilitet. Omvendt må en leverandørutviklet integrert backtesting-plattform alltid gjøre forutsetninger om hvordan backtestene utføres. Til tross for dette er valget av tilgjengelige programmeringsspråk stort og mangfoldig, noe som ofte kan være overveldende. Det er ikke klart før utviklingen hvilket språk er sannsynlig å være egnet. Når man kodifiserer en strategi i systematiske regler, må den kvantitative handelsmannen være sikker på at fremtidens ytelse vil reflektere sin tidligere ytelse. Det er generelt to former for backtesting system som brukes til å teste denne hypotesen. I stor grad er de kategorisert som forskningstestere og eventdrevne back testere. Vi vil vurdere tilpassede backtester versus leverandørprodukter for disse to paradigmene og se hvordan de sammenligner. Forskningsverktøy Når du identifiserer algoritmiske handelsstrategier, er det vanligvis unødvendig å fullt ut simulere alle aspekter av markedsinteraksjonen. I stedet kan det gjøres tilnærminger som gir rask bestemmelse av potensiell strategisk ytelse. Slike forskningsverktøy gjør ofte urealistiske antagelser om transaksjonskostnader, sannsynlig fylling av priser, kortsiktige begrensninger, lokalavhengighet, risikostyring og posisjonering. Til tross for disse manglene kan utførelsen av slike strategier fortsatt evalueres effektivt. Vanlige verktøy for forskning inkluderer MATLAB, R, Python og Excel. Disse programvarepakker leveres med vektoriseringsfunksjoner som gir rask eksekveringshastighet og enklere implementering av strategien. MATLAB og pandas er eksempler på vektoriserte systemer. Med slike forskningsverktøy er det mulig å teste flere strategier, kombinasjoner og varianter på en rask, iterativ måte, uten at det er nødvendig å fullføre en realistisk simulering av markedsinteraksjonen. Selv om slike verktøy ofte brukes til både backtesting og utførelse, er disse forskningsmiljøene generelt ikke egnet for strategier som nærmer seg intradaghandel ved høyere frekvenser på sub-minutters skala. Disse bibliotekene har ikke en tendens til å være i stand til å koble effektivt til sanntids markedsdataleverandører eller grensesnitt med meglerprogrammer på en robust måte. Til tross for disse eksekutive mangler, er forskningsmiljøer sterkt brukt innen den profesjonelle kvantitative handelsbransjen. De gir det første utkastet til alle strategidekser før kampanjen mot mer rigorøse kontroller innenfor et realistisk bakvurdering. Event-Driven Backtesting Når en strategi er ansett som egnet i forskning, må den vurderes mer realistisk. Slike realisme forsøker å redegjøre for majoriteten (om ikke alle) av problemene beskrevet i tidligere innlegg. Den ideelle situasjonen er å kunne bruke samme handelsgenereringskode for historisk backtesting samt live-utførelse. Dette oppnås via en hendelsesdrevet backtester. Hendelse-drevne systemer er mye brukt i programvare engineering, vanligvis for håndtering av grafisk brukergrensesnitt (GUI) - inngang innen vindubaserte operativsystemer. De er også ideelle for algoritmisk handel, da begrepet realtidsmarkedsordrer eller handelsfyll kan innkapsles som en begivenhet. Slike systemer skrives ofte i høypresterende språk som C, C og Java. Tenk på en situasjon der en automatisert handelsstrategi er knyttet til en realtids markedsmating og en megler (disse to kan være en og samme). Ny markedsinformasjon vil bli sendt til systemet, som utløser en hendelse for å generere et nytt handelssignal og dermed en utførelseshendelse. Disse systemene kjører i en kontinuerlig sløyfe som venter på å motta hendelser og håndtere dem på riktig måte. Det er mulig å generere delkomponenter som en historisk datahåndterings - og megler-simulator, som kan etterligne sine levende motstykker. Dette tillater backtesting strategier på en måte som er ekstremt lik den levende eksekvering. Ulempen med slike systemer ligger i deres kompliserte design sammenlignet med et enklere forskningsverktøy. Derfor er tid til markedet lengre. De er mer utsatt for feil og krever god kunnskap