---
title: "阿布量化（ABuQuant）框架架构"
last_updated: 2026-08-07
source: "https://github.com/bbfamily/abu (commit d602d847677e4c2b77b0a122df30816ea68b5710)"
created: 2026-08-07
updated: 2026-08-07
type: concept
tags:
  - "量化"
  - "开源框架"
  - "回测"
  - "Python"
confidence: medium
contested: false
raw_sources:
  - path: "raw/量化/abuquant/abuquant-框架架构摘编.md"
    hash: "sha256:1d40144383bd5f8e0f5d6049da545abb2933a83328693dc2d7852af9e70291d6"
---

# 阿布量化（ABuQuant）框架架构

## 页面定位

本页是阿布量化（ABuQuant）开源量化框架的**架构概念页**，回答"这个框架由哪些模块组成、因子/回测/裁判/度量如何衔接"。它不讲解具体策略开发步骤（见[[阿布量化策略开发与回测|阿布量化策略开发与回测]]），不展开期货专项方法（见[[期货量化回测与位移路程比|期货量化回测与位移路程比]]），也不替代任何品种研究框架。源码本体未整包入库，证据为摘编与哈希清单（`raw/量化/abuquant/`）。

## 一、定义与定位

阿布量化是一个开源的 Python 量化交易系统，核心设计目标是**分离基础策略与策略优化监督模块**。支持美股、A股、港股、期货、期权、比特币、莱特币。版本 0.4.0（2026-01-24 commit d602d84），作者"阿布"，配套教材《量化交易之路》《机器学习之路》。

设计哲学（README"道生一、一生二、二生三、三生万物"）：因子是最小单位（一）→ 因子组合成策略（二）→ 策略接入回测与裁判决策（三）→ 全市场多策略并行演化（万物）。

## 二、模块分层

框架以 21 个 `*Bu` 模块组织（`abupy/` 目录），`__init__.py` 统一导入：

| 模块 | 职责 |
|---|---|
| CoreBu | 环境、基准、并行（Windows 用 ProcessPoolExecutor 规避 joblib 长任务弹窗）、pandas 兼容、存储 |
| MarketBu | 数据缓存/数据源/解析、股票与期货 symbol、行业分类、市场切割、可视化 |
| FactorBuyBu / FactorSellBu | 买入/卖出择时因子基类与示例 |
| PickStockBu | 选股因子基类与示例 |
| AlphaBu | 选股/择时 Master-Worker 并行调度 |
| BetaBu | 仓位管理示例（ATR、Kelly、价格位置） |
| TradeBu | 订单、资金、基准、ML 特征 |
| SlippageBu | 滑点基类与均价滑点示例 |
| UmpBu | 裁判决策（UMP）：主裁 + 边裁共 17 文件 |
| MetricsBu | 回测度量、GridSearch 参数寻优 |
| TLineBu | 技术线：拟合、位移路程比、通道、骨架、支撑阻力、黄金分割、VWAP |
| IndicatorBu | ATR、BOLL、MA、MACD、RSI 等指标 |
| MLBu / DLBu | 机器学习封装 / caffe 深度学习工具 |
| SimilarBu | 相关系数与相似度 |
| CrawlBu / CheckBu / UtilBu / WidgetBu | 爬虫数据源 / 检查预处理 / 工具 / UI 组件 |
| ExtBu、joblib/ 等 | 内置第三方依赖（six、joblib、empyrical、futures） |

## 三、核心机制

### 1. 因子体系

- 买入因子 `AbuFactorBuyBase` 必须且只能混入一个方向类：`BuyCallMixin`（看涨，expect_direction=1.0）或 `BuyPutMixin`（看跌，expect_direction=-1.0，用于期货/期权反向）。
- 卖出因子 `AbuFactorSellBase` 通过 `support_direction()` 声明支持的买卖方向，`fit_day()` 按 `order.expect_direction` 区分 call/put 处理。
- 选股因子 `AbuPickStockBase` 在择时周期内每月/每周动态重新选股。
- 因子可内嵌专属卖出因子与选股因子；`lock_factor` 可封锁本源买入因子。

