:newspaper: 最新动态！   :sparkling_heart:

近期发布的新功能

重磅推出：基于大语言模型的工业数据驱动研发自主进化智能体

我们非常高兴地宣布推出RD-Agent📢，这是一款强大的工具，可支持量化投资研发中的自动化因子挖掘与模型优化。

RD-Agent现已在GitHub上开放下载，欢迎各位给它点个赞🌟！

如需了解更多，请访问我们的♾️演示页面。在这里，您将找到中英双语的演示视频，帮助您更好地理解RD-Agent的应用场景及使用方法。

我们为您准备了多段演示视频：

场景	英文演示视频	中文演示视频
量化因子挖掘	链接	链接
从报告中挖掘量化因子	链接	链接
量化模型优化	链接	链接

• 📃论文: R&D-Agent-Quant: 一种以数据为中心的因子与模型联合优化的多智能体框架
• 👾代码: https://github.com/microsoft/RD-Agent/

@misc{li2025rdagentquant,
    title={R\&D-Agent-Quant: 一种以数据为中心的因子与模型联合优化的多智能体框架},
    author={李远特、杨旭、杨晓、徐敏睿、王希森、刘伟青、卞江},
    year={2025},
    eprint={2505.15155},
    archivePrefix={arXiv},
    primaryClass={cs.AI}
}

---

功能	状态
R&D-Agent-Quant 已发布	将 R&D-Agent 应用于 Qlib 进行量化交易
用于端到端学习的 BPQP	📈 即将推出！(正在评审中)
🔥LLM驱动的自动量化工厂🔥	🚀 于2024年8月8日在♾️RD-Agent中发布
KRNN 和 Sandwich 模型	:chart_with_upwards_trend: 已发布于2023年5月26日
发布 Qlib v0.9.0	:octocat: 已发布于2022年12月9日
强化学习框架	:hammer: :chart_with_upwards_trend: 于2022年11月10日发布。#1332, #1322, #1316,#1299,#1263, #1244, #1169, #1125, #1076
HIST 和 IGMTF 模型	:chart_with_upwards_trend: 已发布于2022年4月10日
Qlib 笔记本教程	📖 已发布于2022年4月7日
Ibovespa 指数数据	:rice: 已发布于2022年4月6日
时间点数据库	:hammer: 已发布于2022年3月10日
Arctic 提供商后端及订单簿数据示例	:hammer: 已发布于2022年1月17日
基于元学习的框架与 DDG-DA	:chart_with_upwards_trend: :hammer: 已发布于2022年1月10日
基于规划的投资组合优化	:hammer: 已发布于2021年12月28日
发布 Qlib v0.8.0	:octocat: 已发布于2021年12月8日
ADD 模型	:chart_with_upwards_trend: 已发布于2021年11月22日
ADARNN 模型	:chart_with_upwards_trend: 已发布于2021年11月14日
TCN 模型	:chart_with_upwards_trend: 已发布于2021年11月4日
嵌套决策框架	:hammer: 已发布于2021年10月1日。示例和文档
时间路由适配器 (TRA)	:chart_with_upwards_trend: 已发布于2021年7月30日
Transformer 和 Localformer	:chart_with_upwards_trend: 已发布于2021年7月22日
发布 Qlib v0.7.0	:octocat: 已发布于2021年7月12日
TCTS 模型	:chart_with_upwards_trend: 已发布于2021年7月1日
在线服务与模型自动滚动	:hammer: 已发布于2021年5月17日
DoubleEnsemble 模型	:chart_with_upwards_trend: 已发布于2021年3月2日
高频数据处理示例	:hammer: 已发布于2021年2月5日
高频交易示例	:chart_with_upwards_trend: 部分代码已发布于2021年1月28日
高频数据(1分钟)	:rice: 已发布于2021年1月27日
Tabnet 模型	:chart_with_upwards_trend: 已发布于2021年1月22日

