กรณีศึกษาการใช้ภาษา Go สำหรับอัลกอริทึมเทรดดิ้ง

 (polygon.io)
4 คะแนน โดย GN⁺ 2023-07-01 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • กรณีศึกษาด้านอัลกอริทึมเทรดดิ้ง: แสดงการพัฒนาบอตเทรดดิ้งรายย่อยแบบอัตโนมัติ
  • บอตนี้สามารถมอนิเตอร์ตลาดหุ้นทั้งตลาดแบบเรียลไทม์และตัดสินใจเทรดได้อย่างรวดเร็ว
  • การพัฒนาบอตนี้ผ่านการลองผิดลองถูกและการปรับปรุงซ้ำมาเป็นเวลาหลายปี
  • บอตนี้สร้างด้วย Go และรันบนระบบเกมมิงประสิทธิภาพสูงที่มี 16 คอร์, RAM 128GB และ NVMe storage 8TB
  • องค์ประกอบพื้นฐาน 3 ส่วนของบอตนี้คือผู้ให้บริการข้อมูล (Polygon.io), แอปพลิเคชัน (แอป Go) และโบรกเกอร์ (Interactive Brokers)
  • แอปพลิเคชัน Go จะรวบรวมและตีความ data feed, ตัดสินใจเทรด และส่งคำสั่งซื้อและขาย
  • บอตนี้มีเว็บอินเทอร์เฟซในตัวสำหรับสำรวจโครงสร้างข้อมูล, การทำ visualization ของข้อมูล และการมอนิเตอร์การเทรด
  • การพัฒนากลยุทธ์และการ backtesting เป็นองค์ประกอบสำคัญของบอตนี้ โดยเน้นการสร้างแพลตฟอร์มสำหรับทดสอบและรันกลยุทธ์แบบกำหนดเอง
  • มีการให้ทั้ง pseudocode และตัวอย่างโค้ด Go จริงเพื่ออธิบายโครงสร้างและลำดับการทำงานของบอต
  • บทเรียนที่ได้จากการทำความเข้าใจ abstraction ของตลาดหุ้น, การจัดการคำสั่งซื้อ, การรับมือสถานการณ์ยกเว้น และความสุ่มในกลยุทธ์การเทรด
  • ทดสอบความสามารถหลักของระบบเทรดด้วยการทำธุรกรรม 1,000 รายการต่อวันกับหุ้นแบบสุ่มเป็นเวลาหนึ่งสัปดาห์
  • ปรับปรุงความละเอียดและจับกิจกรรมตลาดได้แม่นยำขึ้นด้วยการใช้ tick bars แทนหน่วยเวลา
  • ย้ายไปใช้งานแบบ in-memory ทั้งหมดเพื่อเอาชนะปัญหาด้าน scalability และใช้ map ขนาดใหญ่ร่วมกับ mutex lock
  • ตระหนักถึงความสำคัญของเครื่องสำรองไฟฟ้าที่ไม่สะดุดเพื่อป้องกันการสูญหายของข้อมูล
  • โปรเจ็กต์สร้างระบบเทรดเป็นงานที่ท้าทาย ใช้เวลามาก และอาจโดดเดี่ยว
  • ใช้พลังของ Go และ Python ในการพัฒนาระบบเทรดและสำรวจข้อมูล
  • ใช้ประโยชน์จากอิทธิพลอันพลิกโฉมของ ChatGPT สำหรับการตั้งคำถาม การสร้างโค้ด และการเพิ่มประสิทธิภาพการทำงาน
  • ความสามารถในการตรวจจับความผิดปกติของตลาดและสัมผัสเหตุการณ์ในตลาดได้โดยตรงด้วยระบบเทรดส่วนตัว
  • แหล่งเรียนรู้เพิ่มเติมเกี่ยวกับคณิตศาสตร์ การเงิน อัลกอริทึมเทรดดิ้ง และการวิเคราะห์ข้อมูล

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2023-07-01
ความคิดเห็นบน Hacker News
  • การเทรดเชิงอัลกอริทึมเป็นสาขาที่ซับซ้อน น่าสนใจมาก มีการแข่งขันสูง และถูกกำกับดูแลอย่างเข้มงวด
  • ในการเทรดเชิงอัลกอริทึม กลยุทธ์คือหัวใจสำคัญของการทำกำไรในตลาดที่มีการแข่งขัน จึงเป็นประเด็นหลักของการสนทนา
  • ผู้เข้าร่วมตลาดที่ทำงานบนช่วงเวลาต่างกันสื่อสารและทำความเข้าใจกันได้ยาก
  • Collective2 เป็นแพลตฟอร์มที่เปิดให้วิศวกรจ่ายค่าสมัครสมาชิกและแบ่งปันสัญญาณซื้อ/ขายของตนเอง ซึ่งช่วยให้เห็นภาพบางส่วนของโลกการเทรดเชิงอัลกอริทึม
  • การเลือกภาษาโปรแกรมมิงไม่ได้สำคัญเท่ากับตัวอัลกอริทึมการเทรดเอง
  • แง่มุมสำคัญของการพัฒนาระบบเทรดอัตโนมัติ ได้แก่ data feed, การสร้างคุณลักษณะ, การสร้างสัญญาณ และการจัดการคำสั่งซื้อขาย
  • บทความนี้ให้มุมมองเกี่ยวกับด้านเทคนิคของการเทรดเชิงอัลกอริทึมและ pipeline โดยทั่วไป แต่ยังขาดรายละเอียดเรื่องการสเกลระบบและการทำงานแบบอะซิงโครนัส
  • การสร้างบอตเทรดอาจเป็นความพยายามที่โดดเดี่ยว และการมีทีมอาจเป็นประโยชน์
  • บทความนี้ถูกวิจารณ์ว่าไร้สาระและเป็นคลิกเบต โดยขาดข้อมูลที่มีเนื้อหาสาระจริง
  • กลยุทธ์การทำ backtesting รวมถึงกรณีของ ETF ควรคำนึงถึงเงินปันผลและการแตกพาร์ และมีการขอคำแนะนำในเรื่องนี้