Qlib 快速上手一条命令跑通 LightGBM 量化研究全流程【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib本文基于 Qlib 官方 Quick Start 文档讲解如何从零安装 Qlib、准备 A 股日频数据并用qrun一条命令自动完成「构建数据集 → 训练 LightGBM 模型 → 回测 → 结果评估」的完整量化研究闭环。读完后你可以独立复刻该流程理解每个配置参数的含义并学会把自定义模型接入同样的工作流。1. 快速上手的两个核心目标Qlib 的 Quick Start 文档docs/introduction/quick.rst开篇明确了它要验证的两件事基于 Qlib搭建一条完整的量化研究工作流非常容易用户的想法可以快速被验证即使用公开数据加简单模型如 LightGBM机器学习技术在实盘量化投资中依然表现良好。因此本文不做平台泛览只聚焦四个环节安装 → 准备数据 → 自动研究流程qrun→ 自定义模型扩展。2. 安装 Qlib2.1 从源码安装官方快速上手推荐路径按照 docs/start/installation.rst 与 Quick Start 的说明源码安装需要先装两个依赖再编译安装# 1. 预装依赖 pip install numpy pip install --upgrade cython # 2. 克隆仓库并安装 git clone https://github.com/microsoft/qlib.git cd qlib python setup.py install为什么要先装 numpy 和 cython这一点可以从 setup.py 得到源码级印证Qlib 在安装时会用 Cython 编译两个 C 扩展模块qlib.data._libs.rolling与qlib.data._libs.expanding对应源文件 qlib/data/_libs/rolling.pyx 和 qlib/data/_libs/expanding.pyx编译时include_dirs[NUMPY_INCLUDE]直接引用了 numpy 的头文件路径。如果 numpy/cython 版本不对或缺失python setup.py install会在扩展模块编译阶段直接失败。这两个 Cython 模块服务于滚动/扩展窗口等数据算子的底层计算是 Qlib 数据处理层的性能基础。安装完成后用以下代码验证 import qlib qlib.__version__2.2 环境前提与其他方式官方安装文档说明Qlib 支持 Windows 和 Linux推荐在 Linux 上使用支持 Python 3除了源码安装也可以直接pip install pyqlib获取发布版见 docs/start/installation.rst官方建议使用 anaconda/miniconda 管理环境lightgbm、pytorch 等依赖用 pip 安装。3. 准备数据一条命令拉取 A 股日频数据集安装完成后运行以下命令加载并准备数据python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn这个命令会在~/.qlib/qlib_data/cn_data下生成 Qlib 的本地数据目录含features、calendars、instruments等子目录后续所有配置里的provider_uri都指向它。3.1 命令背后的实现scripts/get_data.py 本体只有几行它用fire把GetData类暴露为命令行接口import fire from qlib.tests.data import GetData if __name__ __main__: fire.Fire(GetData)真正的下载逻辑在 qlib/tests/data.py 的GetData类中。qlib_data方法qlib/tests/data.py#L153-L211支持比 Quick Start 示例更完整的参数参数默认值说明nameqlib_data数据集名可取qlib_data、qlib_data_simpletarget_dir~/.qlib/qlib_data/cn_data数据保存目录versionNone按脚本指定版本默认 v2数据版本号interval1d数据频率如1d、1minregioncn数据区域cn/usdelete_oldTrue是否删除已存在的旧数据目录exists_skipFalse目标目录已有数据时跳过下载例如拉取 1 分钟频率数据可以写python get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --interval 1min --region cn同样来自qlib_data方法的 docstring 示例。两个实操注意点均可在源码中确认会清理旧数据_unzip在delete_oldTrue默认时会先调用_delete_qlib_dataqlib/tests/data.py#L119-L151删除目标目录下已有的features、calendars、instruments、features_cache、dataset_cache并在命令行交互确认后才真正删除——因此不要把--target_dir指向重要目录数据质量声明下载过程中日志会提示该示例数据由 Yahoo Finance 采集质量不完美Quick Start 文档也说明该数据集由仓库内 scripts/data_collector/ 中的爬虫脚本收集公开数据生成用户可以用同一批脚本自行重建。4. 一条命令的量化研究流程qrunQlib 提供名为qrun的命令行工具自动执行包含构建数据集、训练模型、回测、评估在内的完整工作流。