Étude de cas sur l’utilisation de Go pour le trading algorithmique

• Une étude de cas en trading algorithmique montrant le développement d’un bot de trading automatisé pour investisseurs particuliers.
• Ce bot peut surveiller l’ensemble du marché boursier en temps réel et prendre rapidement des décisions de trading.
• Son développement a nécessité plusieurs années d’essais, d’erreurs et d’améliorations itératives.
• Le bot a été construit avec Go et s’exécute sur un système gaming hautes performances doté de 16 cœurs, 128 Go de RAM et 8 To de stockage NVMe.
• Les trois composants de base du bot sont le fournisseur de données (Polygon.io), l’application (une app Go) et le broker (Interactive Brokers).
• L’application Go collecte et interprète les flux de données, prend des décisions de trading et exécute les ordres d’achat et de vente.
• Le bot inclut une interface web intégrée pour explorer les structures de données, visualiser les données et surveiller les transactions.
• Le développement de stratégies et le backtesting sont des composants essentiels du bot, avec un focus sur la création d’une plateforme pour tester et exécuter des stratégies personnalisées.
• Du pseudocode et de vrais exemples de code Go sont fournis pour expliquer la structure et le flux du bot.
• Leçons tirées de la compréhension de l’abstraction du marché boursier, de la gestion des ordres, du traitement des cas exceptionnels et de l’aléatoire dans les stratégies de trading.
• Les fonctions cœur du système de trading sont testées en effectuant 1 000 transactions par jour sur des actions aléatoires pendant une semaine.
• Des tick bars sont utilisées à la place d’unités de temps afin d’améliorer la résolution et de capturer précisément l’activité du marché.
• Les problèmes de scalabilité sont surmontés en passant à une architecture entièrement in-memory et en exploitant de grandes maps avec des verrous mutex.
• L’importance d’une alimentation sans interruption devient évidente pour éviter toute perte de données.
• Construire un système de trading est un projet difficile, long et parfois solitaire.
• La puissance de Go et de Python est exploitée pour développer le système de trading et explorer les données.
• L’impact transformateur de ChatGPT est mis à profit pour poser des questions, générer du code et améliorer la productivité.
• Un système de trading personnel permet de détecter des anomalies de marché et de vivre directement les événements de marché.
• Ressources complémentaires pour approfondir les mathématiques, la finance, le trading algorithmique et l’analyse de données.

[GN⁺]

Avis Hacker News

• Le trading algorithmique est un domaine complexe, très intéressant, à la fois fortement réglementé et très concurrentiel.
• Dans le trading algorithmique, la stratégie est au cœur du sujet, car c’est elle qui permet de gagner de l’argent sur un marché concurrentiel.
• Les acteurs du marché qui opèrent sur des horizons temporels différents ont du mal à communiquer et à se comprendre.
• Collective2 est une plateforme où des ingénieurs peuvent payer un abonnement et partager leurs signaux d’achat/vente, ce qui offre un aperçu d’une partie du trading algorithmique.
• Le choix du langage de programmation est moins important que l’algorithme de trading lui-même.
• Parmi les aspects importants du développement d’un système de trading automatisé figurent les flux de données, la génération de caractéristiques, la génération de signaux et la gestion des ordres.
• Cet article apporte quelques éclairages sur les aspects techniques du trading algorithmique et sur le pipeline habituel, mais manque de détails sur la mise à l’échelle et l’implémentation asynchrone.
• Construire un bot de trading peut être une démarche solitaire, et travailler en équipe peut être bénéfique.
• Cet article a été critiqué comme étant creux et accrocheur, avec peu d’informations réellement utiles.
• Les stratégies de backtesting, y compris sur des ETF, doivent prendre en compte les dividendes et les splits, et des conseils à ce sujet sont nécessaires.