Eine Fallstudie zu Go für den algorithmischen Handel

• Eine Fallstudie zum algorithmischen Handel: Sie zeigt die Entwicklung eines automatisierten Retail-Trading-Bots.
• Dieser Bot kann den gesamten Aktienmarkt in Echtzeit überwachen und schnelle Trading-Entscheidungen treffen.
• Die Entwicklung dieses Bots war von mehreren Jahren des Trial-and-Error und iterativen Verbesserungen geprägt.
• Der Bot wurde mit Go entwickelt und läuft auf einem leistungsstarken Gaming-System mit 16 Kernen, 128 GB RAM und 8 TB NVMe-Speicher.
• Die drei Grundkomponenten des Bots sind der Datenanbieter (Polygon.io), die Anwendung (eine Go-App) und der Broker (Interactive Brokers).
• Die Go-Anwendung sammelt und interpretiert Daten-Feeds, trifft Trading-Entscheidungen und führt Kauf- und Verkaufsorders aus.
• Der Bot enthält eine integrierte Weboberfläche zur Erkundung von Datenstrukturen, zur Datenvisualisierung und zur Überwachung von Trades.
• Strategieentwicklung und Backtesting sind wichtige Bestandteile des Bots; der Fokus liegt auf dem Aufbau einer Plattform zum Testen und Ausführen benutzerdefinierter Strategien.
• Zur Erklärung von Struktur und Ablauf des Bots werden Pseudocode und echte Go-Codebeispiele bereitgestellt.
• Gewonnene Erkenntnisse zum Verständnis der Abstraktion des Aktienmarkts, des Order-Managements, des Umgangs mit Ausnahmesituationen und der Zufälligkeit in Trading-Strategien.
• Die Kernfunktionen des Trading-Systems werden getestet, indem eine Woche lang täglich 1000 Trades mit zufälligen Aktien ausgeführt werden.
• Statt Zeitintervallen werden Tick-Bars verwendet, um die Auflösung zu verbessern und Marktaktivität präzise zu erfassen.
• Skalierungsprobleme werden überwunden, indem vollständig auf In-Memory-Verarbeitung umgestellt und eine große Map mit Mutex-Locks genutzt wird.
• Es wird die Bedeutung einer unterbrechungsfreien Stromversorgung erkannt, um Datenverlust zu verhindern.
• Das Projekt zum Aufbau eines Trading-Systems kann herausfordernd, zeitaufwendig und einsam sein.
• Für die Entwicklung des Trading-Systems und die Datenerkundung werden die Stärken von Go und Python genutzt.
• Der transformative Einfluss von ChatGPT wird für das Stellen von Fragen, das Generieren von Code und die Steigerung der Produktivität genutzt.
• Mit einem persönlichen Trading-System lassen sich Marktanomalien erkennen und Marktereignisse unmittelbar erleben.
• Weiterführende Lernmaterialien zu Mathematik, Finanzen, algorithmischem Handel und Datenanalyse.

[GN⁺]

Hacker-News-Kommentare

• Algorithmisches Trading ist ein stark reguliertes und wettbewerbsintensives, zugleich sehr interessantes und komplexes Feld.
• Im algorithmischen Trading sind Strategien ein zentrales Diskussionsthema, da sie der Schlüssel dazu sind, in einem umkämpften Markt Geld zu verdienen.
• Marktteilnehmer, die auf unterschiedlichen Zeitebenen arbeiten, haben Schwierigkeiten bei Kommunikation und gegenseitigem Verständnis.
• Collective2 ist eine Plattform, auf der Ingenieure eine Abogebühr zahlen und ihre Kauf-/Verkaufssignale teilen können; sie bietet einen kleinen Einblick in einen Teil des algorithmischen Tradings.
• Die Wahl der Programmiersprache ist weniger wichtig als der Trading-Algorithmus selbst.
• Wichtige Aspekte bei der Entwicklung automatisierter Handelssysteme sind Daten-Feeds, Feature-Generierung, Signal-Generierung und Order-Management.
• Der Artikel bietet Einblicke in die technischen Aspekte des algorithmischen Tradings und die allgemeine Pipeline, es fehlen jedoch Details zu Skalierung und asynchroner Implementierung.
• Einen Trading-Bot zu bauen kann ein einsames Unterfangen sein, und ein Team zu haben kann von Vorteil sein.
• Der Artikel wurde dafür kritisiert, inhaltsleer und clickbaitartig zu sein und zu wenig substanzielle Informationen zu liefern.
• Beim Backtesting von Strategien, einschließlich solcher mit ETFs, müssen Dividenden und Splits berücksichtigt werden; dazu wurde um Rat gebeten.