此处未列出2021年之前发布的功能。

Qlib 是一个开源、以 AI 为导向的量化投资平台，旨在通过 AI 技术释放潜力、赋能研究并创造价值，从量化投资理念的探索到实际应用的落地。Qlib 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。

越来越多的 SOTA 量化研究工作/论文正通过 Qlib 发布，以协作解决量化投资中的关键挑战。例如：1) 利用监督学习从丰富且异构的金融数据中挖掘市场的复杂非线性模式；2) 使用自适应概念漂移技术对金融市场进行动态建模；3) 通过强化学习对连续投资决策建模，帮助投资者优化交易策略。

它涵盖了完整的机器学习流程，包括数据处理、模型训练和回测；并覆盖了量化投资的整个链条：阿尔法挖掘、风险建模、投资组合优化和订单执行。更多详情请参阅我们的论文《Qlib：一个以AI为导向的量化投资平台》(https://arxiv.org/abs/2009.11189)。

框架、教程、数据与DevOps	量化研究中的主要挑战与解决方案
计划 Qlib框架 快速入门 安装 数据准备 自动化量化研究流程 通过代码构建自定义量化研究流程 量化数据集动物园 学习框架 关于Qlib的更多信息 离线模式与在线模式 Qlib数据服务器性能 相关报告 联系我们 贡献	量化研究中的主要挑战与解决方案 预测：寻找有价值的信号/模式 量化模型（论文）动物园 运行单个模型 运行多个模型 适应市场动态 强化学习：建模连续决策

计划

正在开发的新功能（按预计发布时间排序）。 您对这些功能的反馈非常重要。

Qlib框架

Qlib的高层框架如上所示（用户可以在深入了解细节时查看Qlib设计的详细框架）。各个组件被设计为松耦合的模块，每个组件都可以独立使用。 Qlib提供强大的基础设施来支持量化研究。数据始终是重要的一部分。一个强大的学习框架旨在支持多种学习范式（例如强化学习、监督学习）以及不同层次的模式（例如市场动态建模）。通过建模市场，交易策略将生成可执行的交易决策。不同层次或粒度的多个交易策略和执行器可以被嵌套以优化并协同运行。最后，将提供全面的分析，并且该模型可以以低成本的方式被在线部署。

快速入门

本快速入门指南旨在展示：

1. 使用_Qlib_构建完整的量化研究流程并尝试您的想法非常容易。
2. 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好。 这里有一个快速的**演示**，展示了如何安装Qlib，并使用qrun运行LightGBM。但是，请确保您已按照数据准备的说明准备好数据。

安装

下表展示了Qlib支持的Python版本：

	使用pip安装	从源码安装	绘图
Python 3.8	:heavy_check_mark:	:heavy_check_mark:	:heavy_check_mark:
Python 3.9	:heavy_check_mark:	:heavy_check_mark:	:heavy_check_mark:
Python 3.10	:heavy_check_mark:	:heavy_check_mark:	:heavy_check_mark:
Python 3.11	:heavy_check_mark:	:heavy_check_mark:	:heavy_check_mark:
Python 3.12	:heavy_check_mark:	:heavy_check_mark:	:heavy_check_mark:

注意：

1. 建议使用Conda来管理您的Python环境。在某些情况下，如果在conda环境之外使用Python，可能会导致缺少头文件，从而导致某些软件包无法成功安装。
2. 请注意，在Python 3.6中安装Cython时，从源码安装Qlib可能会出现一些错误。如果用户在其设备上使用Python 3.6，建议将Python升级到3.8或更高版本，或者使用conda提供的Python从源码安装Qlib。

使用pip安装

用户可以通过以下命令轻松地使用pip安装Qlib。

  pip install pyqlib

注意：pip会安装最新稳定的qlib版本。然而，qlib的主分支仍在积极开发中。如果您想测试主分支中的最新脚本或功能，请使用下面的方法安装qlib。

从源码安装

此外，用户还可以按照以下步骤通过源代码安装最新开发版本的 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
  

