abu能夠幫助用戶自動完善策略，主動分析策略產生的交易行為，智能攔截策略生成的容易失敗的交易單。

現階段的量化策略還是人工編寫的代碼，abu量化交易系統的設計將會向著由計算機自動實現整套流程的方向邁進，包括編寫量化策略本身。

abupy的設計目標是：用戶只需要提供一些簡單的種子策略，計算機在這些種子基礎上不斷自我學習、自我成長，創造出新的策略，并且隨著時間序列數據不斷智能調整策略的參數。

索引

內容

位置

阿布量化系統源代碼

abupy目錄

阿布量化使用教程

abupy_lecture目錄

阿布量化非編程界面操作

abupy_ui目錄

《量化交易之路》示例代碼

ipython／python目錄

特點

使用多種機器學習技術智能優化策略

在實盤中指導策略進行交易，提高策略的實盤效果，戰勝市場

支持的投資市場:

美股，A股，港股

期貨，期權

比特幣，萊特幣

工程設計目標：

分離基礎策略和策略優化監督模塊

提高靈活度和適配性

安裝

部署

推薦使用Anaconda部署Python環境，詳見 量化環境部署

測試

import abupy

界面操作(非編程)

使用文檔

1：擇時策略的開發

擇時策略決定什么時候買入投資品，回測告訴我們這種策略在歷史數據中的模擬收益如何。

買入擇時因子的編寫

分解模式一步一步對策略進行回測

賣出擇時因子的實現

在對的時間，遇見對的人(股票)，是一種幸福

在對的時間，遇見錯的人(股票)，是一種悲傷

在錯的時間，遇見對的人(股票)，是一聲嘆息

在錯的時間，遇見錯的人(股票)，是一種無奈

2: 擇時策略的優化

通過止盈止損保護策略產生的利潤，控制風險。

基本止盈止損策略

風險控制止損策略

利潤保護止盈策略

3: 滑點策略與交易手續費

考慮應用交易策略時產生的成交價格偏差及手續費。

滑點買入賣出價格確定及策略實現

交易手續費的計算以及自定義手續費

type

date

symbol

commission

buy

20150423

usTSLA

8.22

buy

20150428

usTSLA

7.53

sell

20150622

usTSLA

8.22

buy

20150624

usTSLA

7.53

sell

20150706

usTSLA

7.53

sell

20150708

usTSLA

7.53

buy

20151230

usTSLA

7.22

sell

20160105

usTSLA

7.22

buy

20160315

usTSLA

5.57

sell

20160429

usTSLA

5.57

4: 多支股票擇時回測與倉位管理

針對多支股票實現擇時策略，通過倉位管理策略控制風險。

多支股票使用相同的因子進行擇時

自定義倉位管理策略的實現

多支股票使用不同的因子進行擇時

使用并行來提升擇時運行效率

5: 選股策略的開發

一個好的策略需要一個好的標的。

選股因子的編寫

多個選股因子并行執行

使用并行來提升選股運行效率

6: 回測結果的度量

正確的度量引領著正確的前進方向。

度量的基本使用方法

度量的可視化

擴展自定義度量類

7: 尋找策略最優參數和評分

通過定制的評分機制，尋找一個策略最合理的參數，比如：應該考慮多少天的均線？

參數取值范圍

Grid Search尋找最優參數

度量結果的評分

不同權重的評分

自定義評分類的實現

8: A股市場的回測

A股市場的回測示例

漲跌停的特殊處理

對多組交易結果進行分析

9: 港股市場的回測

港股市場的回測示例

優化策略，提高系統的穩定性

將優化策略的'策略'做為類裝飾器進行封裝

10: 比特幣, 萊特幣的回測

比特幣, 萊特幣的走勢數據分析

比特幣, 萊特幣的走勢可視化分析

比特幣，萊特幣市場的回測

比特幣loss10: [-26.895, -3.284] , top10：(4.182, 38.786]

比特幣最近一年風險下降：loss10: [-16.273, -2.783], top10：(3.948, 15.22]

萊特幣loss10: [-28.48, -4.1]， top10：(4.405, 41.083]

