开源高吞吐量匹配引擎CoinTossX的测试与部署

软件X 19（2022）101136原始软件出版物CoinTossX：一个开源的低延迟高吞吐量匹配引擎Ivan Jericevicha，b，Dharmesh Singb，Tim Gebbiea，ba南非，Rondebosch 7700，开普敦大学统计科学系b2000年南非约翰内斯堡威特沃特斯兰德大学计算机科学与应用数学系ar t i cl e i nf o文章历史记录：2021年2月24日收到收到修订版，2022年5月21日接受，2022年保留字：市场匹配引擎开源应用Microsoft Azure部署JavaWeb应用朱莉娅·派森基于Agent的建模JSEa b st ra ct我们通过小规模桌面和大规模本地托管测试部署和演示CoinTossX低延迟，高吞吐量，开源匹配引擎，并通过使用Julia和Python语言发送订单同时管理多个交易工具和客户端。我们使用Microsoft Azure演示了基于云的部署，并考虑了大规模工业和模拟研究用例。该系统是用Java开发的，订单通过UDP协议以二进制编码（SBE）的形式提交，该系统将订单生成和仿真环境（例如，基于代理的模型仿真）与订单、数据馈送和订单簿系统的各种模块化组件的匹配这确保了生成订单的事件与订单簿动态和市场数据馈送相关的事件之间的更自然和更真实的版权所有©2022作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v1.0.0永久链接到用于此代码版本的代码/存储库https：//github。Com/ElsevierrSoftwareX/SOFTX-D-21-00044Code Ocean compute capsule法律代码许可证MIT许可证使用的代码版本控制系统使用的软件代码语言、工具和服务编程语言：Java、CSS、HTML、Shell、Julia、Python。工具：Aeron Media Driver，MapDB，HdrHistogram，Apache Wicket，Spring Boot，Java Microbenchmark编译要求、操作环境依赖性操作环境包括Linux、Windows和OSX。如果可用，链接到开发人员文档/手册https：//github。Com/dharmeshsing/CoinTosX/blob/master/README.md问题支持电子邮件。jerricevich@alumni. uct. 梭个zla软件元数据当前软件版本1.1.0此版本的可执行文件的永久链接https：//github。Com/dharmeshsing/CoinTosX/archive/refs/tags/v1. 1 .一、0的情况。zip法律软件许可证MIT计算平台/操作系统Linux，OS X，Microsoft Windows安装要求依赖项JDK 8如果可用，请链接到用户手册-如果正式出版，请在参考列表中引用该出版物https：//github. Com/dharmeshsing/CoinTosX/blob/master/README. Md支持电子邮件为问题ivanjericevich96@gmail. Comanddharmeshsing@gmalil. Com*通讯作者。电子邮件地址：ivan.jericevich@alumni.uct.ac.za（Ivan Jericevich），dharmeshsing@gmail.com（Dharmesh Sing），tim.gebbie@uct.ac.za（Tim Gebbie）。https://doi.org/10.1016/j.softx.2022.1011362352-7110/©2022作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxIvan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）10113621. 动机和意义如果不使用他们的匹配引擎，就不可能对Johan-Johan证券交易所（JSE）的市场微观结构进行完整的研究。由于市场、法规和技术的不断演变，研究市场微观结构具有挑战性。目前的大部分文献都集中在现有交易所产生的数据及其建模上。订单匹配引擎在交易基础结构中的重要性使得这些系统不仅对计算机科学家感兴趣，而且对构建模型的计算金融研究人员也感兴趣，因为与订单匹配相关的事件驱动过程可以为各种市场模型提供校准边界[1交易匹配引擎是电子交易所的核心软件和硬件组件，它匹配出价和出价以完成交易。