### 2. 回测数据流

```
数据(MarketBu) → 基准(AbuBenchmark: 时间范围/对齐/市场限制)
→ 资金(AbuCapital) → 择时Worker(AbuPickTimeWorker)
   └─ fit_day 驱动：买入因子生成订单 → 卖出因子止盈止损
      → UMP 裁判拦截 → 滑点定成交价 → 仓位管理定量
→ 订单 → 度量(AbuMetricsBase) → 存储/可视化
```

`kl_pd` 为择时时段，`combine_kl_pd` 合并前一年数据供 ML 特征构建。

### 3. UMP 裁判决策

UMP（Umpire，裁判）用机器学习训练"裁判"拦截策略生成的失败交易：

- **主裁（Main）**：对买入信号整体裁决；示例含角度、价格、波动、跳空、多混。
- **边裁（Edge）**：对交易特征专项裁决。
- `AbuUmpManager` 组织通信；外部用户 `append_user_ump()` 添加自定义裁判（需先训练生成 cache）。
- 训练流程：切分训练集回测 → 提取失败交易特征 → GMM 分类 + 最优分类簇筛选（`ump_main_clf_dump()` 一行完成）→ 保存分类器 → 测试集开启拦截对比。
- 价值：拦截低质量交易、节省佣金、降低交易数量本身即优化；提升方向为更多裁判/特征、复杂综合裁决、统计权重加权。

### 4. 度量与优化

- `AbuMetricsBase` 度量收益、回撤、胜率等；期货专用 `AbuMetricsFutures`。
- `AbuGridSearch` 借鉴 sklearn，对因子做参数寻优；`AbuCrossVal` 交叉验证。
- `AbuTLine` 提供最优拟合次数、位移路程比、拟合通道、骨架通道、黄金分割等分析手段辅助参数选择。

### 5. 数据源

内置沙盒数据仅供学习；`ABuDataCache` 管理采集/存储/merge 更新；对外统一接口 `ABuSymbolPd`；外部数据源可接入股票/期货/数字货币。

## 四、证据与不确定性

- 摘编基于源码 docstring、README 与教学 notebook markdown，未逐行核验全部算法。
- 缠论、波浪、谐波、K 线形态、均线信号等"量化 2.0"能力是项目网站（abuquant.com）宣传内容，仓库源码中形态识别以 TLineBu/IndicatorBu/WidgetBu 为基础，**未提供完整形态库代码**，不应视为可复现能力。
- README 中"18496 种策略""上百种模型"等营销数字未作为事实收录。
- 版本较旧（0.4.0），新环境需处理 Python 2/3 兼容层与依赖版本问题。

## 五、失效条件与风险

- 沙盒数据回测结果不具代表性，实盘需外部数据源。
- 裁判（UMP）效果依赖训练集质量与数据量，沙盒小样本下"正确拦截比错误拦截多"但胜率/盈亏并不理想。
- 框架的滑点实现不考虑大资金冲击成本；迁移实盘需日内分钟 K 线择时。

## 六、相关页面

- [[阿布量化策略开发与回测|阿布量化策略开发与回测]] - 因子开发与回测流程
- [[期货量化回测与位移路程比|期货量化回测与位移路程比]] - 期货专项方法与位移路程比
- [[技术分析形态与突破确认|技术分析形态与突破确认]] - 形态/突破信号的独立验证边界（与 abu 形态宣传对照）
- [[股票交易系统与技术分析|股票交易系统与技术分析]] - 主观技术分析体系（对照量化因子思路）
- [[交易与交易所市场微观结构|交易与交易所：市场微观结构]] - 滑点、交易成本的微观结构基础
- 术语见 [[Glossary|术语表]]：UMP、位移路程比、择时因子