从学习投研流程的角度学习Qlib

最新推荐文章于 2025-09-29 16:19:32 发布

原创

最新推荐文章于 2025-09-29 16:19:32 发布 · 697 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习 #人工智能

许多同学只是把Qlib当做一个简单的工具来学习。其实Qlib隐含了一套正规的投研流程，从投研流程的视角去学习Qlib,则不仅能加深对Qlib的理解，而且能够掌握正确的投研流程，哪怕以后不使用Qlib而是使用其他系统了，这套流程还是适用的。以下，我们简单勾勒一下Qlib中的投研流程。

1. 基本特征存储

如ohlcv以及其他外部特征如pe等，存为qlib内置格式。

2. 因子与标签计算与过滤加载

3. 因子与标签预处理

生成df数据帧_infer，用于提供测试集数据，生成_learn,用于提供训练和验证集数据。

4. 训练

5.

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

扫地僧量化

关注关注

8
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

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

AI天才研究院

12-22

4028

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。

21、【qlib】Qlib：面向人工智能的量化投资平台

宋志辉的博客

03-24

570

量化投资旨在最大化收益并最小化一系列交易周期内对一组金融工具的风险。近年来，受到AI技术在量化投资方面创新潜力的启发，越来越多的量化研究和实际投资采用AI驱动的工作流程。在丰富量化投资方法的同时，AI技术也为量化投资系统带来了新的挑战。特别是，量化投资的新学习范式要求升级基础设施以适应更新的工作流程；此外，AI技术的数据驱动特性确实表明基础设施需要更强大的性能；此外，在金融场景中应用AI技术解决不同任务时还存在一些独特的挑战。

参与评论您还未登录，请先登录后发表或查看评论

Qlib模型训练：从数据准备到模型评估

gitblog_00145的博客

09-19

322

你是否还在为量化投资中模型训练的复杂流程而困扰？从数据获取、特征工程到模型调优、评估部署，每个环节都充满挑战。本文将系统介绍如何使用Qlib（Quantitative Library）——一个面向人工智能的量化投资平台，完成从数据准备到模型评估的全流程。通过本文，你将掌握： - Qlib环境搭建与初始化的完整步骤 - 高效数据准备与特征工程实现方法 - 多种机器学习模型（LightGBM/MLP...

Qlib上手学习记录

chenchihwen的专栏

12-07

2525

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。

Qlib - AI量化投资平台

最新发布

AI工程化、开源分享、文档翻译、代码笔记

09-29

1213

一、关于 Qlib 1、项目概览 2、相关链接资源 3、功能特性二、安装配置三、使用示例 1、快速开始 2、模型库四、架构设计五、性能对比其它参考项目

Qlib 的深度解析和策略示例

zhangyunchou2015的博客

04-14

3978

在配置文件中定义部分。: 指定股票池（如csi300start_timeend_time: 训练/测试数据的起止时间。: 定义使用的原始特征列表。label: 定义预测目标，通常用 Qlib 表达式。。: 指定数据加载器和其参数（如滑动窗口大小、步长等），用于为模型准备训练样本。Qlib 是一个功能强大且设计完善的量化投资研究平台，尤其擅长将 AI/ML 技术应用于金融市场预测和策略开发。其模块化、配置驱动的设计理念大大提高了研究效率和可复现性。

Qlib上手学习记录（3）--数据准备

Ganmy2001的博客

05-02

2787

Qlib提供了现成的.bin格式的数据集，用户可以使用脚本scripts/get_data.py下载China-Stock数据集，如下所示。数据用scripts/dump_bin.py转换为.bin文件（格式）的脚本，只要它们的格式正确即可。Qlib除了下载准备好的演示数据外，用户还可以直接从 Collector 下载演示数据，参考 CSV 格式。Qlib美股模式初始化假设用户在该目录中准备了Qlib格式的数据~/.qlib/qlib_data/us_data。用户只需Qlib按如下方式初始化即可。

qlib：Qlib是一个面向AI的量化投资平台，旨在实现潜力，增强研究能力并创造AI技术在量化投资中的价值。借助Qlib，您可以轻松尝试您的想法以创建更好的量化投资策略

