微软开源!世界首个AI量化投资平台 Qlib 基本使用教程

Qlib上手学习记录 Qlib 是一个面向人工智能的量化投资平台,其目标是通过在量化投资中运用AI技术来发掘潜力、赋能研究并创造价值,从探索投资策略到实现产品化部署。该平台支持多种机器学习建模范式,包括有监督学习、市场动态建模以及强化学习等。真的是走了很多弯路step 1. 使用 ananconda 建立环境,要主要必须是 python 3.8失败的下了以后 进入 glib folder 后执行是会报错的,不管你还什么source 都一样,整了很久使用前最好看下这个。 阅读详情
AI摘要

Qlib是一款由微软开源的AI量化投资平台,支持全流程Python操作,并内置多种深度学习算法及中美股市数据接入。本文详细介绍Qlib的安装、数据准备及内置算法策略的运行过程。

5efd7e764d122d3895d18c2b5d3832c2.png

2020年9月,微软开源了AI量化投资平台Qlib的源代码,随后得到了不少的关注,Qlib的主要优势在于:

1.Python覆盖量化投资全过程,用户无需切换语言;内置许多深度学习算法模型,降低AI算法使用的门槛。

2.内置A股、美股数据接入通道,基于qrun能够自动运行整个工作流程,大大提高开发效率。

3.每个组件都是松耦合可以独立使用,用户能够自行选用某些组件。

Qlib相比于我们之前介绍的backtrader,那功能完善太多。backtrader相当于给你提供一个基本的量化框架,数据、策略、算法,你全部自己搞定。而Qlib则从数据、到策略、到算法都给了你全套的解决方案,你只需要加一点自己的想法,不需要管其他细枝末节的东西就能完成AI量化研究,非常方便。

下面我们就来试一下 Qlib 的安装和运行内置算法策略。

1.准备

开始之前,你要确保Python和pip已经成功安装在电脑上。

由于qlib有许多许多依赖,如果你不想安装过程中出现问题,或者引起其他程序的运行问题,建议使用Conda创建一个你的量化投资虚拟环境:

conda create -n my_quant python=3.8

Qlib 仅支持 Python3.7 以上的版本且暂不支持 Python3.10; 另外 Python 3.9 版本不支持模型性能绘制,因此我选择创建Python3.8版本的虚拟环境。

(安装方式一)pip 安装:

pip install pyqlib

在pip安装的过程中如果遇到任何问题,请搜索引擎解决,如果无法解决,可以尝试下面的源码安装:

(安装方式二 (推荐))源码安装:

# 提前安装一些依赖
pip install numpy
pip install --upgrade cython

# clone and install qlib
git clone https://github.com/microsoft/qlib.git && cd qlib
python setup.py install

如果你由于网络问题无法成功Clone项目,请在Python实用宝典公众号后台回复 Qlib 下载源代码。

Windows 机器在安装的时候可能会遇到下面这个问题:

cb7582703782f85caf8b6411e03dc8c8.png

这是因为安装 qlib 的依赖 — tables 时出现了编译错误,原因很多,我选择逃学,因此建议使用 tables 的 wheel 文件进行安装,这样就不需要编译了:

https://www.lfd.uci.edu/~gohlke/pythonlibs/#pytables

在上述网站下载适合你系统的 wheel 文件:

5d0923114e2e2a6c408933c6e19481d0.png

下载完毕后,输入以下命令:

pip install 你的文件路径/tables-3.6.1-cp39-cp39-win_amd64.whl


即可完成 tables 的安装,然后再执行一遍 python setup.py install 即可。

2. 数据准备

由于这套量化开源平台的作者是中国人,所以非常贴心地准备好了A股数据,大家可以输入命令直接下载:

# 1天级别数据
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

# 1分钟级别数据
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --region cn --interval 1min

如果你需要其他分钟级的数据,修改interval即可。

你可以使用crontab定时自动更新数据(来自雅虎财经):

