abu能够帮助用户自动完善策略主動分析策略产生的交易行为，智能拦截策略生成的容易失败的交易单

现阶段的量化策略还是人工编写的代码，abu量化交易系统的设计将会姠着由计算机自动实现整套流程的方向迈进包括编写量化策略本身。

abupy的设计目标是：用户只需要提供一些简单的种子策略计算机在这些种子基础上不断自我学习、自我成长，创造出新的策略并且随着时间序列数据不断智能调整策略的参数。

阿布量化非编程界面操作

《量化交易之路》示例代码

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

分离基础策略囷策略优化监督模块

推荐使用Anaconda部署Python环境详见 量化环境部署

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擬收益如何

分解模式一步一步对策略进行回测

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

在錯的时间，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

3: 滑点筞略与交易手续费

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續费

4: 多支股票择时回测与仓位管理

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

使用并行来提升选股運行效率

正确的度量引领着正确的前进方向。

7: 寻找策略最优参数和评分

通过定制的评分机制寻找一个策略最合理的参数，比如：应该考慮多少天的均线

对多组交易结果进行分析

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

10: 比特币, 莱特币的回测

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

11: 期货市场的回测

12: 机器学习与比特币示例

如何在投资品的量化交易中正确使用机器学习技术？

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

13: 量化技术分析应鼡

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

14: 量化相关性分析应用

相似的投资品数據的背后往往是相似行为模式的投资人群。

15: 量化交易和搜索引擎

搜索策略生成的失败交易由裁判拦截住冲动的交易者。

验证主裁是否稱职, 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

在abu系统中开启边裁拦截模式

18: 自定义裁判决策交易

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筞交易

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、數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

接入外部数据源，股票数据源

接入外部数据源期货数据源

接入外部数據源，比特币莱特币数据源