02-04

Qlib是一个面向AI的量化投资平台，旨在实现潜力，增强研究能力并创造AI技术在量化投资中的价值。它包含数据处理，模型训练，回测的完整ML管道；并涵盖了定量投资的整个链：alpha搜索，风险建模，投资组合优化和订单执行。借助Qlib，用户可以轻松尝试想法，以创建更好的量化投资策略。有关更多详细信息，请参阅我们的论文。 Qlib框架在模块级别，Qlib是一个由以上组件组成的平台。这些组件被设计为松耦合模块，每个组件可以独立使用。名称描述 Infrastructure层 Infrastructure层为Quant研究提供了基础支持。 DataServer为用户提供了高性

Qlib是一个面向AI的量化投资平台-Python开发

05-25

Qlib是一个面向AI的量化投资平台，旨在实现潜力，增强研究能力并创造AI技术在量化投资中的价值。 Qlib是一个面向AI的量化投资平台，旨在实现潜力，增强研究能力并创造AI技术在量化投资中的价值。借助Qlib，您可以轻松地应用自己喜欢的模型来创建更好的量化投资策略。 Qlib框架快速入门安装使用估算器获取数据自动定量研究工作流通过代码自定义定量研究工作流有关Qlib的更多信息脱机模式和在线模式Qlib Data Serv的性能

Qlib使用强化学习

longma666666的博客

07-11

1181

Qlib 的强化学习框架通过和等组件支持量化投资中的复杂决策优化，例如订单执行和投资组合管理。强化学习通过与环境的交互学习最优策略，最大化累积回报。环境（Environment）：模拟金融市场，基于历史数据提供状态、动作和回报。策略（Policy）：强化学习代理（Agent）根据当前状态选择动作，例如买入或卖出股票。执行器（Executor）：处理订单执行逻辑，支持多层次策略优化（例如，优化特定投资组合的订单执行策略）。回测（Backtest）：评估强化学习策略的性能，生成收益、风险等指标。

用Qlib模拟实战中机器学习多因子预测的流程：必须滚动预测

qtbgo的博客

12-28

1432

在实战中，是滚动训练和预测的，比如执行月度调仓，那么可能每月底都要重新训练和预测，这里滚动步长step就是一个月。因此，在进行模型绩效评价时，也要模拟实战这种滚动的过程，这样的评价结果才更加符合实际。绝大多数同学学习qlib，是从qlib提供的基本案例workflow_by_code.ipynb开始的，从文件名workfow可以看出，它隐含了一个基本的使用机器学习执行多因子预测的基本流（工作流）。”，期望将机器学习用于实战的同学可以去看看，课程头几节是免费的，详细介绍了qlib中滚动训练预测的原理。

数据融合matlab代码-learn-qlib:学习卷

05-22

可以提供从数据到最后交易执行end-to-end的解决办法。 AI技术要求高性能的基础架构，因为高频交易需要巨大的数据了来生成交易信号，因为对系统的基础框架提出了挑战。金融数据存在噪声数据，机器学习的算法多数以...

Qlib使用

weixin_40248634的博客

03-24

1419

注意每支股票都要保存成单独一个文档，且文档名字与股票代号一致。其中factor 也就是中提到的复权。youbube 教程使用Qlib时候直接使用 Data Handler，是上面的封装，所以Data Handler 也自然可以使用"label"的设置。自定义所以最后其实是可以直接用 DatasetH 来设置的。

qlib服务器：Qlib服务器是Qlib的数据服务器系统。它使Qlib在联机模式下运行。在联机模式下，数据将被部署为共享数据服务。数据及其缓存将由所有客户端共享。由于较高的高速缓存命中率，因此有望提高数据检索性能。它也会消耗更少的磁盘空间