• 克隆仓库并按如下方式安装 Qlib：

  git clone https://github.com/microsoft/qlib.git && cd qlib
  pip install .  # 开发时建议使用 `pip install -e .[dev]`。详细信息请参阅 docs/developer/code_standard_and_dev_guide.rst
  

提示：如果您在本地环境中无法成功安装 Qlib 或运行示例，可以将您的操作步骤与 CI 工作流 进行对比，这有助于您找到问题所在。

Mac 用户提示：如果您使用的是搭载 M1 芯片的 Mac，可能会在构建 LightGBM 的 wheel 包时遇到问题，这是因为缺少 OpenMP 的依赖。要解决这个问题，请先使用 brew install libomp 安装 OpenMP，然后再运行 pip install . 即可成功构建。

数据准备

❗ 由于更严格的数据安全政策，官方数据集暂时被禁用。您可以尝试社区贡献的 此数据源，这里提供一个下载最新数据的示例。

wget https://github.com/chenditc/investment_data/releases/latest/download/qlib_bin.tar.gz
mkdir -p ~/.qlib/qlib_data/cn_data
tar -zxvf qlib_bin.tar.gz -C ~/.qlib/qlib_data/cn_data --strip-components=1
rm -f qlib_bin.tar.gz

下方的官方数据集将在不久的将来恢复使用。

---

通过运行以下代码加载并准备数据：

使用模块获取

# 获取日频数据
python -m qlib.cli.data qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

# 获取1分钟频数据
python -m qlib.cli.data qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --region cn --interval 1min

从源码获取

# 获取日频数据
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

# 获取1分钟频数据
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --region cn --interval 1min

该数据集是由公开数据通过 爬虫脚本 收集生成的，这些脚本已发布在同一仓库中。用户也可以使用这些脚本创建相同的数据集。数据集说明

请注意，这些数据是从 Yahoo Finance 收集的，因此可能并不完美。如果用户拥有高质量的数据集，我们建议自行准备数据。更多信息请参阅 相关文档。

日频数据的自动更新（来自 Yahoo Finance）

如果用户只想在历史数据上测试模型和策略，则此步骤为 可选。

建议用户先手动更新一次数据（例如指定交易日期为 2021-05-25），然后再设置为自动更新。

注意：用户无法基于 Qlib 提供的离线数据进行增量更新（为减小数据量已移除部分字段）。应使用 Yahoo 数据采集器 从头开始下载 Yahoo 数据，然后进行增量更新。

更多信息请参阅：Yahoo 数据采集器

• 每个交易日自动更新数据至 qlib 目录（Linux）

  • 使用 crontab：crontab -e

  • 设置定时任务：

    * * * * 1-5 python <脚本路径> update_data_to_bin --qlib_data_1d_dir <用户数据目录>
    

    • 脚本路径：scripts/data_collector/yahoo/collector.py

• 手动更新数据

  python scripts/data_collector/yahoo/collector.py update_data_to_bin --qlib_data_1d_dir <用户数据目录> --trading_date <开始日期> --end_date <结束日期>
  

  • trading_date：交易日的开始时间
  • end_date：交易日的结束时间（不包括）

数据健康状况检查

• 我们提供了一个脚本用于检查数据的健康状况，您可以运行以下命令来查看数据是否正常：

  python scripts/check_data_health.py check_data --qlib_dir ~/.qlib/qlib_data/cn_data
  

• 当然，您也可以添加一些参数来调整测试结果，例如：

  python scripts/check_data_health.py check_data --qlib_dir ~/.qlib/qlib_data/cn_data --missing_data_num 30055 --large_step_threshold_volume 94485 --large_step_threshold_price 20
  

• 如果您想了解更多关于 check_data_health 的信息，请参阅 文档。

Docker 镜像

1. 从 Docker Hub 仓库拉取 Docker 镜像

   docker pull pyqlib/qlib_image_stable:stable
   

2. 启动一个新的 Docker 容器

   docker run -it --name <容器名称> -v <挂载的本地目录>:/app pyqlib/qlib_image_stable:stable
   

3. 此时您已进入 Docker 环境，可以运行 Qlib 脚本。示例如下：

   >>> python scripts/get_data.py qlib_data --name qlib_data_simple --target_dir ~/.qlib/qlib_data/cn_data --interval 1d --region cn
   >>> python qlib/cli/run.py examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml
   