为了实现具有竞争力的交易速度，市场客户和其他参与者需要接近对于匹配引擎，一个对网络有弹性的系统和电源故障，以及适当的硬件扩展，以适应最繁忙的交易日的最坏情况下的网络流量场景[4]。基于云的软件解决方案受益于弹性和提供经济高效的轻松扩展。然而，基于云的环境中延迟的最大挑战是邻近性：硬件不在数据中心内协同定位[4]。也就是说，传统匹配引擎的低延迟和基于云的环境的弹性，可扩展性和可用性的组合尚未实现。软件和硬件的演变以及日益需要减少交易成本、系统故障和交易错误，导致市场结构和市场架构发生重大变化。这些变化支持了电子和算法交易的兴起。每个市场和监管环境的具体情况都是独一无二的CoinTossX完全可配置。虽然这里使用公开可用的JSE市场规则和测试用例实现和测试，但它可以针对各种各样的市场结构进行配置。LMAX交易所[5]是一个具有超低延迟匹配引擎的外汇交易所。Thompson等人[5]在JVM上开发了用于线程间并发的Disruptor环形缓冲区，作为将事件存储在队列或链表中的替代方案，以应对链表可能增长并增加系统中的垃圾的问题-导致延迟和抖动。1Disruptor以缓存友好的方式预分配内存与消费者共享的方式，允许系统在单个线程上每秒处理高达25，000，000条消息，延迟低于50 ns [5]。Addison等人[4]实现了一个简单的外汇交易系统，并将其部署到多个云提供商的云环境中，记录网络延迟和整体系统延迟，以评估公共云基础设施在各种配置和场景下执行低延迟交易的能力。他们展示了低于500微秒的往返延迟-得出结论，构建生产低延迟交易系统以支持云中的安全交易是可行的[4]。CoinTossX是一个模拟环境;因此生成逼真的模拟市场动态的任务留给了用户[6]。然而，通过将环境、系统和体系结构的复杂规则集与建模和决策过程分离或独立，在建模框架中引入了额外的因果关系类层，可以更加强调自上而下的行动和各种环境约束对结果的影响-这是迈向分层因果关系的潜在步骤[7]。1 抖动是由网络拥塞引起的与假定周期性信号的真实周期性的偏差，通常与参考时钟信号有关Fig. 1. CoinTossX组件之间在最终用户功能方面的关系的高级图[11]。图二. 可视化软件组件之间的技术关系的高级架构图[11]。2. 软件描述我们实现的系统需求是从JSE公开的技术文档和测试用例中获得的2模拟器的八个主要组件将在下面的章节中讨论，它们是股票、客户端、交易网关、匹配引擎、市场数据网关、网站、网络事件监听器和数据库[11]（见图2和3）。 1和2号文件）。2.1. 软件构架该软件是开源的，可在不同的操作系统上运行，也可在单个服务器或多个服务器上运行我们的目标是建立一个匹配的引擎，可以实现低lasting使用行业标准的技术。Java实现意味着CoinTossX可以部署在不同的硬件配置上。单个市场事件具有以下过程：SBE消息3将被发送到交易网关，并被转发到匹配引擎，然后处理它。它将发送一个状态更新返回到交易网关，交易网关将消息转发回客户端。匹配引擎将发送更新到市场数据网关，如果有一个变化，限价单市场数据网关将把更新转发给所有连接的客户端以及Web事件监听器。Web事件侦听器将每个事件保存到数据库。然后，网站从数据库中读取并显示数据网站和文件系统之间的通信是通过仅使用用户在网络上传输数据来完成的2 技术文档可在https：//ww。jse。co。Za/Services/technologies/equity-market-trad-ing-nechnology-change。3 JSE在客户端和它们的匹配引擎之间使用文本消息，由于字符占用更多的内存并且在网络上传输速度较慢，因此效率低下[11]，SBE消息协议被发现是以最大吞吐量编码和解码消息的最快方法Ivan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）1011363图 三 . 高 动 态 范 围 （ HDR ） 直 方 图 显 示 Aeron 的 乒 乓 测 试 的 延 迟 曲 线 。 这 为CoinTossX的可实现延迟以及一般的开源消息传输库提供了下限[12]。数据报协议（UDP）4，相对于传输控制协议（TCP）-重量级但可靠的协议。选择UDP是因为它是轻量级的（尽管可能不可靠，它不检查连接或消息的顺序模块化是通过设计上述组件中的每一个彼此独立而实现的，同时允许它们之间的通信仅经由暴露的端口发生。这个功能是通过为每个组件分配一个IP地址和端口来实现的。此外，每个客户端/用户可以从远程服务器提交订单，只要服务器允许这些类型的入站/出站端口通信。经过广泛的信息比较， 运输 软件，选择Aeronmediadriver库是因为它是一种高效可靠的UDP单播、UDP多播和IPC消息传输。