Section outline

  • Quick Start (快速上手)

    简介

    本篇快速上手指南旨在展示如何利用 Qlib 轻松构建完整的量化研究工作流，并验证用户的想法。

    本指南将演示，即使是使用公开数据和简单的模型，机器学习技术在实际的量化投资中也能发挥很好的作用。

    安装

    用户可以按照以下步骤轻松安装 Qlib：

    在从源代码安装 Qlib 之前，需要先安装一些依赖项：

    pip install numpy
pip install --upgrade  cython

    克隆代码仓库并安装 Qlib：

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

    要了解更多关于安装的信息，请参阅 Qlib 安装。

    准备数据

    运行以下代码加载并准备数据：

    python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

    该数据集是通过 scripts/data_collector/ 中的爬虫脚本收集的公开数据创建的，这些脚本已在同一个代码仓库中发布。用户可以使用这些脚本创建相同的数据集。

    要了解更多关于准备数据的信息，请参阅 数据准备。

    自动化量化研究工作流

    Qlib 提供了一个名为 qrun 的工具，可以自动运行整个工作流（包括构建数据集、训练模型、回测和评估）。用户可以按照以下步骤启动自动化量化研究工作流并获得图形化报告分析：

    量化研究工作流：

    使用 LightGBM 模型的配置文件 workflow_config_lightgbm.yaml 运行 qrun，如下所示。

    cd examples  # 避免在包含 `qlib` 的目录下运行程序
qrun benchmarks/LightGBM/workflow_config_lightgbm.yaml

    工作流结果

    qrun 的结果如下，这也是预测模型 (alpha) 的典型结果。有关结果的更多详细信息，请参阅 盘中交易。

                                                      risk
excess_return_without_cost mean               0.000605
                           std                0.005481
                           annualized_return  0.152373
                           information_ratio  1.751319
                           max_drawdown      -0.059055
excess_return_with_cost    mean               0.000410
                           std                0.005478
                           annualized_return  0.103265
                           information_ratio  1.187411
                           max_drawdown      -0.075024

    要了解更多关于工作流和 qrun 的信息，请参阅 工作流：工作流管理。

    图形化报告分析：

    使用 jupyter notebook 运行 examples/workflow_by_code.ipynb。

    用户可以通过运行 examples/workflow_by_code.ipynb 进行投资组合分析或预测得分（模型预测）分析。

    图形化报告

    用户可以获得关于分析的图形化报告，更多详细信息请参阅 分析：评估与结果分析。

    自定义模型集成

    Qlib 提供了一系列模型（例如 lightGBM 和 MLP 模型）作为预测模型的示例。除了默认模型，用户还可以将自己的自定义模型集成到 Qlib 中。如果用户对自定义模型感兴趣，请参阅 自定义模型集成。