快速入门
介绍
这个“快速入门”指南试图证明:
通过
Qlib
,构建一个完整的量化研究工作流程并尝试用户的想法是非常容易的。尽管使用公共数据和简单的模型,机器学习技术在实际的量化投资中表现得非常好。
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,用户需要安装一些依赖项:pip install numpy pip install --upgrade cython
克隆存储库并安装
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
通过运行以下代码加载和准备数据:
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn
这个数据集是通过 scripts/data_collector/
中的爬虫脚本收集的公共数据创建的,这些脚本已在同一存储库中发布过。用户可以使用它创建相同的数据集。
要了解更多关于 准备数据 的信息,请参阅 数据准备。
自动量化研究工作流程
Qlib
提供了一个名为 qrun
的工具,用于自动运行整个工作流程(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量化研究工作流程,并进行图形报告分析:
- 量化研究工作流程:
使用配置文件 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
- 工作流程结果
qrun
的结果如下所示,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 日内交易。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
要了解有关“工作流程”和“qrun”的更多信息,请参阅 工作流程管理。
- 图形报告分析:
- 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结果(模型预测)分析。
- 使用jupyter notebook运行
- 图形报告
用户可以获得有关分析的图形报告,请参阅 评估和结果分析 获取更多详细信息。
自定义模型集成
Qlib
提供了一批模型(如 lightGBM
和 MLP
模型)作为 预测模型
的示例。除了默认模型之外,用户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,请参考 自定义模型集成 。