～ 起點不重要，到得了終點才重要 ～

Algorithmic Trading on AWS with Amazon SageMaker and AWS Data Exchange
筆者是因為無意間發現這篇文章才開始發想開始這三十天的挑戰，文中提到演算法交易遷往雲端運作是金融服務業的新趨勢，原因有以下幾點：

1. 一般來說金融服務的單一性以及隔離性比較嚴格，不同系統要跨系統整合比較困難，在雲上因為有權限控管可以做到比較靈活的資源整合，不同系統要整合 AWS 也常常預想到有這方面的需求在安全無虞的狀況下開一條路，另外因為雲端按需使用的特性使得這些「實驗」性質的系統在雲上獲得更好的發揮空間
2. 另一點是金融公司往往對低延遲有極高的需求，利用雲端本身已經極大化 infrastructure 的實力，尤其是網路基礎設施，雲端與私人金融公司的基礎建設不是同一個級別的，更何況越來越多交易所已經把一些系統往雲端遷移，Nasdaq 使用案例 當然在雲上運用這些資源延遲更低了
3. 還有雲上的計算資源，這些資源是昂貴且經濟效益未知，若要進行機器學習的計算訓練，企業投入的成本十分驚人，雲端提供了選項，可以加速開發與訓練迭代的過程
4. 筆者以為，AWS 機器學習方案並不便宜唷，較適合成熟的開發者使用，如果是剛入門或是公司有大量機器學習的需求，很有可能會提供自購設備使用，不過此場景也是和非核心業務的機器學習專案開發與導入

這篇 blog 不僅提供了一個方法可以上手在 AWS 進行演算法交易的途徑，也提供了回測的做法與數值方法
下圖給了一個演算法交易系統的組件圖

1. Algorithmic Trading Engine（演算法引擎）：是整個系統的中心組件，交易策略在這裡建立、訓練、測試、部署，在 AWS 服務上對應的就是 SageMaker 服務，同時也需要協調管理各個周邊輔助系統完成整個交易系統的工作
2. Market Data Adapter feeds engine（報價資料來源）：包含即時、歷史資料以及其他市場相關資料
3. Exchange / Broker Adapter（交易所、券商協調者）：指的就是如永豐 API 扮演居中資料串接、下單等工作
4. Data Store（資料集）：如 dynamodb 可以儲存下單資料、S3 可以存放歷史報價資料等等

文中建議讀者在完成文中所說的練習後，有以下兩點待完成事項：

1. 可以應用建立自己的演算法
2. 串接交易所、券商 API

到目前為止，筆者對於此篇文章掌握度大約 7 成，剩下就演算法內容以及資料處理細節等等，我們大概花幾天時間細細品味國外 AWS 專家對 algorithmic trading system 的規劃，再看如何延伸此系統打造自己的交易室

參考資料：

https://aws.amazon.com/tw/blogs/industries/algorithmic-trading-on-aws-with-amazon-sagemaker-and-aws-data-exchange/