Quick Start 给出的标准操作是运行 LightGBM 示例cd examples # 避免在包含 qlib 源码包的目录下运行 qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml注意 Quick Start 特意提醒要cd examples再运行这是为了避免 Python 把当前目录下的qlib源码包与已安装的包混淆。Quick Start 原文写的是workflow_config_lightgbm.yaml当前仓库中对应的实际文件是 examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml。4.1 qrun 的调用链qrun是安装时注册的入口脚本在 pyproject.toml 中定义为qrun qlib.cli.run:run最终进入 qlib/cli/run.py 的workflow()函数qlib/cli/run.py#L86-L148。从源码看它依次做了这几件事模板渲染用 Jinja2 解析 YAML把配置中引用到的环境变量os.environ渲染进内容配置合并若配置里有BASE_CONFIG_PATH先加载基础配置再用当前配置覆盖update_config方便做「基线 小改动」的实验配置初始化调用qlib.init把实验记录器 URI 设为当前目录下的mlrunsMLflow 风格实验目录即 qlib/cli/run.py#L138-L143训练主流程把task段交给task_train执行训练、生成预测并依次跑record列表中定义的分析记录器。4.2 读懂 LightGBM 示例配置Alpha158该 YAML 是理解 Qlib「声明式工作流」的最佳样本逐段拆解如下数据与市场设置qlib_init: provider_uri: ~/.qlib/qlib_data/cn_data # 第 3 节准备的数据 region: cn market: market csi300 # 股票池沪深300 benchmark: benchmark SH000300 # 基准沪深300指数 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 # 数据处理器 fit 的窗口 instruments: *market回测与策略port_analysis_configport_analysis_config: port_analysis_config strategy: class: TopkDropoutStrategy # 每日持有 score 前 topk 只随机换掉 n_drop 只 module_path: qlib.contrib.strategy kwargs: signal: PRED # 用模型预测值作为交易信号 topk: 50 n_drop: 5 backtest: start_time: 2017-01-01 end_time: 2020-08-01 account: 100000000 # 初始资金 1 亿 benchmark: *benchmark exchange_kwargs: limit_threshold: 0.095 # 涨跌停判断阈值 deal_price: close # 按收盘价成交 open_cost: 0.0005 # 买入费率 0.05% close_cost: 0.0015 # 卖出费率 0.15% min_cost: 5 # 最低手续费任务定义tasktask: 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 # 内置 Alpha158 因子集 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 # 生成预测信号 module_path: qlib.workflow.record_temp kwargs: {model: MODEL, dataset: DATASET} - class: SigAnaRecord # 预测信号分析IC 等 module_path: qlib.workflow.record_temp kwargs: {ana_long_short: False, ann_scaler: 252} - class: PortAnaRecord # 组合回测分析 module_path: qlib.workflow.record_temp kwargs: {config: *port_analysis_config}几个值得注意的设计点classmodule_path的写法让模型、数据集、记录器都是可插拔的——换成别的模型只需改这几行这也是后面「自定义模型集成」的基础PRED、MODEL、DATASET是 Qlib 在运行时注入的占位符表示「前面训练产物会在这里被引用」数据段train/valid/test与回测窗口2017-01-01 起严格对齐训练期不穿越测试期。4.3 运行结果qrun结束后会输出形如以下的评估结果摘自 Quick Start 文档为典型Forecast model(alpha)的日内交易回测结果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 -0.075024两行分别是不含成本与含成本的超额收益相对 benchmark的均值、标准差、年化收益、信息比率与最大回撤可以直观看到交易成本上面配置中的费率与 min_cost对策略表现的侵蚀。工作流与qrun的更多细节参见 docs/component/workflow.rst。5. 用代码构建等价工作流除了「一个 YAML 跑到底」Qlib 的第二种接口是用代码像搭积木一样构建工作流。Quick Start 建议用 jupyter 运行examples/workflow_by_code.ipynb来做组合分析与预测分数分析当前仓库中对应的可执行脚本是 examples/workflow_by_code.py其模块 docstring 明确说明它与qrun XXX.yaml几乎做同样的事。