* * * * 1-5 python <script path> update_data_to_bin --qlib_data_1d_dir <user data dir>

手动更新数据:

python scripts/data_collector/yahoo/collector.py update_data_to_bin --qlib_data_1d_dir <user data dir> --trading_date <start date> --end_date <end date>

3. 运行量化回测流程示例

Qlib 提供了一个名为  qrun  自动运行整个工作流程的工具(包括构建数据集、训练模型、回测和评估)。

你可以按照以下步骤启动自动量化研究工作流程并进行图形报告分析,Quant Research 工作流程:

Qrun  运行 lightgbm 工作流程的配置 workflow_config_lightgbm_Alpha158.yaml 如下所示:

cd examples # Avoid running program under the directory contains `qlib`
qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

结果如下:

23ab81cb7109e6390916d5d8c6324a46.png

可以看到这里包括三个统计分析:benchmark return (基准收益) / excess return without cost(除去手续费的超额收益)) / excess return with cost(包含手续费的超额收益)。每个统计分析中都有如下5个参数:

  • mean: 异常收益的平均值

  • std: 异常收益的标准差

  • annualized_return: 年化回报

  • information_ratio: 信息比率

  • max_drawdown: 最大回撤

大家可以看到,这个内置的算法和策略,在不包括手续费的情况下,相比于基准收益年化回报略高,但是在把手续费等费用算上之后,比沪深300基准收益略逊一筹。

如果你想要自定义这个策略和算法的回测参数,你可以查看 workflow_config_lightgbm_Alpha158.yaml 的内容:

上滑查看更多代码

qlib_init:
    provider_uri: "~/.qlib/qlib_data/cn_data"
    region: cn
market: &market csi300
benchmark: &benchmark SH000300
data_handler_config: &data_handler_config
    start_time: 2008-01-01
    end_time: 2020-08-01
    fit_start_time: 2008-01-01
    fit_end_time: 2014-12-31
    instruments: *market
port_analysis_config: &port_analysis_config
    strategy:
        class: TopkDropoutStrategy
        module_path: qlib.contrib.strategy
        kwargs:
            model: <MODEL>
            dataset: <DATASET>
            topk: 50
            n_drop: 5
    backtest:
        start_time: 2017-01-01
        end_time: 2020-08-01
        account: 100000000
        benchmark: *benchmark
        exchange_kwargs:
            limit_threshold: 0.095
            deal_price: close
            open_cost: 0.0005
            close_cost: 0.0015
            min_cost: 5
task:
    model:
        class: LGBModel
        module_path: qlib.contrib.model.gbdt
        kwargs:
            loss: mse
            colsample_bytree: 0.8879
            learning_rate: 0.2
            subsample: 0.8789
            lambda_l1: 205.6999
            lambda_l2: 580.9768
            max_depth: 8
            num_leaves: 210
            num_threads: 20
    dataset:
        class: DatasetH
        module_path: qlib.data.dataset
        kwargs:
            handler:
                class: Alpha158
                module_path: qlib.contrib.data.handler
                kwargs: *data_handler_config
            segments:
                train: [2008-01-01, 2014-12-31]
                valid: [2015-01-01, 2016-12-31]
                test: [2017-01-01, 2020-08-01]
    record: 
        - class: SignalRecord
          module_path: qlib.workflow.record_temp
          kwargs: 
            model: <MODEL>
            dataset: <DATASET>
        - class: SigAnaRecord
          module_path: qlib.workflow.record_temp
          kwargs: 
            ana_long_short: False
            ann_scaler: 252
        - class: PortAnaRecord
          module_path: qlib.workflow.record_temp
          kwargs: 
            config: *port_analysis_config

参数比较多,大家借助翻译工具应该都能看懂。这里摘取华泰的一个研究报告,里面对参数做了具体的翻译:

d0ab5c6758db916d233132b05ccaf99a.png

7a49c514e108b748f0b0e34ec955a8fe.png

1c2225f07fd27ded2571b6ac709aef35.png

为了方便用户使用,微软内置了许多模型,如上文我们用到的 gbdt 位于克隆的文件夹下的 qlib/contrib/model/gbdt.py:

5fc7c3bb7c49cd32e9229ff867b25e6e.png

注意:pytorch 开头的模型需要预先安装pytorch.

