readme.md
| 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 |
🇨🇳 沪深市场量化示例分析列表
🇺🇸 美股市场量化示例分析列表
阿布量化架构概述
阿布量化综合AI大数据系统, K线形态系统, 缠论，波浪理论，谐波理论，突破，整理形态分析（头肩形态，三头，三角，旗形，楔形，矩形）， 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.
基于道氏理论的一维特征
🌊 艾略特波浪理论
💸 缠论
📡 谐波理论
💹 形态模型
🎯 趋势线阻力与支撑
🎢 均线信号
🅚 K线信号
💢 跳空缺口
🈯️ 指标信号
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.
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.
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。
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。
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。
考虑应用交易策略时产生的成交价格偏差及手续费。
| 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。
一个好的策略需要一个好的标的。
正确的度量引领着正确的前进方向。
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？
如何在投资品的量化交易中正确使用机器学习技术？
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。
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。
搜索策略生成的失败交易，由裁判拦截住冲动的交易者。
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。