其主流程examples/workflow_by_code.py#L19-L85import qlib from qlib.constant import REG_CN from qlib.utils import init_instance_by_config, flatten_dict from qlib.workflow import R from qlib.workflow.record_temp import SignalRecord, PortAnaRecord, SigAnaRecord from qlib.tests.data import GetData from qlib.tests.config import CSI300_BENCH, CSI300_GBDT_TASK if __name__ __main__: provider_uri ~/.qlib/qlib_data/cn_data GetData().qlib_data(target_dirprovider_uri, regionREG_CN, exists_skipTrue) qlib.init(provider_uriprovider_uri, regionREG_CN) model init_instance_by_config(CSI300_GBDT_TASK[model]) dataset init_instance_by_config(CSI300_GBDT_TASK[dataset]) # ... port_analysis_config 中显式配置 SimulatorExecutor TopkDropoutStrategy with R.start(experiment_nameworkflow): R.log_params(**flatten_dict(CSI300_GBDT_TASK)) model.fit(dataset) R.save_objects(**{params.pkl: model}) recorder R.get_recorder() SignalRecord(model, dataset, recorder).generate() # 预测 SigAnaRecord(recorder).generate() # 信号分析 PortAnaRecord(recorder, port_analysis_config, day).generate() # 回测对照两种接口的差异代码版多显式了两件事一是通过 qlib/tests/config.py 中的CSI300_GBDT_TASK复用与 YAML 同构的任务字典二是显式写出SimulatorExecutortime_per_step: day这一执行器配置——在 YAML 里它由qrun内部按 record 需求自动补全而代码接口需要你自己声明。运行该脚本后同样可以在mlruns目录下找到记录器产物并做后续的图形化报告分析见下一节。6. 图形化报告分析Quick Start 的最后一步是图形化报告用 jupyter 运行examples/workflow_by_code.ipynb即上文脚本的 notebook 形态后可以得到两类分析组合分析portfolio analysis累计收益、买卖持仓走势、风险分析年化收益、最大回撤、信息比率等预测分数分析prediction score analysis模型预测信号的 IC、多空收益、自相关性等。这些报告由 Qlib 的分析模块生成更多图表细节可参考 docs/component/report.rst。7. 自定义模型集成Qlib 内置了一批模型LightGBM、MLP等作为Forecast Model的示例实现例如本快速上手用到的LGBModel就在qlib.contrib.model.gbdt模块中qlib/contrib/model/下还包含 LSTM、GRU、Transformer、CatBoost、XGBoost 等大量 PyTorch 与 GBDT 模型examples/benchmarks/ 中每个模型目录都配有对应的workflow_config_*.yaml可逐个替换第 4 节的task.model段来对比。如果你有自己的模型Qlib 提供了标准化的集成路径只需让模型类实现fit/predict等约定接口即可通过classmodule_path的方式写进 YAML 或init_instance_by_config调用。完整指引见 docs/start/integration.rst。8. 关键路径速查环节命令 / 文件说明源码安装pip install numpy pip install --upgrade cython python setup.py install需编译 Cython 扩展见 setup.py数据准备python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn实现见 qlib/tests/data.py一键工作流cd examples qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml入口 qlib/cli/run.py代码式工作流examples/workflow_by_code.py与 qrun 等价的积木式接口自定义模型docs/start/integration.rst模型集成规范适用前提提示以上快速上手基于 A 股regioncn日频公开数据与 CSI300 股票池属于研究演示配置数据由公开爬虫采集质量与覆盖度有限生产使用应替换为自有数据源并按data_collector脚本或dump_bin流程自建数据。【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Qlib 快速上手：一条命令跑通 LightGBM 量化研究全流程