每个组件都有自己的媒体驱动程序，用于将事件传送到组件或从组件传送事件。 Aeron被设计成具有最高吞吐量和最低延迟的任何消息系统[12]（图） 3）。这种模块化设计允许每个组件和客户端在独立的服务器上启动和运行。然后，通过为每个组件提供自己的高性能服务器，可以拥有工业匹配引擎该软件的设计使不同的匹配逻辑算法位于不同的Java类中-这允许更改逻辑以测试匹配逻辑的变体。匹配引擎在连续交易时段采用价格-时间优先算法。在看涨拍卖期间提交的限价和市价订单不会立即匹配。这些命令是匹配的在呼叫拍卖结束时，使用价格发现过程--体积最大化拍卖算法，以单一价格进行拍卖。更具体地说，过滤器和非交叉算法在每次最佳出价或出价（BBO）改变时或每30秒运行。述滤波算法使用启发式爬山搜索/优化算法5找到可以执行的隐藏限价订单的最佳数量。该搜索将过滤出具有不合格MES约束的隐藏限价订单过滤后，使用特定的规则来选择要在交叉区域执行的订单和价格。由于将活动订单存储在磁盘上会增加I/O并降低性能，因此匹配引擎将活动订单存储在4 JSE使用TCP作为交易网关，UDP作为市场数据网关。5 Hill Climber算法是一种优化技术，通过在每次迭代中更改一个元素来搜索问题的解决方案记忆中的命令用于存储LOB的数据结构被设计为具有低内存开销（列表、哈希表、树、B树、B+树），并且在搜索、更新和删除订单方面是高效的[11]。从CPU到主存的快速数据传输是通过有效使用CPU缓存实现的。模拟器只使用主存，不使用虚拟内存。该网站是使用SpringBoot和ApacheWicket开发的，仅具有文件系统的读取权限。最初的设计在同一个Java进程中有事件侦听器和网站。当网站因为垃圾回收而被使用或暂停时，会影响事件的接收和保存。因此，这个逻辑被分割成一个单独的组件--web事件监听器。侦听器可以将接收到的事件保存在内存中，这会很快，但需要未知的最大内存设置，或者保存到数据库中。因此，数据被保存到数据库中。使用MapDB库，使用堆外散列表将事件保存到内存映射文件。这显著提高了性能。可以将整个文件或文件的一部分加载到内存中。即使JVM崩溃，内存中的值仍然会写入文件系统Web事件侦听器将事件保存到文件系统，但接收事件的速度比将事件保存到文件的速度快。Disruptor通过两个线程解决了这个问题：一个接收和存储事件，另一个将事件保存到数据库[5]。2.2. 客户每个客户端都被分配了本地网关和市场数据网关的输入和输出URL，指定了将发送/接收消息的IP地址（此处为localhost）以及这些组件正在侦听的端口。因此，每个客户端在其运行的机器上占用许多线程。总共可以支持的客户端股票对的数量每个库存可支持的客户端数量的限制仍需要根据不同的硬件配置进行衡量。2.3. 软件功能一旦启动，CoinTossX可以使用网站进行监控;有四个屏幕可用：第一，股票屏幕显示配置的股票，活跃的交易时段，以及查看LOB的按钮。其次，LOB快照页面将每个股票可视化为条形图，在这里可以导出活动订单的表格。第三，Hawkes工艺配置页面更改工艺参数（第3节）。第三，模拟页面允许用户预热，启动，停止和查看模拟/应用程序的交易会话状态。最后是客户端页面，显示已配置的客户端，并允许用户创建、更新和删除客户端（未列出的客户端无法登录）。对于提交订单的客户登录请求，相关的用户名和密码必须发送到交易网关。同样，当客户端离开时，必须发送注销请求。此后，客户端可以通过UDP端口向交易网关发布订单消息来提交订单。交易者不能提交小于LOB报价大小的订单.不受时间限制的允许订单类型有：市价订单（MO），限价订单（LO），隐藏订单（HO），止损订单（SO）和止损限价订单（SL）[8]。某些订单可能有有效时间（TIF），在下订单后无法修改。有效时间选项包括Ivan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）1011364表1目前可用的交易时段。会话触发器交易开始07：00开幕拍卖电话08：30连续交易09：00触发波动率拍卖电话盘中竞价电话12：0016：50-17：00收盘价公布17：00收盘价交叉17：05结束时间17：05停止手动诱发手动触发停止和关闭人工诱发重新开启手动调用的拍卖贸易报告08：00-18：15(See 支持文件[8]）： OPG 、GFA 、GFX 、ATC 、 DAY 、IOC 、FOK、GTC、GTD、GTT和CPX。除了“隐藏订单”（HO）、“止损订单”（SO）和“止损限价订单”（LS）与“适合日内竞价”（GFX）、“在开盘时”（OPG）和“在收盘时”（ATC）的拒绝组合外，有效时间和订单类型的组合都被接受最后，CoinTossX还允许多种交易时段类型，目前这些类型对应于JSE的交易时段[8]，并具有表1中描述的会话。