Recuperação de desastres para um book de trading exige comprovação

Racks de servidores de trading em um data center, ilustrando a recuperação de desastres para um book em operação
Photo by Christina Morillo on Pexels

Na primeira semana, mapeie quais sistemas e pessoas precisam estar disponíveis para proteger um book aberto. Até a sexta semana, faça um failover controlado que comprove que a empresa consegue recuperar posições, reconciliar execuções e evitar ordens duplicadas.

Um segundo data center não é prova de recuperação. A prova é um teste registrado, com tempos de recuperação medidos, lacunas de dados conhecidas e decisões documentadas sobre quando o trading pode ser retomado.

Para um broker ou uma prop firm, a recuperação também é um controle de risco e compliance. Um serviço pode estar tecnicamente online enquanto a empresa perdeu o estado necessário para definir limites, supervisionar atividades ou explicar uma execução. Defina a recuperação com base no book de trading, não no tempo de atividade do servidor.

Use a primeira semana para definir os limites da recuperação

Comece pelos componentes que determinam a exposição: gerenciamento de ordens, gateways de execução, o livro de posições e caixa, risco pré-trade, permissões de clientes e contas e o diário de eventos. Mapeie as dependências em relação a dados de mercado, serviços de identidade, rotas de rede, sessões com venues e sistemas de terceiros. Um site de recuperação que restaura o gerenciador de ordens, mas não os limites atuais ou o status das contas, não está pronto para aceitar ordens.

Registre quais dados são a fonte oficial. Por exemplo, um retrato das posições pode estar desatualizado, enquanto um diário somente de acréscimo, com ordens aceitas, confirmações, execuções, cancelamentos e correções, pode ser reproduzido para reconstruí-lo. Inclua números de sequência e timestamps das venues e preserve a distinção entre uma ordem enviada, uma ordem confirmada e uma execução recebida. Essa distinção importa tanto para a exposição quanto para disputas com clientes.

Na primeira semana, defina também os direitos de decisão sobre a recuperação, além do mapa técnico. Determine quem pode interromper a entrada de novos riscos, autorizar a migração para o ambiente de recuperação e aprovar a retomada. Inclua operações, engenharia, risco e compliance. Documente os pontos de controle iniciais:

  • Quais produtos, contas e venues continuam disponíveis durante a operação degradada.
  • Se novas ordens devem ser rejeitadas, se o acesso deve permitir apenas cancelamentos ou se determinadas estratégias podem continuar em operação.
  • Quem pode aprovar uma alteração de limite ou a retomada do trading, e como essa decisão será registrada.
  • Quais comunicações a clientes e reguladores podem ser exigidas pelas regras aplicáveis à empresa.

Proteja o book antes de restaurar o serviço

O failover não pode criar dois sistemas ativos gravando dados para a mesma conta ou sessão de venue. Use fencing, um lease ou outro controle efetivo de eleição de líder para impedir que o sistema primário continue enviando ordens depois que o standby assumir o controle. Uma simples alteração de DNS não oferece fencing. Teste o que acontece se o sistema primário ficar isolado do plano de controle, mas ainda conseguir acessar uma venue.

A reprodução de ordens exige o mesmo cuidado. Persista um identificador interno único para cada ordem e os identificadores da venue, depois verifique o estado de confirmação e execução antes de tentar novamente um envio cujo resultado seja incerto. Se a venue oferecer IDs de ordem do cliente e detecção de duplicidades, use esses recursos, mas não presuma que o comportamento seja igual em todas as venues. Se o status for ambíguo, impeça a entrada de novos riscos na conta ou no símbolo afetado enquanto as operações obtêm o estado oficial. Novas tentativas às cegas podem transformar um timeout em uma posição duplicada.

Não adote o zeramento automático como ação padrão de recuperação. Ele pode aumentar o impacto no mercado, violar uma instrução do cliente ou agravar um estado de execução desconhecido.

Uma política mais segura pode congelar novas exposições, manter o acesso para cancelamentos quando possível e exigir a reconciliação antes de decidir se deve proteger ou encerrar posições. Defina essa política por produto, venue e contrato com o cliente, com aprovação de risco. Empresas que comparam abordagens de plataforma e conectividade podem consultar a cobertura de infraestrutura da Trading Technology como uma fonte de contexto do setor.

Defina metas considerando o custo da perda de estado

O objetivo de tempo de recuperação (RTO) descreve em quanto tempo um serviço deve voltar. O objetivo de ponto de recuperação (RPO) descreve a quantidade de dados confirmados que a empresa pode tolerar perder. Trate-os como metas separadas para cada função. Os valores abaixo são faixas típicas de planejamento em ambientes de trading, não garantias ou limites seguros definidos por reguladores. A arquitetura, o acesso às venues e a distância entre os sites alteram o que é viável.

Função ou medidaFaixa típica do mercadoImplicação operacional
RTO de entrada e execução de ordens5 a 30 minutosReserve tempo para isolar o sistema primário, estabelecer sessões com as venues e validar os controles.
RPO de eventos de ordens aceitas e execuçõesMeta de 0 a 1 segundoUse um diário persistente e reprodução; verifique lacunas comparando com os registros das venues.
RPO de risco e estado das posições1 a 5 segundos para retratosReconstrua a partir dos eventos e reconcilie antes de permitir novas exposições.
Atraso de replicação entre regiões100 milissegundos a 2 segundosMeça o atraso continuamente e defina um limite que impeça uma promoção insegura.
Exercício completo de failoverTrimestral a duas vezes por anoInclua um teste com book em operação ou representativo de um ambiente de produção, não apenas uma restauração.