Qlib 快速上手一条命令跑通 LightGBM 量化研究全流程【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib本文基于 Qlib 官方 Quick Start 文档讲解如何从零安装 Qlib、准备 A 股日频数据并用qrun一条命令自动完成「构建数据集 → 训练 LightGBM 模型 → 回测 → 结果评估」的完整量化研究闭环。读完后你可以独立复刻该流程理解每个配置参数的含义并学会把自定义模型接入同样的工作流。1. 快速上手的两个核心目标Qlib 的 Quick Start 文档docs/introduction/quick.rst开篇明确了它要验证的两件事基于 Qlib搭建一条完整的量化研究工作流非常容易用户的想法可以快速被验证即使用公开数据加简单模型如 LightGBM机器学习技术在实盘量化投资中依然表现良好。因此本文不做平台泛览只聚焦四个环节安装 → 准备数据 → 自动研究流程qrun→ 自定义模型扩展。2. 安装 Qlib2.1 从源码安装官方快速上手推荐路径按照 docs/start/installation.rst 与 Quick Start 的说明源码安装需要先装两个依赖再编译安装# 1. 预装依赖 pip install numpy pip install --upgrade cython # 2. 克隆仓库并安装 git clone https://github.com/microsoft/qlib.git cd qlib python setup.py install为什么要先装 numpy 和 cython这一点可以从 setup.py 得到源码级印证Qlib 在安装时会用 Cython 编译两个 C 扩展模块qlib.data._libs.rolling与qlib.data._libs.expanding对应源文件 qlib/data/_libs/rolling.pyx 和 qlib/data/_libs/expanding.pyx编译时include_dirs[NUMPY_INCLUDE]直接引用了 numpy 的头文件路径。如果 numpy/cython 版本不对或缺失python setup.py install会在扩展模块编译阶段直接失败。这两个 Cython 模块服务于滚动/扩展窗口等数据算子的底层计算是 Qlib 数据处理层的性能基础。安装完成后用以下代码验证 import qlib qlib.__version__2.2 环境前提与其他方式官方安装文档说明Qlib 支持 Windows 和 Linux推荐在 Linux 上使用支持 Python 3除了源码安装也可以直接pip install pyqlib获取发布版见 docs/start/installation.rst官方建议使用 anaconda/miniconda 管理环境lightgbm、pytorch 等依赖用 pip 安装。3. 准备数据一条命令拉取 A 股日频数据集安装完成后运行以下命令加载并准备数据python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn这个命令会在~/.qlib/qlib_data/cn_data下生成 Qlib 的本地数据目录含features、calendars、instruments等子目录后续所有配置里的provider_uri都指向它。3.1 命令背后的实现scripts/get_data.py 本体只有几行它用fire把GetData类暴露为命令行接口import fire from qlib.tests.data import GetData if __name__ __main__: fire.Fire(GetData)真正的下载逻辑在 qlib/tests/data.py 的GetData类中。qlib_data方法qlib/tests/data.py#L153-L211支持比 Quick Start 示例更完整的参数参数默认值说明nameqlib_data数据集名可取qlib_data、qlib_data_simpletarget_dir~/.qlib/qlib_data/cn_data数据保存目录versionNone按脚本指定版本默认 v2数据版本号interval1d数据频率如1d、1minregioncn数据区域cn/usdelete_oldTrue是否删除已存在的旧数据目录exists_skipFalse目标目录已有数据时跳过下载例如拉取 1 分钟频率数据可以写python get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --interval 1min --region cn同样来自qlib_data方法的 docstring 示例。两个实操注意点均可在源码中确认会清理旧数据_unzip在delete_oldTrue默认时会先调用_delete_qlib_dataqlib/tests/data.py#L119-L151删除目标目录下已有的features、calendars、instruments、features_cache、dataset_cache并在命令行交互确认后才真正删除——因此不要把--target_dir指向重要目录数据质量声明下载过程中日志会提示该示例数据由 Yahoo Finance 采集质量不完美Quick Start 文档也说明该数据集由仓库内 scripts/data_collector/ 中的爬虫脚本收集公开数据生成用户可以用同一批脚本自行重建。4. 一条命令的量化研究流程qrunQlib 提供名为qrun的命令行工具自动执行包含构建数据集、训练模型、回测、评估在内的完整工作流。