om programmerings - og programvareutviklingsmetodikk. I tekniske termer defineres latens som tidsintervallet mellom en simulering og et svar. Ved kvantitativ handel refererer det generelt til rundturstidsforsinkelsen mellom genereringen av et utføringssignal og mottak av fyllingsinformasjon fra en megler som utfører utførelsen. Slike latens er sjelden et problem på lavfrekvent interdagstrategier. Den forventede prisbevegelsen i latensperioden påvirker ikke i stor grad strategien. Det samme gjelder ikke for høyfrekvente strategier hvor latens blir ekstremt viktig. Det ultimate målet i HFT er å redusere ventetiden så mye som mulig for å redusere glidning. Reduserende latens innebærer å minimere avstanden mellom det algoritmiske handelssystemet og den ultimate utvekslingen som en ordre blir utført på. Dette kan innebære å forkorte den geografiske avstanden mellom systemer, og dermed redusere reisetider langs nettverkskabler. Det kan også innebære å redusere behandlingen som utføres i nettverksmaskinvare eller velge en megling med mer sofistikert infrastruktur. Mange megler konkurrerer på ventetid for å vinne forretninger. Reduserende latens blir eksponentielt dyrere som en funksjon av internettavstand, som er definert som nettverksavstanden mellom to servere. For en høyfrekvent handelsmann må det derfor oppnås et kompromiss mellom utgifter for latensreduksjon og gevinsten ved å minimere slippe. Disse problemene vil bli diskutert i avsnittet om Colocation nedenfor. Språkvalg Noen problemer som driver språkvalg er allerede skissert. Nå skal vi vurdere fordelene og ulempene ved de enkelte programmeringsspråkene. Jeg har bredt kategorisert språkene i høy ytelse, hardere utvikling mot lavere ytelse. Disse er subjektive vilkår og noen vil være uenige avhengig av deres bakgrunn. Et av de viktigste aspektene ved å programmere et tilpasset backtesting-miljø er at programmereren er kjent med verktøyene som brukes. For de som er nye for programmeringsspråket landskapet, vil følgende avklare hva som pleier å bli utnyttet innen algoritmisk handel. C, C og Java C, C og Java er alle eksempler på generelle formål objektorienterte programmeringsspråk. Dette betyr at de kan brukes uten et tilsvarende integrert utviklingsmiljø (IDE), er alle på tvers av plattformen, har et bredt spekter av biblioteker for nesten enhver tenkelig oppgave og tillater rask utføringshastighet når de brukes riktig. Hvis ultimate utførelseshastighet er ønsket, er C (eller C) sannsynligvis det beste valget. Den gir mest fleksibilitet for å administrere minne og optimalisere eksekveringshastigheten. Denne fleksibiliteten kommer til en pris. C er vanskelig å lære godt og kan ofte føre til subtile bugs. Utviklingstiden kan ta mye lengre tid enn på andre språk. Til tross for disse manglene er det gjennomgripende i finansbransjen. C og Java er like siden de begge krever at alle komponenter skal være objekter med unntak av primitive datatyper som flyter og heltall. De adskiller seg fra C ved å utføre automatisk søppelsamling. Søppelsamling gir en ytelse, men fører til raskere utvikling. Disse språkene er begge gode valg for å utvikle en backtester som de har innfødte GUI-evner, numeriske analysebiblioteker og rask eksekveringshastighet. Personlig bruker jeg C for å skape hendelsesdrevne backtestere som trenger ekstremt hurtig eksekveringshastighet, for eksempel for HFT-systemer. Dette er bare hvis jeg følte at et Python-hendelse-drevet system var flaskehalset, da sistnevnte språk ville være mitt førstevalg for et slikt system. MATLAB, R og Python MATLAB er en kommersiell IDE for numerisk beregning. Den har fått bred aksept i den akademiske, tekniske og finansielle sektoren. Den har mange numeriske biblioteker for vitenskapelig beregning. Den har en rask utføringshastighet under forutsetning av at en hvilken som helst algoritme som utvikles er underlagt vektorisering eller parallellisering. Til tross for disse fordelene er det dyrt, noe som gjør det mindre attraktivt for forhandlere på et