Estudio de caso de Go para trading algorítmico

• Estudio de caso sobre trading algorítmico: muestra el desarrollo de un bot automatizado de trading minorista.
• Este bot puede monitorear todo el mercado de valores en tiempo real y tomar decisiones de trading con rapidez.
• El desarrollo de este bot pasó por varios años de prueba y error y mejoras iterativas.
• El bot fue construido con Go y se ejecuta en un sistema gamer de alto rendimiento con 16 núcleos, 128 GB de RAM y 8 TB de almacenamiento NVMe.
• Los tres componentes básicos del bot son el proveedor de datos (Polygon.io), la aplicación (app en Go) y el bróker (Interactive Brokers).
• La aplicación en Go recopila e interpreta los feeds de datos, toma decisiones de trading y ejecuta órdenes de compra y venta.
• El bot incluye una interfaz web integrada para explorar estructuras de datos, visualizar datos y monitorear operaciones.
• El desarrollo de estrategias y el backtesting son componentes importantes de este bot, con enfoque en crear una plataforma para probar y ejecutar estrategias personalizadas.
• Se proporcionan pseudocódigo y ejemplos reales de código en Go para explicar la estructura y el flujo del bot.
• Lecciones aprendidas para entender la abstracción del mercado de valores, la gestión de órdenes, el manejo de casos excepcionales y la aleatoriedad en las estrategias de trading.
• Se prueban las funciones clave del sistema de trading realizando 1000 operaciones por día con acciones aleatorias durante una semana.
• Se usan barras por tick en lugar de unidades de tiempo para mejorar la resolución y capturar con precisión la actividad del mercado.
• Se superan los problemas de escalabilidad pasando a una arquitectura completamente en memoria y aprovechando mapas grandes con bloqueos mutex.
• Se reconoce la importancia de una fuente de alimentación ininterrumpida para evitar la pérdida de datos.
• El proyecto de construir un sistema de trading puede ser desafiante, demandar mucho tiempo y sentirse solitario.
• Se aprovecha el poder de Go y Python para el desarrollo del sistema de trading y la exploración de datos.
• Se aprovecha el impacto transformador de ChatGPT para hacer preguntas, generar código y mejorar la productividad.
• La capacidad de detectar anomalías del mercado y experimentar de primera mano eventos del mercado con un sistema de trading personal.
• Recursos adicionales de aprendizaje sobre matemáticas, finanzas, trading algorítmico y análisis de datos.

[GN⁺]

Comentarios de Hacker News

• El trading algorítmico es un campo muy interesante y complejo, con regulaciones estrictas y alta competitividad.
• En el trading algorítmico, la estrategia es el núcleo para ganar dinero en un mercado competitivo, por lo que es el principal foco de discusión.
• A los participantes del mercado que operan en distintas escalas de tiempo les resulta difícil comunicarse y entenderse entre sí.
• Collective2 es una plataforma donde los ingenieros pueden pagar una suscripción y compartir sus propias señales de compra/venta, lo que permite echar un vistazo a una parte del trading algorítmico.
• La elección del lenguaje de programación es menos importante que el algoritmo de trading en sí.
• Entre los aspectos importantes del desarrollo de sistemas de trading automatizado están el feed de datos, la generación de características, la generación de señales y la gestión de órdenes.
• Este artículo ofrece algunas ideas sobre los aspectos técnicos del trading algorítmico y su pipeline general, pero carece de detalles sobre escalado e implementación asíncrona.
• Crear un bot de trading puede ser un esfuerzo solitario, y contar con un equipo puede ser beneficioso.
• El artículo fue criticado por ser vacío y clickbait, con poca información sustancial.
• Las estrategias de backtesting, incluidas las que usan ETF, deben considerar dividendos y splits, y se pidió consejo al respecto.