快速开始

简介

本快速开始 指南旨在演示

• 使用Qlib，用户可以非常轻松地构建完整的量化研究流程并尝试自己的想法。

• 即使使用公开数据和简单模型，机器学习技术在实际量化投资中也表现得非常出色。

安装

用户可根据以下步骤轻松安装Qlib：

• 在从源码安装Qlib之前，用户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
  

欲了解有关安装的更多信息，请参阅Qlib 安装。

准备数据

通过运行以下代码来加载和准备数据：

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

该数据集由位于scripts/data_collector/目录下的爬虫脚本收集的公开数据创建，这些脚本已在同一代码仓库中发布。用户可使用它们创建相同的数据集。

欲了解有关准备数据的更多信息，请参阅数据准备。

自动量化研究流程

Qlib提供了一个名为qrun的工具，用于自动运行整个流程（包括构建数据集、训练模型、回测和评估）。用户可按照以下步骤启动自动化的量化研究流程，并获得图形化报告分析：

• 量化研究流程：

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

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

  • 流程结果

    qrun的结果如下所示，这也是预测 模型（alpha）的典型结果。有关结果的更多细节，请参见日内交易。

                                                      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
    

  欲了解有关流程和qrun的更多信息，请参阅流程管理：Workflow。

• 图形化报告分析：

  • 使用 Jupyter Notebook 运行examples/workflow_by_code.ipynb

    用户可通过运行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

    用户可以获得相关分析的图形化报告，更多详情请参阅分析：评估与结果分析。

自定义模型集成

Qlib 提供了一批模型（例如 lightGBM 和 MLP 模型），作为 预测 模型 的示例。除了默认模型外，用户还可以将自己定制的模型集成到 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。