budsjett. MATLAB brukes noen ganger for direkte utførelse til en megling som Interactive Brokers. R er et dedikert statistikkskriptemiljø. Det er gratis, åpen kildekode, kryssplattform og inneholder et vell av frie tilgjengelige statistiske pakker for å gjennomføre ekstremt avansert analyse. R er svært mye brukt i akademisk statistikk og den kvantitative hedgefondbransjen. Selv om det er mulig å koble R til en megling, er det ikke godt egnet for oppgaven, og bør betraktes som mer av et forskningsverktøy. Det mangler også eksekveringshastighet med mindre operasjoner er vektorisert. Ive grupperte Python under denne overskriften, selv om det sitter et sted mellom MATLAB, R og de nevnte generelle språkene. Det er gratis, åpen kildekode og kryssplattform. Det tolkes i motsetning til kompilert. noe som gjør det nasjonalt tregere enn C. Det inneholder imidlertid et bibliotek for å utføre nesten hvilken som helst oppgave som kan forestilles, fra vitenskapelig beregning til lavt nivå på webserverdesign. Spesielt inneholder den NumPy, SciPy, pandas, matplotlib og scikit-learn, som gir et robust numerisk forskningsmiljø som når vektorisert er sammenlignbart med kompilert språkutføringshastighet. Python har også biblioteker for å koble til meglerhus. Dette gjør det til en one-stop-butikk for å skape et hendelse-drevet backtesting og live-utførelsesmiljø uten å måtte gå inn på andre, mer komplekse språk. Gjennomføringshastigheten er mer enn tilstrekkelig for intradaghandlere som handler på tidsskalaen på minutter og over. Python er veldig grei å hente og lære når sammenlignet med lavere språk som C. Av disse grunner bruker vi mye Python innenfor QuantStart-artikler. Integrerte utviklingsmiljøer Begrepet IDE har flere betydninger innen algoritmisk handel. Programvareutviklere bruker det til å bety en GUI som tillater programmering med syntaxutheving, filbrowsing, feilsøking og kodeutførelse. Algoritmiske handelsmenn bruker det til å bety et fullt integrert backtestingtrading-miljø med historisk eller sanntidsdataoverføring, kartlegging, statistisk evaluering og live-utførelse. For vårt formål bruker jeg ordet å bety enhver backtesttrading-miljø, ofte GUI-basert, som ikke regnes som et generelt programmeringsspråsmål. Selv om noen kvantehandlere kanskje anser Excel for å være upassende for handel, har jeg funnet det å være ekstremt nyttig for sunnhetskontroll av resultatene. Det faktum at alle dataene er direkte tilgjengelige i vanlig synsfelt gjør det enkelt å implementere svært grunnleggende signalfilterstrategier. Brokerages som Interactive Brokers tillater også DDE plugins som tillater Excel å motta realtids markedsdata og utføre handelsordrer. Til tross for brukervennligheten er Excel ekstremt sakte for en rimelig skala av data eller nivå av numerisk beregning. Jeg bruker det bare til å feilsøke når jeg utvikler seg mot andre strategier. Spesielt er det ekstremt praktisk for å sjekke om en strategi er utsatt for forutgående forspenning. Dette er grei å oppdage i Excel på grunn av programvarens regneark. Hvis du er ubehagelig med programmeringsspråk og utfører en interday-strategi, kan Excel være et godt valg. CommercialRetail Backtesting Software Markedet for detaljert kartlegging, teknisk analyse og backtesting programvare er ekstremt konkurransedyktig. Funksjoner som tilbys av slik programvare inkluderer sanntids kartlegging av priser, et vell av tekniske indikatorer, tilpasset backtesting langauges og automatisert utførelse. Enkelte leverandører gir en alt-i-ett-løsning, for eksempel TradeStation. TradeStation er en online megling som produserer handelsprogramvare (også kjent som TradeStation) som gir elektronisk ordreutførelse på tvers av flere aktivaklasser. Jeg er for øyeblikket uvitende om en direkte API for automatisk utførelse. I stedet må bestillinger plasseres gjennom GUI-programvaren. Dette er i kontrast til Interactive Brokers, som har et smartere handelsgrensesnitt (Trader WorkStation), men tilbyr både deres proprietære real-time