企业官网建设流程全解析

• 金融科技
• 机器学习
• 数据分析

阿布量化（ABu）是一套基于 Python 的开源量化交易与量化投资架构，覆盖股票（美股、A 股、港股）、期货、期权、比特币与莱特币等投资市场，其核心目标是「用一句话可解释的智能策略」——借助机器学习自动优化策略，主动分析策略生成的订单行为以拦截亏损交易。本文以仓库英文主文档 readme-en.md 为骨架，结合 abupy 源码实现，系统讲解阿布量化的环境部署、十九讲实战教程体系（择时、选股、回测、度量、参数寻优、多市场回测、机器学习、UMP 裁判与数据源），读者可据此从零搭建量化环境，并掌握每个模块对应的源码入口与底层实现机制。

项目愿景：迈向自动进化的量化策略

英文主文档开篇即点明 ABu 的设计哲学：Abu seeks the intelligent-strategy which be able to explained by of a word（阿布寻求一种可以用一句话解释的智能策略）。具体表现为三个层次：

• 策略自动改进：ABu 帮助用户自动改进策略，主动分析策略生成订单的行为，提前拦截可能导致亏损的交易；
• 从手工到全自动：当前阶段仍是手工编写代码，但 ABu 的设计目标是在未来全自动运行整个工作流程与策略本身；
• 种子策略自成长：用户只需提供若干种子策略（seed strategy），在此基础上让计算机持续自我学习、自我成长，构建出能够随时间序列数据自动调节参数的新策略。

仓库导航与文档索引

ABu 仓库将源码、教程、示例代码分目录组织，对应关系如下（来源：readme-en.md）：

从 abupy/init.py 可以看到，顶层包一次性导入并聚合了 20 个功能子包：CoreBu（核心环境）、FactorBuyBu（买入因子）、FactorSellBu（卖出因子）、AlphaBu（择时/选股主控）、BetaBu（仓位管理）、UmpBu（裁判系统）、MLBu（机器学习）、DLBu（深度学习）、MetricsBu（回测度量）、PickStockBu（选股）、SlippageBu（滑点）、TLineBu（趋势线分析）、MarketBu（市场数据）、SimilarBu（相关性分析）、TradeBu（交易执行）、IndicatorBu（技术指标）、WidgetBu（界面组件）等，包版本号为0.4.0。这意味着import abupy后即可直接访问abupy、abupy.env、abupy.ABuPickStockMaster等全部上层 API。

核心特性与设计目标

英文文档列出的两大特性与两大设计目标如下：

核心特性

• 使用多种机器学习技术智能优化策略（源码佐证：MLBu/ABuMLCreater.py 内置 bagging、adaboost、随机森林、XGBoost、决策树、KNN、逻辑回归等十余种模型的网格搜索最优实现，如bagging_classifier_best、xgb_regressor_best、random_forest_classifier_best）；
• 在实盘中指导策略进行交易，提高策略的实盘效果，战胜市场。

工程设计目标

• 分离基础策略与策略优化监督模块（策略因子与 UmpBu 裁判监督模块解耦）；
• 提高灵活度和适配性。

支持的投资市场

• 美股、A 股、港股；
• 期货市场、期权市场；
• 比特币（BTC）、莱特币（LTC）。

底层市场枚举定义在 CoreBu/ABuEnv.py 的EMarketTargetType中：E_MARKET_TARGET_US（美股）、E_MARKET_TARGET_CN（A 股）、E_MARKET_TARGET_HK（港股）、E_MARKET_TARGET_FUTURES_CN（国内期货）、E_MARKET_TARGET_FUTURES_GLOBAL（国际期货）、E_MARKET_TARGET_OPTIONS_US（美股期权）、E_MARKET_TARGET_TC（数字货币）。仓库 RomDataBu 内置了上述市场的样例行情数据，包括stock_code_US.csv、stock_code_CN.csv、stock_code_HK.csv、futures_cn.csv、futures_gb.csv、symbols_db.db等。

