Play 2.0 on Heroku

Несколько простых шагов и ваш веб апликейшн созданный на базе Play 2.0 фреймворка в клауде Heroku.

Install Play2.0 framework
Sign up to Heroku and install toolbelt
Create Public/Private keys
Create new project play new
Create Procfile in root dir of your project with one single line (web: target/start -Dhttp.port=${PORT} ${JAVA_OPTS})
Commit to Git (git init, git add ., git commit -m “init”)
Login to Heroku
Create Cedar stack (heroku create –stack cedar)
Push changes to heroku (git push heroku master)
Scale(start) your first web dynos (heroku ps:scale web=1, heroku restart)

Resources:
- https://devcenter.heroku.com/articles/quickstart
- https://github.com/playframework/Play20/wiki/ProductionHeroku

Design high frequency trading system

Approximation of Algo trading.

Within this post I will outline how high frequency trading systems (algorithmic trading system) are designed. the post is an extraction from a developer conference held in april 2010.

You can take it as a rough design guide for users looking for a way to build their own trading system or to learn how such systems are working. there are serveral posts covering the issue and each post goes deeper into the technical details of the system.

So what actually is high frequency trading? the definition varies from the person that describes it. all will agree to the following bullets:

  • piece of software running on a system to trade (buy/sell) certain asset classes
  • trading activity above the execution abilities of human possible
  • direct connected to a brokerage firm, a stock exchange or other trading network

Source

По сути это сводится к определению оптимистического распределения приорных вероятностей по возможным вариантам среды и вынуждает агента на первых порах вести себя так, как если бы повсеместно были разбросаны замечательные познаграждения.

Стартапы

Поиск устойчивой и масштабируемой бизнес модели. Тестирования изначальных предположений о рынках с помощью прототипирования, привлечение пользователей для получения обратной связи и др. Новейшие подходы, которые позволяют достигать целей гораздо быстрее чем традиционные методы разработки.

Машинное обучение

Машинное обучение (aka Machine Learning) один из самых успешных разделов искусственного интеллекта (AI). Координально изменил Финансовые Рынки, Индустрию Рекламы. Используется практически во всех компаниях, бизнес модель которых расчитана на получение прибыли за счет информации: инвестиционные банки, поисковые системы, онлайн и оффлайн ритейлеры и т.д.

Машинное обучение и Стартапы

По статистике, количество данных накопленных человечеством увеличивается каждый год в 2 раза. Это происходит за счет все более и более детального сбора информации об окружающем мире начиная от трекинга пользователей мобильной связи, заканчивая котировками акций на биржах.
Информация создает огромные возможности, в том числе и для быстрого старта новых компаний.
Но есть и обратная сторона, такой темп сбора информации приведет к тому, что через 10 лет базы увеличатся в тысячу раз, а через 20 лет в миллион.
Машинное обучение – позволяет создавать умные алгоритмы, которые способны находить закономерности и выполнять сложные операции с большими массивами данных. Машинное обучение активно набирает обороты практически во всех индустриях – инвестиционном банкинге, авиакомпаниях, рекламе, связи и др.

Современные достижения и перспективы Робототехники и Искусственного Интеллекта

Директор лаборатории Искусственного Интеллекта Стенфорда Эндрю Энг рассказывает о современных достижениях и перспективах Искусственного Интеллекта. Значительную часть доклада он посвещает искусственным нейронным сетям.