С тех пор, как появилась торговля криптовалютой на основе API, биржи начали предоставлять API для торговли на основе Python, и большинство программных трейдеров использовали Python для кодирования стратегий. Это удобно, и пользователи могут напрямую использовать numpy/pandas и sklearn/scipy/keras для реализации стратегий. Однако очень скоро эти системы столкнутся с проблемами производительности и масштабируемости, когда количество торговых продуктов увеличится, а на рынке произойдет большое движение. Как мы можем использовать мощные исследовательские возможности Python, эффективно конкурируя на рынке?
Стандартной парадигмой многих торговых фирм с Уолл-стрит является использование Python для исследований и C++ для реальной торговли и тестирования на исторических данных. У разных фирм есть разные способы его реализации, некоторые используют метод свободной интеграции и нуждаются в ручном процессе для передачи моделей, другие используют генерацию кода для преобразования кода Python в код C++. Каждый подход имеет свои плюсы и минусы. Здесь я расскажу о полностью автоматизированном и основанном на конфигурации подходе.
Уровень подключения
Единый торговый API
Платформа компонентов
Основные данные безопасности
Исторические данные
Разминка стратегии
Расчет прибыли
Управление учетными записями и рисками
Механизм моделирования
Генерация данных и подбор модели
Продолжение следует... (Я буду обновлять этот пост, но сначала опубликую его, чтобы оценить интерес. Вы можете проверить https://algo.apifiny.com для торговой системы, построенной на этом методе).