安装、部署与验证

英文文档给出的安装流程非常简洁，分两步：

1. 环境部署

推荐使用 Anaconda 部署 Python 环境，完整部署流程（含依赖安装、数据沙盒配置）详见仓库内对应教程：0-abupy量化环境部署.ipynb)。

2. 安装验证

安装完成后执行以下代码验证环境是否就绪：

import abupy

abupy/__init__.py在导入时会完成所有子模块的注册与全局环境初始化（见 CoreBu/ABuEnv.py）。需要说明的环境事实：默认数据缓存目录为~/abu（g_project_root），内置示例数据路径为项目内 RomDataBu/csv（g_project_kl_df_data_example）；若用户主目录含中文字符（Windows 场景），缓存路径会自动切换到 abupy 源码根目录以避免 pandas 读写 csv/hdf5 出错。

非编程界面操作（可选）

若不想编写代码，abupy_ui 提供基于 Notebook 的可视化界面操作，涵盖历史回测、阻力位支撑位分析、跳空缺口筛选、趋势敏感速度对比、位移路程比分析、线性拟合、黄金分割、价格通道、相关性分析、涨跌幅分析与股票基本信息查询等 11 项操作，详见 abupy_ui/readme.md。其中历史回测界面的操作流程如下：

十九讲实战教程体系（核心内容）

英文文档的主体是 19 讲量化实战教程索引，每一讲对应 abupy_lecture 下的一个 Notebook，构成了从「策略开发 → 优化 → 度量 → 多市场回测 → 机器学习 → UMP 裁判 → 数据源」的完整闭环。以下逐讲展开，并结合源码补充底层实现要点。

第 1 讲：择时策略的开发

择时策略决定什么时候买入投资品，回测告诉我们这种策略在历史数据中的模拟收益如何。三个步骤：

1. 买入择时因子的编写；
2. 分解模式（n_folds）一步一步对策略进行回测；
3. 卖出择时因子的实现。

源码层面，买入因子统一继承自 FactorBuyBu/ABuFactorBuyBase.py 中的AbuFactorBuyBase（提供fit_day/fit_month决策与make_buy_order下单），内置实现包括 ABuFactorBuyBreak（突破）、ABuFactorBuyTrend（趋势）、ABuFactorBuyWD（星期）、ABuFactorBuyDM（动态均线）等；卖出因子继承自 FactorSellBu/ABuFactorSellBase.py。组合调用入口是 CoreBu/ABu.py 的abupy.run_loop_back()。

第 2 讲：择时策略的优化

通过止盈止损保护策略产生的利润，控制风险：

1. 基本止盈止损策略；
2. 风险控制止损策略；
3. 利润保护止盈策略。

对应卖出因子类族位于 FactorSellBu：AbuFactorAtrNStop（ATR 波动止损止盈）、AbuFactorPreAtrNStop（前置 ATR 止损）、AbuFactorCloseAtrNStop（收盘 ATR 止损）、AbuFactorSellNDay（持 N 天卖出）、AbuFactorSellBreak（跌破卖出）、AbuFactorSellDM（动态卖出）。

第 3 讲：滑点策略与交易手续费

考虑应用交易策略时产生的成交价格偏差及手续费：

1. 滑点买入卖出价格确定及策略实现；
2. 交易手续费的计算以及自定义手续费。

滑点模块位于 SlippageBu：买入滑点继承AbuSlippageBuyBase（如均值滑点AbuSlippageBuyMean），卖出滑点继承AbuSlippageSellBase（如AbuSlippageSellMean），内置涨跌停保护装饰器slippage_limit_up/slippage_limit_down。手续费计算位于 TradeBu/ABuCommission.py，内置美股calc_commission_us、A 股calc_commission_cn、港股calc_commission_hk、国内期货calc_commission_futures_cn、全球期货calc_commission_futures_global、美股期权calc_options_us等实现，支持通过commission_dict自定义。回测中usTSLA（特斯拉）的历史成交与手续费明细示例如下：

第 4 讲：多支股票择时回测与仓位管理

针对多支股票实现择时策略，通过仓位管理策略控制风险：

1. 多支股票使用相同的因子进行择时；
2. 自定义仓位管理策略的实现；
3. 多支股票使用不同的因子进行择时；
4. 使用并行来提升择时运行效率。

仓位管理模块位于 BetaBu：内置AbuAtrPosition（ATR 仓位）、AbuKellyPosition（凯利公式仓位）、AbuPtPosition（百分比仓位），自定义仓位需继承AbuPositionBase。并行加速方面，abupy.run_loop_back()支持n_process_kl与n_process_pick参数；TradeBu/ABuKLManager.py 的batch_get_pick_time_kl_pd默认使用ABuEnv.g_cpu_cnt个进程并行抓取行情（CPU 核数由 CoreBu/ABuEnv.py 通过 psutil 自动探测，失败时兜底为 4）。