markedsordreutførings-APIer og et FIX-grensesnitt. En annen ekstremt populær plattform er MetaTrader. som brukes i valutahandel for å skape ekspertrådgivere. Disse er tilpassede skript skrevet på et proprietært språk som kan brukes til automatisert handel. Jeg har ikke hatt mye erfaring med enten TradeStation eller MetaTrader, så jeg vil ikke bruke for mye tid på å diskutere deres fordeler. Slike verktøy er nyttige hvis du ikke er komfortabel med grundig programvareutvikling og ønsker mye av detaljene som skal tas vare på. Men med slike systemer blir mye fleksibilitet ofret og du er ofte bundet til en enkelt megling. Open Source og Web-Based Tools De to nåværende populære nettbaserte backtesting-systemene er Quantopian og QuantConnect. Den tidligere bruker Python (og ZipLine, se nedenfor) mens sistnevnte benytter C. Begge gir et vell av historiske data. Quantopian støtter for øyeblikket live trading med Interactive Brokers, mens QuantConnect jobber for live trading. Algo-Trader er et sveitsisk firma som tilbyr både en åpen kildekode og en kommersiell lisens for sitt system. Fra det jeg kan samle, synes tilbudet ganske modent og de har mange institusjonelle klienter. Systemet gir full historisk backtesting og komplekse hendelsesbehandling og de knytter seg til Interactive Brokers. Enterprise Edition tilbyr vesentlig flere funksjoner med høy ytelse. Marketcetera gir et backtesting system som kan knytte seg til mange andre språk, for eksempel Python og R, for å utnytte kode som du kanskje allerede har skrevet. Strategistudiet gir mulighet til å skrive backtesting-kode, samt optimaliserte eksekveringsalgoritmer og deretter overgang fra en historisk backtest til live-papirhandel. Jeg har ikke brukt dem før. ZipLine er Python biblioteket som driver den kvantitative tjenesten nevnt ovenfor. Det er et fullt hendelse-drevet backtest-miljø og støtter for øyeblikket amerikanske aksjer på en liten måte. Jeg har ikke gjort mye bruk av ZipLine, men jeg kjenner andre som føler at det er et godt verktøy. Det er fortsatt mange områder igjen for å forbedre, men teamet jobber kontinuerlig med prosjektet, og det er veldig aktivt vedlikeholdt. Det er også noen GithubGoogle-kode vertskapte prosjekter som du kanskje ønsker å se på. Jeg har ikke brukt mye tid på å undersøke dem. Slike prosjekter inkluderer OpenQuant. TradeLink og PyAlgoTrade. Institutional Backtesting Software Institutional-grade backtesting systemer som Deltix og QuantHouse brukes ikke ofte av detaljhandel algoritmiske handelsmenn. Programvarelisensene er generelt godt utenfor budsjettet for infrastruktur. Som sagt, er slik programvare mye brukt av kvantfonde, proprietære handelshus, familiekontorer og lignende. Fordelene ved slike systemer er klare. De gir en alt-i-ett-løsning for datainnsamling, strategiutvikling, historisk backtesting og live-utførelse over enkeltinstrumenter eller porteføljer, opp til høyfrekvensnivået. Slike plattformer har hatt omfattende testing og mye i feltbruken og anses derfor robuste. Systemene er hendelsesdrevne og backtesting-miljøene kan ofte simulere levende miljøer i høy grad av nøyaktighet. Systemene støtter også optimaliserte utførelsesalgoritmer, som forsøker å minimere transaksjonskostnader. Dette er spesielt nyttig for handelsfolk med en større kapitalbase. Jeg må innrømme at jeg ikke har hatt mye erfaring med Deltix eller QuantHouse. Når det er sagt, legger budsjettet alene dem ut av de fleste forhandlerne, så jeg vil ikke bo på disse systemene. Colocation Programvarelandskapet for algoritmisk handel har nå blitt undersøkt. Vi kan nå gjøre oppmerksomheten mot implementering av maskinvaren som vil utføre våre strategier. En forhandler vil sannsynligvis utføre sin strategi hjemmefra i løpet av markedstiden. Dette vil innebære å slå på PCen, koble til megling, oppdatere deres markedsprogramvare og deretter tillate algoritmen å utføre automatisk i løpet av dagen. Omvendt vil et profesjonelt kvantfond med betydelige aktiva under forvaltning (AUM) ha en dedikert