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），不展开期货专项方法（见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 - 因子开发与回测流程
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 - 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 - 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 - 滑点、交易成本的微观结构基础
术语见 Glossary：UMP、位移路程比、择时因子

6.8 KiB Raw Blame History Unescape Escape