02-05

Qlib-Server是数据服务器系统。它使Qlib在online模式下运行。在联机模式下，数据将被部署为共享数据服务。数据及其缓存将由所有客户端共享。由于较高的高速缓存命中率，因此有望提高数据检索性能。它也会消耗更少的磁盘空间。综上所述， Qlib-Server旨在解决以下问题：集中管理数据，这使得数据管理（包括缓存管理，日期更新）更加容易。减少要生成的缓存量。使客户端轻巧，并利用远程服务器的强大计算资源 Qlib服务器框架 Qlib的Client/Server框架基于WebSocket考虑了其在异步模式下客户端与服务器之间的双向通信能力。 Qlib-Serv

量子计算 QLib -matlib的量子模拟软件包

09-10

量子计算 QLib -matlib的量子模拟软件包 QLib是matlib的量子模拟软件包。 QLib是特拉维夫大学物理与天文学院量子基金会和信息组的开源matlib组件包。

QLib学习

网络审计

09-09

1169

开源地址：使用conda创建一个新的环境，python3.7：您也可以使用来安装 Qlib。但这不是推荐的方法，它将跳过pip，可能导致模糊的问题。例如，只有命令才能覆盖由安装的稳定版本，而命令则无法做到。

Qlib: 微软开源的AI量化投资平台

2401_87189860的博客

10-17

2084

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。

Qlib的深度学习模型

01-22

### Qlib 深度学习模型使用教程和案例 #### 1. 数据准备与预处理为了有效利用Qlib进行深度学习模型的开发，首先需要准备好适当的数据格式。Qlib支持多种数据源输入方式，但对于高效能运算特别推荐使用其专有的`bin`文件格式[^4]。 ```python import qlib from qlib.constant import REG_CN provider_uri = "~/.qlib/qlib_data/cn_data" qlib.init(provider_uri=provider_uri, region=REG_CN) # 下载并转换CSV至BIN格式 from qlib.tests.data import GetData aa = GetData() aa.csv_data_cn(target_dir=provider_uri) ``` #### 2. 构建深度学习模型 Qlib不仅限于传统量化分析工具的功能，在深度学习领域同样表现出色。通过集成先进的神经网络架构，能够更精准捕捉市场动态变化特征。对于希望尝试构建自定义深度学习策略的研究者来说，可以从官方文档获取详细的API指南以及丰富的实例代码[^1]。例如，创建一个简单的LSTM模型来进行股票价格预测： ```python from torch.nn import LSTM, Linear from torch.optim import Adam from qlib.contrib.model.pytorch_base import PyTorchBaseModel class SimpleLSTM(PyTorchBaseModel): def __init__(self, input_size=10, hidden_layer_size=100, output_size=1): super().__init__() self.lstm = LSTM(input_size=input_size, hidden_size=hidden_layer_size) self.linear = Linear(hidden_layer_size, output_size) def forward(self, x): lstm_out, _ = self.lstm(x.view(len(x), 1, -1)) predictions = self.linear(lstm_out.view(len(x), -1)) return predictions[-1] model = SimpleLSTM() optimizer = Adam(model.parameters(), lr=0.01) ``` #### 3. 训练与评估一旦完成了模型的设计工作之后，则可以通过调用相应的方法完成训练流程，并借助内置函数轻松实现性能评测。值得注意的是，Qlib还引入了元控制器的概念，其中包含了用于增强基础预测效果的各种机制，比如MetaGuideModel类就是一个很好的例子[^3]。 ```python from qlib.workflow.record_temp import SignalRecord from qlib.backtest import Backtest as BkTest from datetime import timedelta train_start_date = "2018-01-01" train_end_date = "2020-01-01" bk_tester = BkTest( model=model, start_time=train_start_date, end_time=train_end_date, freq="day", account=1e6, benchmark="SH000905", # 中证500指数作为基准比较对象 signal_record=SignalRecord(), adjust_factor=None, max_loss=-timedelta(days=7), min_profit=timedelta(days=7), ) results = bk_tester.run_backtest() print(results.summary()) ```