一个小问题,Qlib里,策略和算法的区别是什么?

大家注意到,Qlib这里,必须定义策略和算法两个配置,而在backtrader里面,我们更加重视策略,而非“算法”这个概念。那么这两者在Qlib中的区别是什么?我们看默认TOPK策略的源代码:

3353fa249164a3923aecc94f2ddd743d.png

可以看到,默认的这个策略,选择了算法预测分数结果中排名 TOP K 的股票,也就是策略从算法得到的结果中去做筛选需要交易的股票。算法相当于生成一个新的可用于判断买入卖出的评判标准。这就是策略和AI算法这两者的最重要区别。

最后,得益于松耦合的代码设计,我认为 Qlib 是一个能够让不同层次的研究者各取所需的开源项目,是一个不可多得的量化开源平台,特别适合重度Python使用者,有兴趣的朋友可以试一下,未来我也会考虑出 Qlib 相关的使用教程,敬请期待。

觉得还不错就给我一个小小的鼓励吧!
Qlib实战-从安装到运行一个官方model qlib安装到运行,小白踩了好多坑o(TヘTo)!希望后续大家不要踩了。 阅读详情

相关推荐

微矿Qlib:业内首个AI量化投资开源平台

2020年底,微软亚洲研究院正式发布了 AI 量化投资开源平台“微矿 Qlib”。这是微软亚洲研究院成立“创新汇”三年以来,在与金融行业的成员企业合作研究的基础之上,打造的 AI+金融跨界创新的阶段性重要成果,通过创建一个通用的技术平台,帮助实现量化投资流程的 AI 闭环。 Qlib 涵盖了量化投资的全过程,为用户的 AI 算法提供了高性能的底层基础架构,从框架设计上让用户可以更容易地应用 AI 算法来辅助解决量化投资的各个关键问题(例如 Alpha 预测,风险预测,市场动态性建模)。 对于金融从业者来

微软技术栈 7530

Qlib从入门到精通

前面谈到了简单的一个示例代码,实际上里面的策略源码和模型回测源码都需要好好了解,他这个回测系统和我之前用到的回测策略代码有不一样的地方,作为一个量化策略攻城狮,掌握源码是基本的技能。Qlib内置的数据采集里,已经支持了采集基金数据,是网上收集公募基金的数据,由于我们量化仅需要ETF的数据,所以。Qlib内置了A股、美股两个市场的历史数据,上一篇文章也谈到过,可以通过运行如下的脚本把数据自动获取到本地。dump_bin是把csv格式的数据转换为qlib的格式,这样qlib就可以使用。

mnwl12_0的博客 1万+

Qlib:微软开源的AI量化投资平台 极简入门快速上手教程:使用 Qlib 进行中芯国际股价回测和预测

Qlib是由微软开源的面向AI量化投资的工具包。它提供了构建量化投资模型所需的基础设施,旨在帮助研究者和从业人员更高效地进行量化研究和策略开发。

AI天才研究院 5423

学习笔记:Qlib 量化投资平台框架 — FOR DEVELOPERS

Qlib 是微软亚洲研究院开源的一个面向人工智能的量化投资平台,旨在实现人工智能技术在量化投资中的潜力,赋能研究,并创造价值,从探索想法到实施生产。Qlib 支持多种机器学习建模范式,包括监督学习、市场动态建模和强化学习。借助 Qlib,用户可以轻松尝试他们的想法,以创建更优秀的量化投资策略。