萊特幣最近一年繼續呈現高風險loss10：[-22.823, -3.229] 高收益top10：(5.0606, 37.505]

btcchange

btc365change

ltcchange

ltc365change

[-26.895, -3.284]

[-16.273, -2.783]

[-28.48, -4.1]

[-22.823, -3.229]

(-3.284, -1.547]

(-2.783, -1.056]

(-4.1, -2.022]

(-3.229, -1.375]

(-1.547, -0.8]

(-1.056, -0.424]

(-2.022, -0.922]

(-1.375, -0.655]

(-0.8, -0.224]

(-0.424, -0.071]

(-0.922, -0.389]

(-0.655, -0.226]

(-0.224, 0.143]

(-0.071, 0.272]

(-0.389, 0]

(-0.226, 0.078]

(0.143, 0.568]

(0.272, 0.698]

(0, 0.413]

(0.078, 0.453]

(0.568, 1.108]

(0.698, 1.316]

(0.413, 0.977]

(0.453, 0.913]

(1.108, 2.171]

(1.316, 2.334]

(0.977, 1.889]

(0.913, 1.957]

(2.171, 4.182]

(2.334, 3.948]

(1.889, 4.405]

(1.957, 5.0606]

(4.182, 38.786]

(3.948, 15.22]

(4.405, 41.083]

(5.0606, 37.505]

11: 期貨市場的回測

期貨市場的特點

看漲合約的回測

看跌合約的回測

位移路程比優化策略

12: 機器學習與比特幣示例

如何在投資品的量化交易中正確使用機器學習技術？

比特幣特征的提取

abu中內置機器學習模塊的使用

測試集的驗證與非均衡技術

繼承AbuMLPd對數據處理進行封裝

13: 量化技術分析應用

技術分析三大假設：市場行為涵蓋一切；價格沿趨勢移動；歷史會重演。

阻力線，支撐線自動繪制

跳空技術分析

傳統技術指標技術分析

14: 量化相關性分析應用

相似的投資品數據的背后，往往是相似行為模式的投資人群。

相關相似度的度量

距離的度量與相似度

相似相關接口的應用

自然相關性

15: 量化交易和搜索引擎

搜索策略生成的失敗交易，由裁判攔截住沖動的交易者。

切分訓練集交易的回測

對交易進行人工分析

主裁系統原理

角度主裁

賦予宏觀上合理的解釋

最優分類簇篩選

16: UMP主裁交易決策

跳空主裁

價格主裁

波動主裁

驗證主裁是否稱職, 在abu系統中開啟主裁攔截模式

組織裁判進行更復雜的綜合裁決

讓裁判自己學習怎么配合，自己做出最正確的判斷

17: UMP邊裁交易決策

角度邊裁

價格邊裁

波動邊裁

綜合邊裁

驗證邊裁是否稱職

在abu系統中開啟邊裁攔截模式

18: 自定義裁判決策交易

從不同視角訓練新的主裁

從不同視角訓練新的邊裁

添加新的視角來錄制比賽(記錄回測特征)

主裁使用新的視角來決策交易

邊裁使用新的視角來決策交易

abupy中ump模塊的設計目標是：

不需要在具體策略中硬編碼

不需要人工設定閥值，即且使得代碼邏輯清晰

分離基礎策略和策略優化監督模塊，提高靈活度和適配性

發現策略中隱藏的交易策略問題

可以通過不斷的學習新的交易數據

19: 數據源

abu支持股票、期貨、數字貨幣等多種金融投資品的行情和交易，并具有高度可定制性。

數據模式的切換

數據存儲的切換

數據源的切換

全市場數據的更新

接入外部數據源，股票數據源

接入外部數據源，期貨數據源

接入外部數據源，比特幣，萊特幣數據源

關注阿布量化微信公眾號: abu_quant

License

總結

以上是生活随笔為你收集整理的量化交易系统 python btc_GitHub - crabboy/abu: 阿布量化交易系统(股票，期权，期货，比特币，机器学习) 基于python的开源量化交易，量化投资架构...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。