utvekslingskolokert serverinfrastruktur for å redusere latens så langt som mulig for å utføre sine høyhastighetsstrategier. Hjemmekonfigurasjon Den enkleste tilnærmingen til maskinvareutplassering er rett og slett å utføre en algoritmisk strategi med en stasjonær stasjonær datamaskin koblet til meglerhuset via en bredbåndstilkobling (eller lignende). Mens denne tilnærmingen er grei å komme i gang, lider det av mange ulemper. Stasjonærmaskinen er utsatt for strømbrudd, med mindre det er sikkerhetskopiert av en UPS. I tillegg er en Internett-tilkobling også i tjeneste av Internett-leverandøren. Strømutslipp eller internettforbindelse kan oppstå på et avgjørende tidspunkt i handel, slik at den algoritmiske handelsmannen har åpne posisjoner som ikke kan lukkes. Dette problemet oppstår også med operativsystemet obligatorisk omstart (dette har faktisk skjedd med meg i en profesjonell innstilling) og komponentsvikt, noe som fører til de samme problemene. Av de ovennevnte årsakene nøler jeg med å anbefale en hjemme-desktop-tilnærming til algoritmisk handel. Hvis du bestemmer deg for å forfølge denne tilnærmingen, må du sørge for at du har både en backup-datamaskin og en sikkerhetskopieringsforbindelse (for eksempel en 3G-dongle) som du kan bruke til å lukke posisjoner under en nedetidssituasjon. Det neste nivået opp fra et hjemme-skrivebord er å benytte seg av en virtuell privat server (VPS). En VPS er et eksternt serversystem som ofte markedsføres som en skygtjeneste. De er langt billigere enn en tilsvarende dedikert server, siden en VPS faktisk er en partisjon på en mye større server. De har et virtuelt, isolert operativsystemmiljø som bare er tilgjengelig for hver enkelt bruker. CPU-belastning deles mellom flere VPS og en del av system-RAM er allokert til VPS. Dette utføres alt gjennom en prosess som kalles virtualisering. Vanlige VPS-leverandører inkluderer Amazon EC2 og Rackspace Cloud. De gir tilgangsnivå systemer med lav RAM og grunnleggende CPU-bruk gjennom til enterprise-ready høy RAM, høy CPU servere. For de fleste av de algoritmiske detaljhandelshandlerne er tilgangsnivåsystemene tilstrekkelige for lavfrekvent intradag - eller interdagstrategier og mindre historiske databaser. Fordelene ved et VPS-basert system inkluderer 247 tilgjengelighet (om enn med en viss realistisk nedetid), robustere overvåkingsfunksjoner, enkle plugins for tilleggstjenester, for eksempel filoppbevaring eller administrerte databaser og en fleksibel arkitektur. En ulempe er den pågående utgiften. Som systemet vokser dedikert maskinvare blir billigere per ytelsesenhet. Dette prispunktet forutsetter colocation bort fra en utveksling. Sammenlignet med et hjemme-skrivebordssystem blir latens ikke alltid forbedret ved å velge en VPS-leverandør. Hjemstedet ditt kan være nærmere en bestemt finansiell utveksling enn datasentrene til skyleverandøren din. Dette reduseres ved å velge et firma som tilbyr VPS-tjenester rettet spesielt for algoritmisk handel som ligger i eller i nærheten av børsene. Disse vil trolig koste mer enn en generisk VPS-leverandør som Amazon eller Rackspace. Exchange Colocation For å få best mulig tidsbegrensning er det nødvendig å kolokere dedikerte servere direkte på utvekslingsdatasenteret. Dette er et uoverkommelig dyrt alternativ for nesten alle detaljhandel algoritmiske handelsmenn med mindre de er veldig godt kapitalisert. Det er egentlig domenet til det profesjonelle kvantitative fondet eller meglerhuset. Som nevnt ovenfor er et mer realistisk alternativ å kjøpe et VPS-system fra en leverandør som ligger i nærheten av en utveksling. Som det kan ses, er det mange alternativer for backtesting, automatisert utførelse og hosting av en strategi. Fastsettelse av den riktige løsningen er avhengig av budsjett, programmeringsevne, grad av tilpasning som kreves, tilgjengeligheten for aktivaklasse og om handel skal utføres på detaljhandel eller faglig basis. Bare Komme i gang med kvantitativ TradingPioneering i Tomorrows Trading Hvordan fungerer det