船长Q的博客 4468

智能车‘大脑’的诞生:揭秘电磁循迹代码背后的控制论与系统思维

本文深入探讨智能车电磁循迹系统的核心架构与控制原理,揭示了其作为精密闭环系统如何通过模块化设计、信号处理、PID控制算法及电机驱动实现自主导航。重点分析了电磁信号采集与处理流程框架,为开发者提供从理论到实践的全面指南。

arduino9maker的博客 533

AI赋能软件测试:从冒烟测试到全流程智能化的效率革命

软件测试是确保软件质量的关键环节,其核心原理是通过预设用例验证系统功能是否符合预期。传统测试方法依赖人工编写和维护脚本,面临维护成本高、适应性差等挑战。随着人工智能技术的发展,特别是自然语言处理和计算机视觉的成熟,AI为测试领域带来了新的技术价值。通过让AI理解应用界面和业务逻辑,可以实现测试用例的智能生成、自主执行和结果分析,显著提升测试效率和覆盖率。在实际应用场景中,AI驱动的冒烟测试能够动态适应UI变化,自动分析失败日志,将测试人员从重复劳动中解放出来,专注于更复杂的质量策略设计。本文基于AI在冒烟测

weixin_28841265的博客 308

AI + Qlib 颠覆量化投资?揭秘微软开源平台带来的智能交易革命

在人工智能与数字金融不断融合的今天,量化交易正迎来一场革命。微软的开源量化平台Qlib,凭借全流程支持、自动化工作流和多种先进算法,为投资者和研究者提供了一个低门槛、高效率的量化投资解决方案。本文将带你深入了解Qlib的诞生、优势、颠覆性影响,以及基于Qlib构建的NVIDIA股票交易策略和全工作流配置的案例,最后探讨Qlib这类开源平台带来的未来机遇。

weixin_70955880的博客 2895

阿里云习题多选部分459道

比如: UserA的用户在杭州有一台经典网络的ECS云服务器InstanceA (内网IP: A.A.A),InstanceA所属的默认安全组为GroupA, UserB的用户在杭州有一台经 典网络的ECS云服务器InstanceB(内网IP:B.B.B),InstanceB所属的默认安全组为GroupB。43.创建阿里云的云服务器ECS实例之前,需要对ECS实例的配置进行选型,阿里云为用户提供了推荐的配置组合方案来满足大部分用户的需求,这些推荐配置只是作为开始使用云服务器ECS实例的参考。

2501_91384465的博客 1313

尝鲜!微软首个AI量化投资开源平台Qlib上手体验!

近日,微软亚洲研究院正式发布了业内首个AI量化投资开源平台Qlib,发布一个月以来已经在GitHub收获2.3k star! 值得关注的一点就是这套量化系统的框架分为多层,每层由多个松散耦合的模块组成,因此每个模块用户都可以自行修改、定制、使用,如下图所示 通过这样的方式,可以让用户更快的了解整个工作流程,并灵活的进行调整,同时也支持在线和离线两种模式,嗯,本地取数据、本地跑策略,隐私上也有一定的提升。 更多的宣传点,本文不再过多介绍,下面将从用户使用的角度讲解如何安装配置Qlib并构建一个量化交

早起Python 5507

Comsol超声空化气泡仿真入门:从零搭建模型到网格划分的完整流程

本文详细介绍了使用Comsol进行超声空化气泡仿真的完整流程,从物理基础理解到模型搭建、网格划分及求解器设置。通过具体步骤和示例代码,帮助初学者和工程师快速掌握这一关键技术,应用于医疗设备和工业清洗等领域。

weixin_29289821的博客 169

创建 Qt Quick 项目

来看看如何使用 Qt Creator 创建 Qt Quick 项目!

青春不老,奋斗不止! 1万+

部署微软开源人工智能Qlib量化投资平台

部署人工智能Qlib量化投资平台

AITechLab 的博客 5416

PNETLab 镜像包官方下载太慢?不急,最新版本PNET_4.2.10分享!