第 5 讲：选股策略的开发

一个好的策略需要一个好的标的：

1. 选股因子的编写；
2. 多个选股因子并行执行；
3. 使用并行来提升选股运行效率。

选股模块位于 PickStockBu：内置AbuPickStockPriceMinMax（价格区间）、AbuPickRegressAngMinMax（回归角度）、AbuPickSimilarNTop（相似度 TopN）等；执行入口为 AlphaBu/ABuPickStockMaster.py 的AbuPickStockMaster，其在run_loop_back(stock_picks=[...])中通过n_process_pick支持选股并行。

第 6 讲：回测结果的度量

正确的度量引领着正确的前进方向：

1. 度量的基本使用方法；
2. 度量的可视化；
3. 扩展自定义度量类。

度量模块位于 MetricsBu：核心类AbuMetricsBase计算收益、最大回撤、夏普比率、胜率等指标，AbuMetrics为股票度量实现，另有AbuMetricsFutures（期货）、AbuMetricsTC（数字货币）等扩展，自定义度量类继承AbuMetricsBase即可接入回测结果AbuResultTuple。

第 7 讲：寻找策略最优参数和评分

通过定制的评分机制，寻找一个策略最合理的参数，比如：应该考虑多少天的均线？

1. 参数取值范围；
2. Grid Search 寻找最优参数；
3. 度量结果的评分；
4. 不同权重的评分；
5. 自定义评分类的实现。

参数寻优模块位于 MetricsBu/ABuGridSearch.py 与 MetricsBu/ABuGridHelper.py，评分体系在 MetricsBu/ABuMetricsScore.py；机器学习侧的网格搜索封装见 MLBu/ABuMLGrid.py（grid_search_init_kwargs、grid_search_mul_init_kwargs等，支持n_jobs=-1全核并行）。

第 8 讲：A 股市场的回测

1. A 股市场的回测示例；
2. 涨跌停的特殊处理（源码佐证：SlippageBu 中slippage_limit_up/slippage_limit_down装饰器对涨跌停价格进行保护处理）；
3. 对多组交易结果进行分析。

第 9 讲：港股市场的回测

1. 港股市场的回测示例；
2. 优化策略，提高系统的稳定性；
3. 将优化策略的「策略」作为类装饰器进行封装（源码佐证：CheckBu 提供参数校验装饰器体系，如ABuChecker中的check_type、check_bound、check_subset等，可复用于策略封装）。

第 10 讲：比特币、莱特币的回测

1. 比特币、莱特币的走势数据分析；
2. 比特币、莱特币的走势可视化分析；
3. 比特币、莱特币市场的回测。

英文文档还给出了回测中风险收益分布的示例统计（loss10 为最差 10% 的收益区间，top10 为最好 10% 的收益区间）：

• bitcoin loss10：[-26.895, -3.284]，top10：(4.182, 38.786]；
• bitcoin 近 1 年风险降低：loss10：[-16.273, -2.783]，top10：(3.948, 15.22]；
• litecoin loss10：[-28.48, -4.1]，top10：(4.405, 41.083]；
• litecoin 近 1 年风险降低：loss10：[-22.823, -3.229]，top10：(5.0606, 37.505]。

第 11 讲：期货市场的回测

1. 期货市场的特点；
2. 看涨合约的回测；
3. 看跌合约的回测；
4. 位移路程比优化策略（源码佐证：TLineBu/ABuTL.py 提供shift_distance位移计算，TLineBu/ABuTLExecute.py 的shift_distance/calc_kl_speed支撑位移路程比分析）。