Bygg algoritmer i en nettleser IDE, bruk Template Strategies og Free Data Design og test strategien din på våre gratis data og når du er klar distribuere den til megling. Kode i flere programmeringsspråk og bruk vår klynge av hundrevis av servere for å kjøre din backtest for å analysere strategien din i aksjer, fx, CFD, opsjoner eller futures markeder. QuantConnect er den neste revolusjonen i kvant trading, kombinere cloud computing og åpen data tilgang. Uovertruffen Speed ​​Harness vår server gård for institusjonelle hastigheter fra din stasjonære datamaskin. Du kan iterere på ideene dine raskere enn du noensinne har gjort før. Massive Data Library Vi tilbyr et massivt gratis 400TB tick oppløsning databibliotek som dekker amerikanske aksjer, opsjoner, futures, grunnlag, CFD og Forex siden 1998. World Class Execution Våre live trading algoritmer er co-lokalisert ved siden av markedet servere i Equinix (NY7) for resilent, sikker og lyn rask utførelse til markedene. Har noen gode ideer Lets teste det ut Start din algoritme Professional Quality, Open Data Library Design strategier med vårt nøye kuraterte databibliotek, som spenner over globale markeder, fra kryss til daglig oppløsning. Dataene oppdateres nesten daglig, slik at du kan sikkerhetskopiere på de aller nyeste dataene, og overlevere bias gratis. Vi tilbyr aksjekursdata som går tilbake til januar 1998 for hvert symbol som handles, totalt over 29.000 aksjer. Prisen er levert av QuantQuote. I tillegg har vi Morning Star Fundamental data for de mest populære 8000 symbolene for 900 indikatorer siden 1998. FOREX amp CFD Vi tilbyr 100 valutapar og 70 CFD-kontrakter som dekker alle store økonomier fra FXCM og OANDA. Data er ved kryssoppløsning, starter april 2007 og oppdateres daglig. Vi tilbyr futures tick handel og sitater data fra januar 2009 til stede, for hver kontrakt handles i CME, COMEX og GLOBEX. Dataene oppdateres ukentlig og leveres av AlgoSeek. Vi tilbyr opsjonshandler og anførselstegn ned til minuttoppløsning, for alle opsjoner som handles på ORPA siden 2007, som dekker millioner av kontrakter. Dataene oppdateres innen 48 timer og leveres av AlgoSeek. Team Collaboration Finn nye venner i samfunnet og samarbeide sammen med teamkodingsfunksjonen Del prosjekter og se koden deres umiddelbart når de skriver. Du kan til og med gi levende tilgang og kontrollere livealgoritmen sammen. Bruk våre interne direktemeldinger for å finne potensielle teammedlemmer for å bli med i styrken. Sikker Intellektuell Eiendom Vårt fokus er å gi deg den best mulige algoritmiske handelsplattformen og beskytte din verdifulle intellektuelle eiendom. Vi vil alltid være en infrastruktur og teknologileverandør først. Når du er klar for live trading, lykkelig, kan du utføre gjennom din mekler. Gjennomfør Leading Brokerages Weve integrert med verdensledende meglerhus for å gi best mulig utførelse og laveste avgifter til samfunnet. Hendelsesdrevne strategier Å designe en algoritme kunne ikke vært enklere. Det er bare to nødvendige funksjoner, og vi tar vare på alt annet. Du initierer bare () din strategi og håndterer de datahendelsene du ba om. Du kan opprette nye indikatorer, klasser, mapper og filer med en nettbasert full C-kompilator og automatisk fullført. Vi er forpliktet til å gi deg den beste mulige algoritmenes designopplevelse. Utnyt ditt potensielle valg til brukere kan få sine strategier presentert for hedgefund-klienter i et gjennomsiktig, profesjonelt strategisk dashbord. Strategier er validert av QuantConnects backtesting og live trading, noe som gir deg en nøytral tredjeparts gjennomgang av kode. Interesserte hedgefunds kan kontakte deg direkte via QuantConnect for å tilby deg sysselsetting eller finansiering for din strategi. Bli med i vårt fellesskap Vi har et av de største kvantitative handelssamfunnene i verden, bygger, deler og diskuterer strategier gjennom vårt fellesskap. Konvertere med noen av de lyseste sinnene i verden når vi undersøker nye verdener av vitenskap, matematikk og økonomi.