abu / Strategy

abu 策略开发:择时、选股、仓位与回测优化

abu 结合传统基于代码的量化系统,支持择时策略、选股策略、仓位管理、滑点与手续费、回测度量与参数优化;系统基于数百种种子策略衍生出 18496 种量化买卖信号策略。

择时 + 选股回测 + 度量18496 策略
择时买卖因子
选股选股因子
仓位止盈止损
优化参数 + 度量
abu 策略开发流程示意(择时 → 选股 → 仓位 → 参数优化),基于官方 readme 使用文档 1-7;不暗示收益保证。
Flow

策略开发与回测

以下主题对应官方 readme「使用文档」教程(2026-08 核验)。

择时策略

编写买入/卖出择时因子,决定何时买入投资品,并回测历史模拟收益。

选股策略

编写选股因子,多因子并行执行,为策略选择合适标的。

仓位与风险

多支股票仓位管理、止盈止损策略,控制风险。

滑点与手续费

成交价格偏差与交易手续费的计算及自定义。

回测度量

回测结果度量、可视化与自定义度量类。

参数优化

Grid Search 寻找策略最优参数与评分。

说明:回测结果仅代表历史表现,不构成收益保证或投资建议。
Tutorials

官方教程清单(19 个 ipynb)

abu 在仓库 abupy_lecture 目录提供 19 个 Jupyter 教程,覆盖从择时到数据源的完整链路。以下为与策略开发直接相关的章节(2026-08 核验)。

章节主题要点
1择时策略的开发买入/卖出择时因子编写,分解模式逐步回测
2择时策略的优化止盈止损、风险控制止损、利润保护止盈
3滑点策略与交易手续费滑点买卖价、手续费计算与自定义
4多支股票择时回测与仓位管理多标的择时、自定义仓位管理、并行提速
5选股策略的开发选股因子、多因子并行、并行提速
6回测结果的度量度量使用、可视化、自定义度量类
7寻找策略最优参数和评分参数范围、Grid Search、评分与权重
12机器学习与比特币示例特征提取、内置机器学习模块、非均衡处理
13量化技术分析应用阻力/支撑线自动绘制、跳空、技术指标
Workflow

策略开发分步流程

从想法到可复现回测的最小落地路径。

1. 写买入择时因子

定义何时买入投资品,作为择时策略的入市条件。

2. 分解模式回测

按官方教程分步回测,验证买入信号的历史表现。

3. 写卖出/止盈止损因子

补充卖出与风险控制,保护利润、控制回撤。

4. 参数优化与度量

Grid Search 找最优参数,用度量指标评估并迭代。

FAQ

常见问题

abu 回测需要自己写策略吗?

是的,abu 基于 Python 代码策略,需要编写择时/选股因子;另有 abupy_ui 非编程界面与 AI 量化信号系统可降低门槛。

abu 的策略是确定盈利的吗?

不是。回测结果仅代表历史表现,受数据、参数与市场环境假设影响,不构成收益保证或投资建议。

abu 的 18496 种策略是什么?

系统基于数百种种子策略衍生,通过自我学习与淘汰选择机制繁衍,当前应用的量化买卖信号策略共 18496 种,随版本变化。

策略开发需要先准备什么?

需先部署 abupy 环境(见安装页)、准备对应市场数据(见数据页),再编写策略。

策略需要数据支撑

想了解 abu 的数据源切换与市场覆盖,看数据页与市场页。