这些交易会话和每个会话所采用的规则可通过data/tradingSessionsCron.properties文件中的crnexpresions进行显示的时间是JSE的时间，为上下文提供[8]（见表2）。3. 测试框架CoinTossX已经成功地部署在本地以及远程服务器上，例如MicroftAzure、CHPC和TWKambuleMathematicalSciencesLaboratories 提 供 的 服 务 器（使用重新使用的TACC Ranger刀片表3）。部署到高度依赖于作业管理器端口和工作者控制的高性能计算解决方案，例如使用3.1. 单元测试基于JSE在线提供的测试用例（需求来自[8]），实现了单元测试，以覆盖功能需求的测试，而单独的吞吐量和延迟性能测试则与JavaMicrobenchmarkHarness6（JMH）一起实现，以测试性能至关重要的方法。对交易时段的测试仅限于连续和日内竞价交易时段，仅使用当日TIF。这些测试的输出没有与JSE或其他交易所进行比较，因为行业没有提供数据。JSE本文主要关注延迟和吞吐量测试的结果，但是，可以通过参考[11]找到所执行的广泛测试列表6 JMH是一个Java工具，用于构建、运行和分析以Java和其他语言编写的面向JVM的纳米/微米/毫微/宏基准测试。3.2. 订单流测试匹配引擎完整性使用单元测试进行评估，而不是基于代理的方法，模拟和测试旨在了解吞吐量和延迟，并使用8变量标记的Hawkes过程进行[13，14]。软件和Hawkes客户端进程部署在一台服务器上，这影响了所有组件的性能。在测试框架中，相互激励的过程对应于8种不同的订单类型，仅考虑基本的积极和被动市场和限价订单[15]。模拟使用[16]介绍并由[17]修改的基于强度的细化算法在测试框架中，一个客户端与每个客户端相关联股票，并表示一个大的交易者群体投资的股票，由细化算法提交大量的订单。价格和成交量是基于订单类型以随机方式产生的，不切实际地问对方。不过，这只是为了展示应用能力。创建了测试场景，通过评估多个客户端股票对对不同操作系统和硬件规格的影响来测试软件的性能在这里，性能结果是通过在表3中列出的两台机器上运行应用程序来记录的。虽然这里没有介绍，但也在WITS MSS服务器上进行了限制订单簿存储测试，并证明了在每个价格点存储数千个订单的能力3.3. 个延时测试使用HdrHistogram库测试和可视化潜伏期7每次运行，每个客户端提交约110，000个订单。然后测量处理所有这些订单所需的时间，并在机器之间进行比较。要重现图4和表4，只需重新运行Hawkes模拟，系统即可将延迟和吞吐量结果写入文件。图 4演示了延迟（以纳秒为单位）随着每次运行的客户端-股票对数量的增加而增加-因为每个客户端与并行运行进程的多个线程相关联。由于Azure VM上只有4个CPU，因此同时运行6个以上的客户端是不可行的。对于高规格的WITS MSS服务器，最小和最大延迟（最多10个客户端测量）在第90百分位处为106 ns和248 ns。用于介质规范机器（最多6个客户端），第90百分位的最小和最大延迟分别为123 ns和393 ns。在高端机器上，可以预期低于250 ns的延迟（10个客户端）;在中等规格的机器上，可以预期低于400 ns的延迟（6个客户端）。8图图5考虑了从单个客户端向交易网关提交大量订单（1，000，000）并在两台机器上进行比较的场景。对于WITS MSS服务器，延迟在第90百分位为735 ns，但保持平均而言，延迟显著降低。另一方面，Azure VM服务器平均延迟更高，在第90百分位时为964ns7 HdrHistogram旨在记录延迟和性能敏感型应用程序中的值测量直方图。测量显示，在现代（大约2012年）英特尔CPU上，值记录时间低至38 JSE它的匹配引擎的延迟为50微秒[18]。Ivan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）1011365××表2有效的 交易时段和订单类型/TIF组合，用于向 交 易 网 关 提交新订单。见图4。 一个高动态范围（HDR）直方图，显示了随着股票和客户端数量的增加，匹配引擎的延迟时间。在测试框架每个客户提交大约110，000个市价/限价订单。表3用于吞吐量和延迟测试的计算机的硬件规格，用于比较云解决方案（Azure）和专用物理硬件解决方案（WITS MSS服务器刀片）。机操作系统内存处理器总的来说，高规格的机器被证明能够在不到19分钟的模拟时间内处理超过1，000，000个订单，并且具有显著低的延迟。