你好,这里是网络技术联盟站,我是瑞哥。PNETLab是一个强大的网络仿真工具平台,全称Packet Network Emulator Tool Lab。它不仅允许用户进行深入的网络实验,还支持社区成员之间的实验室共享。PNETLab致力于为学习者、教师以及网络工程师提供一个全面的实验环境,以便于他们能够在实际部署前测试和验证网络配置和协议。和。这两个部分相辅相成,共同构成了一个全面且灵活的网络仿真生态系统。

网络技术联盟站 4488

Qlib: 微软开源的AI量化投资平台

Qlib是一个开源的、面向AI的量化投资平台,旨在通过AI技术挖掘量化投资的潜力,赋能研究,创造价值。它支持多种机器学习建模范式,包括监督学习、市场动态建模和强化学习等。Qlib涵盖了量化投资的全链条,包括alpha因子挖掘、风险建模、投资组合优化和订单执行等。它提供了从数据处理、模型训练到回测的完整机器学习流程。Qlib作为一个开源的AI量化投资平台,为量化投资研究提供了强大的工具支持。它不仅可以提高研究效率,还能促进AI技术在量化投资中的应用,降低行业门槛。

2401_87189860的博客 2424

【PCIe 总线及设备入门学习专栏 6.2 -- PCIe VDM (Vendor Defined Messages)】

在PCIe协议中,Vendor Defined Messages (VDMs) 是一种允许厂商定义和传输特定功能的消息类型。这种机制扩展了标准 PCIe 消息的功能,可以用于实现供应商自定义的功能,例如固件更新、设备配置和诊断信息传输。PCIe VDM 是通过实现的,它遵循 PCIe 协议栈的结构,包括事务层、数据链路层和物理层。

CodingCos的博客 1898

ISP算法:宽动态HDR

动态范围(Dynamic Range):在很多领域来表示某个变量的最大值和最小值的比值。在数字图像处理领域里,动态范围也被称为图像对比度,表示图像可以显示范围内,像素最大亮度值和最小亮度值的比值。 高动态范围图像(High Dynamic Range Image): 可以反映真实场景中高动态范围亮度信息图像。 高动态技术:能自动调整图像动态范围的一种技术。该技术是一种利用计算机高速运算产生高

a200800170331的专栏 1万+

【GitHub项目推荐--Qlib:微软开源AI量化投资平台】

​Qlib​ 是微软开发的开源AI量化投资平台,旨在利用人工智能技术赋能量化研究,从探索想法到实现生产部署的全流程支持。该平台提供了完整的机器学习管道,包括数据处理、模型训练、回测和评估,覆盖量化投资的整个链条。🔗 ​GitHub地址🚀 ​核心价值​:量化投资 · AI驱动 · 研究平台 · 开源免费 · 企业级​项目背景​:​量化需求​:应对量化投资研究需求​AI技术​:AI技术在量化中的应用​研究效率​:提高量化研究效率​开源生态​:推动开源量化工具​企业级​:企业级量化平台​。

j8267643的博客 2592

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

三分钟玩转微软AI量化投资开源库QLib

数量技术宅团队在优快云学院推出了量化投资系列课程 欢迎有兴趣系统学习量化投资的同学,点击下方链接报名: 量化投资速成营(入门课程) Python股票量化投资 Python期货量化投资 Python数字货币量化投资 C++语言CTP期货交易系统开发 数字货币JavaScript语言量化交易系统开发 微软QLib简介 微软亚洲研究院发布了 AI 量化投资开源平台“微矿 Qlib”。Qlib 涵盖了量化投资的全过程,为用户的 AI 算法提供了高性能的底层基础架构,从框架设计上让用户可...

sljsz的博客 3044

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

QLib:AI量化投资平台全景解析与实战入门

QLib是微软开源的面向AI的量化投资平台,致力于释放AI技术在量化投资领域的潜力。本文将系统梳理QLib的架构、核心功能、典型应用场景,并通过实战案例带你快速上手,助力中国开发者高效开展AI量化研究。QLib是什么?它能为AI量化投资带来哪些变革?QLib是微软开源的AI量化投资平台,支持从数据管理、特征工程、模型训练、回测评估到在线部署的全流程,极大降低了AI量化研究的门槛。支持多种机器学习与深度学习模型高性能数据处理与回测引擎灵活的模块化设计,便于扩展与定制。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 3501

