6.8 KiB
6.8 KiB
title, last_updated, source, created, updated, type, tags, confidence, contested, raw_sources
| title | last_updated | source | created | updated | type | tags | confidence | contested | raw_sources | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 阿布量化（ABuQuant）框架架构 | 2026-08-07 | https://github.com/bbfamily/abu (commit d602d847677e4c2b77b0a122df30816ea68b5710) | 2026-08-07 | 2026-08-07 | concept |
|
medium | false |
|
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