Quick Start 给出的标准操作是运行 LightGBM 示例cd examples # 避免在包含 qlib 源码包的目录下运行 qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml注意 Quick Start 特意提醒要cd examples再运行这是为了避免 Python 把当前目录下的qlib源码包与已安装的包混淆。Quick Start 原文写的是workflow_config_lightgbm.yaml当前仓库中对应的实际文件是 examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml。4.1 qrun 的调用链qrun是安装时注册的入口脚本在 pyproject.toml 中定义为qrun qlib.cli.run:run最终进入 qlib/cli/run.py 的workflow()函数qlib/cli/run.py#L86-L148。从源码看它依次做了这几件事模板渲染用 Jinja2 解析 YAML把配置中引用到的环境变量os.environ渲染进内容配置合并若配置里有BASE_CONFIG_PATH先加载基础配置再用当前配置覆盖update_config方便做「基线 小改动」的实验配置初始化调用qlib.init把实验记录器 URI 设为当前目录下的mlrunsMLflow 风格实验目录即 qlib/cli/run.py#L138-L143训练主流程把task段交给task_train执行训练、生成预测并依次跑record列表中定义的分析记录器。4.2 读懂 LightGBM 示例配置Alpha158该 YAML 是理解 Qlib「声明式工作流」的最佳样本逐段拆解如下数据与市场设置qlib_init: provider_uri: ~/.qlib/qlib_data/cn_data # 第 3 节准备的数据 region: cn market: market csi300 # 股票池沪深300 benchmark: benchmark SH000300 # 基准沪深300指数 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 # 数据处理器 fit 的窗口 instruments: *market回测与策略port_analysis_configport_analysis_config: port_analysis_config strategy: class: TopkDropoutStrategy # 每日持有 score 前 topk 只随机换掉 n_drop 只 module_path: qlib.contrib.strategy kwargs: signal: PRED # 用模型预测值作为交易信号 topk: 50 n_drop: 5 backtest: start_time: 2017-01-01 end_time: 2020-08-01 account: 100000000 # 初始资金 1 亿 benchmark: *benchmark exchange_kwargs: limit_threshold: 0.095 # 涨跌停判断阈值 deal_price: close # 按收盘价成交 open_cost: 0.0005 # 买入费率 0.05% close_cost: 0.0015 # 卖出费率 0.15% min_cost: 5 # 最低手续费任务定义tasktask: 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 # 内置 Alpha158 因子集 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 # 生成预测信号 module_path: qlib.workflow.record_temp kwargs: {model: MODEL, dataset: DATASET} - class: SigAnaRecord # 预测信号分析IC 等 module_path: qlib.workflow.record_temp kwargs: {ana_long_short: False, ann_scaler: 252} - class: PortAnaRecord # 组合回测分析 module_path: qlib.workflow.record_temp kwargs: {config: *port_analysis_config}几个值得注意的设计点classmodule_path的写法让模型、数据集、记录器都是可插拔的——换成别的模型只需改这几行这也是后面「自定义模型集成」的基础PRED、MODEL、DATASET是 Qlib 在运行时注入的占位符表示「前面训练产物会在这里被引用」数据段train/valid/test与回测窗口2017-01-01 起严格对齐训练期不穿越测试期。4.3 运行结果qrun结束后会输出形如以下的评估结果摘自 Quick Start 文档为典型Forecast model(alpha)的日内交易回测结果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 -0.075024两行分别是不含成本与含成本的超额收益相对 benchmark的均值、标准差、年化收益、信息比率与最大回撤可以直观看到交易成本上面配置中的费率与 min_cost对策略表现的侵蚀。工作流与qrun的更多细节参见 docs/component/workflow.rst。5. 用代码构建等价工作流除了「一个 YAML 跑到底」Qlib 的第二种接口是用代码像搭积木一样构建工作流。Quick Start 建议用 jupyter 运行examples/workflow_by_code.ipynb来做组合分析与预测分数分析当前仓库中对应的可执行脚本是 examples/workflow_by_code.py其模块 docstring 明确说明它与qrun XXX.yaml几乎做同样的事。