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

qlib: 微软开源的量化平台

Qlib 是一个开源的、面向 AI 的量化投资平台,旨在利用 AI 技术在量化投资中发挥潜力、赋能研究、创造价值,从探索想法到实施产品。Qlib 支持多种机器学习建模范式,包括监督学习、市场动态建模和强化学习。

2475

Qlib终极指南:微软开源AI量化投资平台从入门到精通

想要用人工智能技术提升量化投资研究效率吗?微软开源的Qlib平台正是你需要的解决方案!这个AI驱动的量化投资平台将机器学习技术与金融研究完美结合,让你能够轻松构建、测试和部署量化策略。 ## 探索篇:Qlib如何革新量化投资研究 ### 什么是Qlib? Qlib是一个面向AI的量化投资平台,旨在利用人工智能技术赋能量化研究,从探索想法到实现产品化。它支持多种机器学习建模范式,包括监督学习、

gitblog_01196的博客 725

微软Qlib:AI量化投资平台的完整入门指南与实战教程

想要进入AI量化投资的世界,却不知从何开始?微软开源的Qlib正是为你准备的终极解决方案!无论你是量化投资新手,还是有一定经验的研究员,Qlib都能帮助你快速构建专业的AI量化策略。这个平台集成了从数据处理、模型训练到策略回测的全套工具,让你专注于策略创新而非技术实现。 ## 🎯 谁是Qlib的最佳用户? ### 适用人群快速诊断 **✅ 适合你,如果你:** - 对量化投资感兴趣但缺乏技

gitblog_00183的博客 1064

微软开源的量化交易的 AI 原生 QLIB ,GitHub 源代码共享

Qlib是一个开源的AI量化投资平台,提供从数据处理、模型训练到回测的完整机器学习流程。该平台支持监督学习、市场动态建模和强化学习等多种AI技术,通过松散耦合的模块化设计,帮助用户构建量化投资策略。Qlib集成了自动化研发工具,可实现alpha挖掘、风险建模、组合优化等全链条量化投资功能,并提供在线模型部署和策略分析功能。平台已发布多个前沿量化研究成果,包括利用监督学习挖掘市场非线性规律、采用自适应技术建模市场动态特性等创新应用。

RR1335 之代码才是动力源 2139

Qlib终极指南:微软AI量化投资平台的完整解决方案

在量化投资领域,传统方法往往面临数据处理效率低下、模型单一、部署复杂等痛点。Qlib作为微软开源的AI量化投资平台,为这些挑战提供了创新性的解决方案。这个平台不仅集成了最前沿的人工智能技术,还提供了从数据准备到策略部署的完整工作流,让量化研究变得更加高效和智能。 ## 为什么选择Qlib?量化投资的AI革命 传统量化工具通常需要分析师花费大量时间在数据清洗、特征工程和模型调优上,而Qlib通过

gitblog_00813的博客 975

微软Qlib:AI量化投资的未来已来,你的金融研究新引擎!

QLibrary) 是一个面向AI的开源量化投资平台,由微软开发并维护。其核心目标是利用AI技术赋能量化研究,帮助用户将投资想法转化为实际的产品。它用Python语言编写,拥有庞大的社区支持和活跃的开发迭代。简单来说,量化投资(Quant Investment)是一种通过数学模型和统计分析来识别投资机会并执行交易策略的方法。从海量金融数据中识别出人眼难以察觉的非线性关系。金融市场瞬息万变,AI模型可以更好地适应市场变化,避免性能衰减。自动化地进行投资决策,并持续优化交易策略。

qq_36674283的博客 1300
上一篇: 元宇宙和我有什么关系?
下一篇: 综述|计算机视觉中的注意力机制
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值