另一方面，中等规格的机器能够在大约44分钟和2小时的模拟WITS MSS服务器64位Linux 32GB 4AMD OpteronUbuntu16.04-LTS 83564个和6个客户端股票对的周期标准A4 m V2Azure VMUbuntu 18.04-LTS32GB@2.3 GHz（16核）4英特尔至强E5-2673 v3@2.4 GHz（32核）4. 结论CoinTossX是一个低延迟，高吞吐量，可配置的股票交易所，允许用户实时查看限价订单簿以及多个客户端连接和发送3.4. 放泄试验吞吐量的最显著下降是当使用超过4个客户端股票对时。超过6个客户端，Azure VM的硬件配置被发现不足。在命令交换。它支持多种股票和各种不同的交易时段。这里使用Hawkes过程为基础设施测试提供简单但可靠的订单到达模拟。CoinTossX网站可以进行增强，以分析所处理的数据。该交换为基于Agent的模型探索提供了一个现实的平台。Ivan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）1011366表4随着客户端-股票对数量的增加，每秒吞吐量的列表测量。Hawkes流程模拟客户端提交了大约110，000个订单。在每次模拟之后，开始和结束时间被发布并用于计算每秒吞吐量。Azure VM上的硬件配置使用超过6个客户端时发现不足。此表中生成的所有数据可在每次模拟结束时在启动文件夹。WITS MSS服务器Microsoft Azure VMclient–stock持续时间订单数量每秒吞吐量持续时间订单数量每秒吞吐量100：00：48.8201116462287时间00：06：44.917110825274200：04：23.981224562850时间00：19：38.5762223901894时间00：12：02448774621时间00：43：55.7344478781706时间00：15：12.38666933173302：01：27.494564070778时间00：20：27.010895080729–––102019 - 01 - 1800：00：001120514989–––图五. 在高容量情况下的乳酸盐比较 单个客户端在WITS MSS服务器和Azure上提交了1，000，000个订单VM服务器。见图6。提交给交易网关的限价订单和市价订单的图表。作为概念证明，霍克斯模拟以不切实际的方式分配交易量和价格，因为允许买卖交叉（负价差）。点的大小与订单的量成正比限价单数据库组件（包括web事件侦听器、文件系统和网站，并使用LOB快照功能）独立于订单匹配组件（匹配引擎），因此可以在独立维护和监控限额订单簿（LOB）的用例中关闭，也许只使用从相当于订单管理系统（OMS）的市场数据网关馈送中捕获的数据， 交易网关从一个执行管理系统（EMS）的外部等效物。可以做额外的工作来改变匹配规则，以测试规则和监管变化对限价订单簿动态的影响。由于组件是解耦的，因此它们的实现语言可以连续且容易地更改支持最新的框架[19]。未来的工作将旨在更好地理解从越来越现实的方法到基于点过程的模拟的相互作用动态，例如，基于Hawkes过程的交易客户端使用诸如[20，21]的模型，通过现实的订单匹配过程来研究限价订单和市价订单交易代理的相互作用。5. 影响和正在进行的研究应用除了研究用例之外，快速、健壮和现实的开源匹配引擎软件对于商业应用也是有用的，例如算法交易公司，在这些公司中，真实市场的生产环境之外的交易策略测试要么基于低分辨率历史数据，要么甚至不可能。模拟整个金融市场生态系统进行交易策略测试和风险管理是很有吸引力的，因为市场结构和成本的机械复杂性以及多个相互作用的代理人给市场生态系统带来的非线性反馈和这种类型的模拟可能在经济上昂贵，并且在计算上昂贵;然而，它看起来易于处理，并且生态系统的子集用于系统验证，例如在供应商提供的测试市场场所中。结合模拟匹配引擎的交易开发环境可以导致交易软件和硬件的快速发展以及交易成本、系统故障和交易错误的减少。 关键问题是，许多开发交易和风险缓解策略的研究人员无法访问供应商提供的测试环境，而那些访问供应商提供的测试环境的研究人员通常不希望在共享测试环境中将其策略暴露给竞争对手。足够真实的多代理仿真环境仍然是虚幻的，特别是对于低流动性和基于集体行为的风险事件场景。这是因为一个关键组成部分仍然是基础交易代理人及其在测试市场中的相互作用的现实性。这就引出了两个独立的研究领域，我们认为既实用又有趣的东西。第一种是试图复制已知的市场现象，这种现象可能是订单匹配的离散性质的结果-处理过程，例如 Epps效应[1]-这可以从至少有两个不同的观点：（1） 点过程模型，9和（2.）