第 12 讲：机器学习与比特币示例

如何在投资品的量化交易中正确使用机器学习技术？

1. 比特币特征的提取（源码佐证：MLBu/ABuMLPd.py 中ABuMLPd系列类封装了比特币特征 DataFrame 的构造与make_xy）；
2. abu 中内置机器学习模块的使用（MLBu/ABuML.py 的AbuML统一封装 fit/predict/交叉验证/ROC/混淆矩阵/学习曲线等能力，ABuMLCreater提供十余种模型族的网格寻优）；
3. 测试集的验证与非均衡技术；
4. 继承AbuMLPd对数据处理进行封装。

第 13 讲：量化技术分析应用

技术分析三大假设：市场行为涵盖一切；价格沿趋势移动；历史会重演。三个实践步骤：

1. 阻力线、支撑线自动绘制（源码佐证：TLineBu/ABuTLine.py 的show_support_resistance_trend/show_resistance_trend/show_support_trend自动绘制支撑阻力线）；
2. 跳空技术分析（TLineBu/ABuTLJump.py 的calc_jump/calc_jump_line）；
3. 传统技术指标技术分析（IndicatorBu 内置 MA、MACD、RSI、BOLL、ATR 等指标计算与可视化，如calc_ma_from_prices、plot_macd、plot_rsi、plot_boll、atr14等）。

第 14 讲：量化相关性分析应用

相似的投资品数据的背后，往往是相似行为模式的投资人群：

1. 相关相似度的度量（SimilarBu/ABuCorrcoef.py 支持皮尔逊、斯皮尔曼等多种相关系数及滚动相关性）；
2. 距离的度量与相似度；
3. 相似相关接口的应用（SimilarBu/ABuSimilar.py 的find_similar_with_cnt/find_similar_with_folds/find_similar_with_se，支持本地缓存与网络计算两种模式）；
4. 自然相关性。

第 15 讲：量化交易和搜索引擎

搜索策略生成的失败交易，由裁判拦截住冲动的交易者：

1. 切分训练集交易的回测；
2. 对交易进行人工分析；
3. 主裁系统原理；
4. 角度主裁（UmpBu/ABuUmpMainDeg.py）；
5. 赋予宏观上合理的解释；
6. 最优分类簇筛选。

第 16 讲：UMP 主裁（Main Referee）系统

UMP 主裁在训练集中通过高斯混合模型（GMM）对失败交易聚类学习：

1. 跳空主裁（gap main-referee）；
2. 价格主裁（price main-referee）；
3. 波动主裁（fluctuation main-referee）；
4. 验证主裁是否有效工作；
5. 组织多个裁判形成更复杂的综合决策；
6. 让裁判学会互相配合做出最正确判断。

实现细节可从 UmpBu/ABuUmpMainBase.py 看到：主裁使用 GMM 聚类，默认分类数量范围K_DEFAULT_NCS_RANG = slice(40, 85, 1)，失败率阈值默认g_brust_min_default = (0, 0, 0.65)，即以分类簇失败率大于 0.65 的簇作为主裁学习目标；训练/预测通过AbuUmpManager（UmpBu/ABuUmpManager.py）统一管理。内置主裁实现包括ABuUmpMainDeg（角度）、ABuUmpMainJump（跳空）、ABuUmpMainPrice（价格）、ABuUmpMainWave（波动）、ABuUmpMainMul（综合）、ABuUmpMainFull（全视角）。

第 17 讲：UMP 边裁（Edge Referee）系统

1. 跳空边裁（gap edge-referee）；
2. 价格边裁（price edge-referee）；
3. 波动边裁（fluctuation edge-referee）；
4. 综合边裁（comprehensive edge-referee）；
5. 验证边裁是否有效工作；
6. 开启边裁模式。

边裁在实盘/回测中拦截失败概率高的信号，对应实现位于 UmpBu 的ABuUmpEdgeBase、ABuUmpEdgeDeg、ABuUmpEdgeJump、ABuUmpEdgePrice、ABuUmpEdgeWave、ABuUmpEdgeMul、ABuUmpEdgeFull，其make_ump_block_decision(ml_feature_dict)决策接口与买入/卖出因子解耦（见 FactorBuyBu/ABuFactorBuyBase.py）。

第 18 讲：自定义裁判系统

1. 从不同视角训练新的主裁；
2. 从不同视角训练新的边裁；
3. 添加一个新的视角来记录比赛（record backtesting feature，即回测特征采集）；
4. 使用新视角的主裁；
5. 使用新视角的边裁。

