| 内容 | 位置 |
|---|---|
| 阿布量化系统源代码 | abupy目录 |
| 阿布量化使用教程 | abupy_lecture目录 |
| 阿布量化非编程界面操作 | abupy_ui目录 |
| 《量化交易之路》示例代码 | ipython／python目录 |
| 《机器学习之路》示例代码 | https://github.com/maxmon/abu_ml |
- 使用多种机器学习技术智能优化策略
- 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
- 美股，A股，港股
- 期货，期权
- 比特币，莱特币
- 分离基础策略和策略优化监督模块
- 提高灵活度和适配性
谢谢您来使用我们的应用!
- 量化系统
阿布量化综合AI大数据系统, K线形态系统, 经典指标系统, 走势趋势分析系统, 时间序列维度系统, 统计概率系统, 传统均线系统对投资品种进行深度量化分析, 彻底跨越用户复杂的代码量化阶段, 更适合普通人群使用, 迈向量化2.0时代.
- 量化模型
上述系统中结合上百种子量化模型, 如: 金融时间序列损耗模型, 深度形态质量评估模型, 多空形态组合评定模型, 多头形态止损策略模型, 空头形态回补策略模型, 大数据K线形态历史组合拟合模型, 交易持仓心态模型, 多巴胺量化模型, 惯性残存阻力支撑模型, 多空互换报复概率模型, 强弱对抗模型, 趋势角度变化率模型, 联动分析模型, 时间序列的过激反应模型, 迟钝报复反应模型, 趋势启动速度模型, 配对对冲模型等.
- AI量化
阿布量化针对AI人工智能从底层开发算法, 构建适合量化体系的人工智能AI系统, 训练了数个从不同角度识别量化特征的评分模型，整体上分为三个系别：物理模型组、多巴胺生物模型组、量化形态模型组。不同系别模型群从不同角度(主要物理交易实体分析、人群心理、图表等三个方向)评估走势，系别的模型群是由若干个独有的识别算法和参数遗传淘汰，组成族群，加权投票评分.
- 量化策略
阿布量化结合了传统基于代码策的量化系统, 对未来择时信号发出时机的预判, 系统基于数百种简单种子交易策略，衍生出更多的量化交易策略新策略在这些种子基础上不断自我学习、自我成长，不断分裂，适者生存，淘汰选择机制下繁衍，目前应用的量化买入卖出信号策略共计18496种。
- 量化应用
阿布量化结合多种量化分析数据构建了数百种量化应用, 如: AI高能预警, AI高光时刻, 智能预测涨跌幅, 下跌五浪量化, 上涨五浪量化, 阻力支撑强度分析, 上升三角形突破, 下降三角形, 三重底 (头肩底), 三重顶 (头肩顶), 圆弧顶, 圆弧底, 乌云盖顶形态, 上升三部曲形态, 好友反攻形态, 单针探底形态, 射击之星形态, 多方炮形态, 上涨镊子线, 向上突破箱体, 跳空突破缺口, 黄金分割线量化, 趋势跟踪信号, 均值回复信号, 止损风险控制量化, 止盈利润保护量化, 综合指标分析等.
推荐使用Anaconda部署Python环境，详见 量化环境部署
import abupy
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。
- 买入择时因子的编写
- 分解模式一步一步对策略进行回测
- 卖出择时因子的实现
在对的时间，遇见对的人(股票)，是一种幸福
在对的时间，遇见错的人(股票)，是一种悲伤
在错的时间，遇见对的人(股票)，是一声叹息
在错的时间，遇见错的人(股票)，是一种无奈
通过止盈止损保护策略产生的利润，控制风险。
- 基本止盈止损策略
- 风险控制止损策略
- 利润保护止盈策略
考虑应用交易策略时产生的成交价格偏差及手续费。
- 滑点买入卖出价格确定及策略实现
- 交易手续费的计算以及自定义手续费
| 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 |
针对多支股票实现择时策略，通过仓位管理策略控制风险。
- 多支股票使用相同的因子进行择时
- 自定义仓位管理策略的实现
- 多支股票使用不同的因子进行择时
- 使用并行来提升择时运行效率
一个好的策略需要一个好的标的。
- 选股因子的编写
- 多个选股因子并行执行
- 使用并行来提升选股运行效率
正确的度量引领着正确的前进方向。
- 度量的基本使用方法
- 度量的可视化
- 扩展自定义度量类
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？
- 参数取值范围
- Grid Search寻找最优参数
- 度量结果的评分
- 不同权重的评分
- 自定义评分类的实现
- A股市场的回测示例
- 涨跌停的特殊处理
- 对多组交易结果进行分析
- 港股市场的回测示例
- 优化策略，提高系统的稳定性
- 将优化策略的'策略'做为类装饰器进行封装
- 比特币, 莱特币的走势数据分析
- 比特币, 莱特币的走势可视化分析
- 比特币，莱特币市场的回测
- 期货市场的特点
- 看涨合约的回测
- 看跌合约的回测
- 位移路程比优化策略
如何在投资品的量化交易中正确使用机器学习技术？
- 比特币特征的提取
- abu中内置机器学习模块的使用
- 测试集的验证与非均衡技术
- 继承AbuMLPd对数据处理进行封装
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。
- 阻力线，支撑线自动绘制
- 跳空技术分析
- 传统技术指标技术分析
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。
- 相关相似度的度量
- 距离的度量与相似度
- 相似相关接口的应用
- 自然相关性
搜索策略生成的失败交易，由裁判拦截住冲动的交易者。
- 切分训练集交易的回测
- 对交易进行人工分析
- 主裁系统原理
- 角度主裁
- 赋予宏观上合理的解释
- 最优分类簇筛选
- 跳空主裁
- 价格主裁
- 波动主裁
- 验证主裁是否称职, 在abu系统中开启主裁拦截模式
- 组织裁判进行更复杂的综合裁决
- 让裁判自己学习怎么配合，自己做出最正确的判断
- 角度边裁
- 价格边裁
- 波动边裁
- 综合边裁
- 验证边裁是否称职
- 在abu系统中开启边裁拦截模式
- 从不同视角训练新的主裁
- 从不同视角训练新的边裁
- 添加新的视角来录制比赛（记录回测特征）
- 主裁使用新的视角来决策交易
- 边裁使用新的视角来决策交易
abupy中ump模块的设计目标是：
- 不需要在具体策略中硬编码
- 不需要人工设定阀值，即且使得代码逻辑清晰
- 分离基础策略和策略优化监督模块，提高灵活度和适配性
- 发现策略中隐藏的交易策略问题
- 可以通过不断的学习新的交易数据
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。
- 数据模式的切换
- 数据存储的切换
- 数据源的切换
- 全市场数据的更新
- 接入外部数据源，股票数据源
- 接入外部数据源，期货数据源
- 接入外部数据源，比特币，莱特币数据源
关注阿布量化微信公众号: abu_quant