其主流程examples/workflow_by_code.py#L19-L85import qlib from qlib.constant import REG_CN from qlib.utils import init_instance_by_config, flatten_dict from qlib.workflow import R from qlib.workflow.record_temp import SignalRecord, PortAnaRecord, SigAnaRecord from qlib.tests.data import GetData from qlib.tests.config import CSI300_BENCH, CSI300_GBDT_TASK if __name__ __main__: provider_uri ~/.qlib/qlib_data/cn_data GetData().qlib_data(target_dirprovider_uri, regionREG_CN, exists_skipTrue) qlib.init(provider_uriprovider_uri, regionREG_CN) model init_instance_by_config(CSI300_GBDT_TASK[model]) dataset init_instance_by_config(CSI300_GBDT_TASK[dataset]) # ... port_analysis_config 中显式配置 SimulatorExecutor TopkDropoutStrategy with R.start(experiment_nameworkflow): R.log_params(**flatten_dict(CSI300_GBDT_TASK)) model.fit(dataset) R.save_objects(**{params.pkl: model}) recorder R.get_recorder() SignalRecord(model, dataset, recorder).generate() # 预测 SigAnaRecord(recorder).generate() # 信号分析 PortAnaRecord(recorder, port_analysis_config, day).generate() # 回测对照两种接口的差异代码版多显式了两件事一是通过 qlib/tests/config.py 中的CSI300_GBDT_TASK复用与 YAML 同构的任务字典二是显式写出SimulatorExecutortime_per_step: day这一执行器配置——在 YAML 里它由qrun内部按 record 需求自动补全而代码接口需要你自己声明。运行该脚本后同样可以在mlruns目录下找到记录器产物并做后续的图形化报告分析见下一节。6. 图形化报告分析Quick Start 的最后一步是图形化报告用 jupyter 运行examples/workflow_by_code.ipynb即上文脚本的 notebook 形态后可以得到两类分析组合分析portfolio analysis累计收益、买卖持仓走势、风险分析年化收益、最大回撤、信息比率等预测分数分析prediction score analysis模型预测信号的 IC、多空收益、自相关性等。这些报告由 Qlib 的分析模块生成更多图表细节可参考 docs/component/report.rst。7. 自定义模型集成Qlib 内置了一批模型LightGBM、MLP等作为Forecast Model的示例实现例如本快速上手用到的LGBModel就在qlib.contrib.model.gbdt模块中qlib/contrib/model/下还包含 LSTM、GRU、Transformer、CatBoost、XGBoost 等大量 PyTorch 与 GBDT 模型examples/benchmarks/ 中每个模型目录都配有对应的workflow_config_*.yaml可逐个替换第 4 节的task.model段来对比。如果你有自己的模型Qlib 提供了标准化的集成路径只需让模型类实现fit/predict等约定接口即可通过classmodule_path的方式写进 YAML 或init_instance_by_config调用。完整指引见 docs/start/integration.rst。8. 关键路径速查环节命令 / 文件说明源码安装pip install numpy pip install --upgrade cython python setup.py install需编译 Cython 扩展见 setup.py数据准备python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn实现见 qlib/tests/data.py一键工作流cd examples qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml入口 qlib/cli/run.py代码式工作流examples/workflow_by_code.py与 qrun 等价的积木式接口自定义模型docs/start/integration.rst模型集成规范适用前提提示以上快速上手基于 A 股regioncn日频公开数据与 CSI300 股票池属于研究演示配置数据由公开爬虫采集质量与覆盖度有限生产使用应替换为自有数据源并按data_collector脚本或dump_bin流程自建数据。【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考