该讲并给出了 UMP 模块的设计目标：

• 无需硬编码策略（no need to hard-code strategy）；
• 无需手动设置阈值（no need to manually set the threshold）；
• 分离策略与优化监督模块，提高灵活性和适配性；
• 发现隐藏在策略中的问题；
• 自动学习新的交易数据。

特征采集与特征字典构造的底层实现在 TradeBu/ABuMLFeature.py（ABuMLFeature系列类），买入特征、卖出特征通过support_buy_feature/support_sell_feature声明，用户可通过append_user_feature添加自定义视角特征。

第 19 讲：数据源

abu 支持股票、期货、数字货币等多种金融投资品的行情和交易，并具有高度可定制性：

1. 数据模式的切换（E_MARKET_DATA_FETCH_MODE：网络实时抓取/本地缓存，见 CoreBu/ABuEnv.py）；
2. 数据存储的切换（EStoreAbu：csv/hdf5/sqlite 等，见 CoreBu/ABuStore.py）；
3. 数据源的切换（g_market_source全局变量）；
4. 全市场数据的更新（abupy_ui 数据下载界面操作或abu.run_kl_update()，文档明确推荐先更新数据再回测以提升效率）；
5. 接入外部数据源：股票数据源；
6. 接入外部数据源：期货数据源；
7. 接入外部数据源：比特币、莱特币数据源。

从源码看，CoreBu/ABuEnv.py 定义了数据源枚举EMarketSourceType：百度（默认g_market_source = E_MARKET_SOURCE_bd）、腾讯、网易、新浪美股，以及新浪国内/国际期货、火币数字货币（BTC/LTC）等。对应的解析器实现在 MarketBu/ABuDataParser.py（BDParser、TXParser、NTParser、SNUSParser、SNFuturesParser、SNFuturesGBParser、HBTCParser），数据抓取实现位于 MarketBu/ABuDataFeed.py，网络请求默认超时设置为连接 10 秒、接收 60 秒。若需接入私有数据源，可设置ABuEnv.g_private_data_source。

实战总入口：run_loop_back 与目录结构速查

除教程外，仓库还内置了两类可直接运行的示例：

• python 目录：c1.py~c10.py、extA.py~extC.py等按章节组织的可执行示例脚本；
• ipython 目录：与《量化交易之路》章节对应的 Notebook，含环境部署、NumPy/pandas 工具、可视化、数学、量化系统开发与机器学习等专题。

所有回测的最终统一入口是 CoreBu/ABu.py 的abupy.run_loop_back()，其核心参数如下（源码 docstring 原文要点）：

• read_cash：初始化资金额度，例如1000000；
• buy_factors：买入因子策略序列，例如[{'xd': 60, 'class': AbuFactorBuyBreak}, {'xd': 42, 'class': AbuFactorBuyBreak}]；
• sell_factors：卖出因子序列，例如[{'stop_loss_n': 0.5, 'stop_win_n': 3.0, 'class': AbuFactorAtrNStop}, {'pre_atr_n': 1.0, 'class': AbuFactorPreAtrNStop}, {'close_atr_n': 1.5, 'class': AbuFactorCloseAtrNStop}]；
• stock_picks：选股因子序列，例如[{'class': AbuPickRegressAngMinMax, 'threshold_ang_min': 0.0, 'reversed': False}, {'class': AbuPickStockPriceMinMax, 'threshold_price_min': 50.0, 'reversed': False}]；
• choice_symbols：备选股票池，默认None时按abupy.env.g_market_target的市场类型做全市场回测，也可显式传入如['usNOAH', 'usSFUN', 'usBIDU', 'usAAPL', 'usGOOG', ...]；
• n_folds：分解模式折数（默认 2）；
• commission_dict：自定义手续费配置；
• n_process_kl/n_process_pick：行情与选股的并行进程数。

许可证

阿布量化遵循 GPL 开源许可证。本文所述内容均基于仓库 readme-en.md 与 abupy 源码，更多中文教程细节可继续阅读 abupy_lecture 下的对应章节 Notebook。

• 金融科技
• 机器学习
• 数据分析