基于Agent的模型10第二个是用于高频交易和金融的现实模拟和建模9 具有匹配引擎的点过程市场模型的模拟与估计。arXiv：2105.02211 [q-fin.TR]。转载自：https：//github。Com/IvanJericevich/IJPCTG-HawkesCoinTossX10 具有匹配引擎的基于代理的市场模型的模拟和估计。arXiv：2108.07806[q-fin.TR]。转载自：https：//github。com/IvanJericvich/IJPCTG-ABMCoinTosXIvan Jericevich、Dharmesh Sing和Tim Gebbie软件X 19（2022）1011367通过应用基于事件和基于反应代理的模型，这可能允许研究人员、战略家和风险管理者更忠实地捕捉反应式软件系统中的多代理适应的经验意义。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢我们感谢TurgayCelik和BrianMauriceWISMahematicalScienceSuppprt和TW Kambule数学科学实验室允许我们使用4个前TACC Ranger叶片进行一些模拟工作。我们感谢Patrick Chang，Dieter Hendricks和Diane Wilcox就该项目进行的各种讨论和建议。我们承认主要的研究资助者：开普敦大学，基金UCT STA549 URC 459282。引用[1] 放大图片作者：Chang P，Pienaar E，Gebbie T.不同采样方案下的Epps效应 。 Physica A 2021;583 ： 126329. http://dx.doi.org/10.1016/j 的 网 站 。physa.2021.126329，URL https：//ww. sceiencedirect. com/science/article/piii/S0378437121006026.[2] 作者声明：A.基于主体的模型能探测市场微观结构吗？Physica A 2018;503：1092-106. http://dx.doi.org/10.1016/j的网站。 physa.2018.08.055，URL http：//ww. sceiencedirect. com/science/article/pii i/S0378437118309956.[3] 放大图片作者：Gebbie T.使用近似贝叶斯计算将高频交易数据校准到基于代理的模型开普敦大学;2020年，http://dx.doi.org/10.25375/uct.12894005.v1 ， URLhttps ： //github 。com/KelilyGoosen1/hft-abm-smc-abc.[4] Addison A，Andrews C，Azad N，Bardsley D，Bauman J，Diaz J，et al.于：2019年IEEE计算科学与工程国际会议（CSE）和IEEE嵌入式与普适计算国际会议。IEEE;2019年，第272-82页。http://dx.doi.org/10.1109/CSE/EUC.2019.00060，URLhttps：//ieeexplore. 伊。8919600。[5] Thompson M，Farley D，Barker M，Gee P，Stewart A. Disruptor：用于在并发线程之间交换数据的有界队列的高性能替代方案。技术报告，LMAX;2011，URL https：//lmax-exchange. github. io/disuptor/.[6] 李 文 辉 ， 李 文 辉 . 基 于 金 融 代 理 的 模 型 的 光 明 前 景 。 SSRN; 2018 ，http://dx.doi.org/10.2139/ssrn。3109904，URLhttps：//ssrn.com/abstract=3109904。[7]Wilcox D ， Gebbie T.金 融 经 济 学 中 的 层 次 因 果 关 系 。SSRN; 2014 ，http://dx.doi.org/10.2139/ssrn.2544327，URL https：//ssrn. （c）香港特区政府财政司司长梁锦松今日（五月二十六日）在立法会会议席上致辞时表示，[8]约翰内斯堡证券交易所。股票市场交易和信息解决方案JSE规范文件卷00 E-交易和信息概述。2020年第4版，URL https：//www. jse。co。