Essas faixas servem para questionar, não são promessas de aquisição. A replicação síncrona pode reduzir a perda de dados, mas acrescentar latência e dificultar o uso de um site distante. A replicação assíncrona pode melhorar o desempenho e permitir maior distância, mas deixa uma janela em que o standby fica defasado.

Para o diário de ordens e execuções, decida como o sistema deve se comportar se o atraso ultrapassar o limite: pausar novos riscos, promover com um ponto de recuperação conhecido ou permanecer no sistema primário. Documente a relação entre as opções e a responsabilidade de risco.

Faça da reconciliação uma condição para a retomada

O fato de um serviço estar acessível não comprova que o book está correto. Antes de reabrir posições a novos riscos, compare ordens, execuções, posições, caixa e margem internos com os relatórios das venues e os registros de câmara de compensação ou prime broker disponíveis para a empresa. Faça a reconciliação por conta e instrumento, não apenas pelos totais agregados. Defina tolerâncias para diferenças de arredondamento e de horário, mas exija um responsável e uma explicação para cada divergência não resolvida.

Mantenha uma linha do tempo auditável do incidente e do teste: detecção, decisão de promoção, estado do sistema, ações dos operadores, comunicações com as venues, exceções de risco e aprovação para retomar. Preserve os registros relevantes de ordens e execuções, os detalhes de sincronização dos relógios e os dados de monitoramento.

As obrigações de manutenção de registros e notificação variam conforme a jurisdição e a atividade. Por isso, a área de compliance deve mapear as obrigações da empresa, em vez de confiar em uma lista genérica de recuperação. Uma lacuna de monitoramento deve ser identificada e avaliada, não ocultada por uma reinicialização bem-sucedida da aplicação.

Acompanhe os resultados dos testes em relação às metas acordadas. Registre o RTO e o RPO reais, o atraso de replicação no momento da promoção, o número e a idade das divergências não reconciliadas, as ordens rejeitadas ou duplicadas e o tempo até a aprovação de risco para a retomada.

Um teste que não atinge uma meta ainda pode ser útil se a lacuna for registrada, atribuída a um responsável e testada novamente. Um teste aprovado também deve incluir injeção de falhas, como a perda do site primário, uma rota de rede interrompida ou um provedor de identidade indisponível.

Use a sexta semana para testar a decisão, não apenas a comutação

Até a sexta semana, faça um exercício controlado com as equipes de operações, engenharia, risco e compliance presentes. Use um book semelhante ao de produção ou um ambiente de teste limitado com fluxo de ordens realista. Inclua ordens em aberto, execuções parciais, cancelamentos em andamento e uma sessão com uma venue cujo estado não possa ser consultado de forma confiável. Meça o tempo desde a detecção até um estado operacional seguro, não apenas o tempo entre o comando de failover e uma verificação de integridade respondida.

Antes do exercício, informe os participantes sobre o escopo, mas não sobre todas as falhas que serão simuladas. Durante o exercício, exija que os responsáveis designados apliquem a política documentada.

Depois, avalie se a empresa conseguiu determinar o que possuía, o que continuava em operação nas venues e se tinha evidências suficientes para retomar. Atribua ações corretivas a funções específicas com prazos e mantenha o registro aprovado do teste junto às evidências de continuidade de negócios e risco operacional.

Um plano prático de recuperação também define como voltar à operação normal. Evite retornar ao sistema primário apenas porque ele está disponível.

Reconcilie as transações criadas durante o failover, confirme a direção da replicação e aprove um failback controlado, usando o mesmo fencing e monitoramento aplicados na promoção. O controle final é um número que pode revelar uma lacuna rapidamente: compare o RPO medido para ordens aceitas e execuções com a faixa de planejamento de 0 a 1 segundo.

Perguntas frequentes

Qual é o RTO típico para uma plataforma de trading?

As faixas típicas de planejamento para entrada e execução de ordens são de 5 a 30 minutos, mas a meta adequada depende dos produtos, das venues e dos controles de risco da empresa. Meça o tempo até um estado operacional seguro, incluindo a reconexão às venues e a validação, e não apenas o tempo até a aplicação ficar disponível.

O que um broker deve reconciliar após um failover?

Reconcilie ordens, confirmações, execuções, posições, caixa e margem com os registros das venues e os registros disponíveis de câmaras de compensação ou prime brokers. Investigue as diferenças por conta e instrumento e mantenha novos riscos desabilitados nas áreas afetadas até que um responsável autorizado resolva ou aceite cada divergência.

Com que frequência uma empresa de trading deve testar a recuperação de desastres?

Exercícios completos de failover trimestrais a duas vezes por ano são faixas típicas de planejamento, com testes mais frequentes de componentes e restauração entre eles. Inclua estados realistas de ordens, conectividade com venues e tomada de decisões; depois, registre o RTO e o RPO medidos e as divergências de reconciliação não resolvidas.