Za/Content/JSEContractSpecicat i c tiontems/Volume%2000E%20-%20Trading%20andd%20Information%20Overview%20for%20Equity%20Market. pdf.[9]约翰内斯堡证券交易所。股票市场交易和信息解决方案JSE规范文件卷01 -本地交易网关。 第3.05版 2018，URLhttps：//www. jse。co。Za/Content/JSETechnol o logyDocumentems/Volume%2001%20-%20Natve%20Trading%20Gatway。pdf.[10]约翰内斯堡证券交易所。股票市场交易和信息解决方案JSE规范文件卷05 -市场数据网关第3.09版 2019，URLhttps：//ww. jse。co。za/content/JSETechnologyDocmentems/Volume%2005%20-%20Market%20Data%20Gatewy%20（MITCH%20-%20UDP）。pdf.[11] Sing D，Gebbie T. JSE匹配发动机 模拟器大学of the Witwatersrand;2017，URL http：//wiredspace. 我的天。梭za/h和le/10539/25136。[12]真正的逻辑Aeron媒体驱动程序。Real Logic：GitHub; 2021，URL https：//github. com/real-logic/Aeron/wiki.[13] Hawkes AG.某些自激和互激点过程的谱Biometrika 1971;58（1）：83-90.http://dx.doi.org/10.2307/2334319 ， URLhttps ： //ww.是 的 。org/stable/2334319.[14]绪方地震发生的统计模型和点过程的残差分析。J Amer Statistist Assumption1988;83（401）：9-27.得双曲正切值.doi.org/10.1080/01621459.1988.10478560，URL https：//ww. 我是一个很好的朋友。 com/doi/abs/10. 1080/01621459. 1988年。10478560.[15] 大 J 测 量 电 子 限 价 订 单 簿 的 弹 性 《 金 融 学 杂 志 》 2007;10 （ 1 ） ：1http://dx.doi.org/10.1016/j.finmar.2006.09.001 ， URLhttp ： //ww.sceiencedirect. com/science/article/pi ii/S1386418106000528.[16]刘易斯·PW，谢德勒·GS。非齐次泊松过程的细化模拟。Nav Res Logist Q1979;26 （ 3 ） ： 403-13. http://dx.doi.org/10.1002/nav.3800260304 ， URLhttps：//onlinelibrary. 我爱你。com/doi/10. 1002/nav. 3800260304.[17]绪方 点过程的Lewis模拟方法。IEEE跨信息理论1981;27（1）：23-31.http://dx.doi.org/10.1109/TIT.1981 的 网 站 。1056305 ， URL https ：//ieeexplore. 伊。org/document/1056305.[18]约翰内斯堡证券交易所。与JSE市场的最低延迟连接2015，URLhttps：//ww. jse。co。Za/Content/JSETechnolgyDocumntems/3. %20JSE%20Colocation%20Brochure%202015。pdf.[19]Sing D CoinTossX软件。GitHub; 2017，http://dx.doi.org/10.25375/uct。14069552，URL https：//github. Com/dharmeshsing/CoinTossX.[20] 巴克里E，穆兹J-F。价格与交易高频动态的霍克斯模型。Quant Finance2014;14（7）：1147-66. http://dx.doi.org/10.1080/14697688.2014.897000.[21]Zheng B，Roueff F，Abergel F.用约束霍克斯过程模拟买卖价格：遍历性和标度极限.SIAMJFinancialMath2014;5（1）：99-136.http://dx.doi.org/10.1137/130912980网站。