4. 退出容器

   >>> exit
   

5. 重启容器

   docker start -i -a <容器名称>
   

6. 停止容器

   docker stop <容器名称>
   

7. 删除容器

   docker rm <容器名称>
   

8. 如果您想了解更多信息，请参阅文档。

自动量化研究工作流

Qlib 提供了一个名为 qrun 的工具，用于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）。您可以按照以下步骤启动自动量化研究工作流，并进行图形化报告分析：

1. 量化研究工作流：使用 LightGBM 工作流配置文件（例如 workflow_config_lightgbm_Alpha158.yaml）运行 qrun。

     cd examples  # 避免在包含 `qlib` 的目录下运行程序
     qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml
   

   如果用户希望以调试模式使用 qrun，请使用以下命令：

   python -m pdb qlib/cli/run.py examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml
   

   qrun 的结果如下，请参阅文档以获取更多关于结果的解释。

   
   '以下是不含成本的超额收益分析结果。'
                          风险
   平均值               0.000708
   标准差                0.005626
   年化收益率          0.178316
   信息比率            1.996555
   最大回撤           -0.081806
   '以下是含成本的超额收益分析结果。'
                          风险
   平均值               0.000512
   标准差                0.005626
   年化收益率          0.128982
   信息比率            1.444287
   最大回撤           -0.091078
   

   以下是关于 qrun 和工作流的详细文档。

2. 图形化报告分析：首先运行 python -m pip install .[analysis] 来安装所需的依赖项。然后使用 jupyter notebook 运行 examples/workflow_by_code.ipynb 以获取图形化报告。

   • 预测信号（模型预测）分析

     • 组别累计收益
     • 收益分布
     • 信息系数（IC）
     • 预测信号（模型预测）的自相关性

   • 投资组合分析

     • 回测收益

   • 上述结果的解释

通过代码构建自定义量化研究工作流

自动化工作流可能并不适合所有量化研究人员的研究流程。为了支持灵活的量化研究工作流，Qlib 还提供了一个模块化的接口，允许研究人员通过代码构建自己的工作流。这里是一个通过代码构建自定义量化研究工作流的示例。

量化研究中的主要挑战与解决方案

量化投资是一个非常独特的场景，存在许多需要解决的关键挑战。 目前，Qlib 已经为其中一些挑战提供了相应的解决方案。

预测：寻找有价值的信号/模式

准确预测股票价格趋势是构建盈利投资组合的重要环节。 然而，金融市场中存在大量格式各异的数据，这使得构建预测模型变得极具挑战性。

越来越多的 SOTA 量化研究工作/论文专注于在复杂金融数据中挖掘有价值的信号/模式，这些研究成果已在 Qlib 中发布。

量化模型（论文）动物园

以下是基于 Qlib 构建的模型列表。

• 基于 XGBoost 的 GBDT（陈天奇等，KDD 2016）
• 基于 LightGBM 的 GBDT（Ke Guolin 等，NIPS 2017）
• 基于 Catboost 的 GBDT（Prokhorenkova Liudmila 等，NIPS 2018）
• 基于 PyTorch 的 MLP
• 基于 PyTorch 的 LSTM（Hochreiter Sepp 等，Neural Computation 1997）
• 基于 PyTorch 的 GRU（Cho Kyunghyun 等，2014）
• 基于 PyTorch 的 ALSTM（Qin Yao 等，IJCAI 2017）
• 基于 PyTorch 的 GATs（Velickovic Petar 等，2017）
• 基于 PyTorch 的 SFM（Zhang Liheng 等，KDD 2017）
• 基于 TensorFlow 的 TFT（Lim Bryan 等，International Journal of Forecasting 2019）
• 基于 PyTorch 的 TabNet（Arik Sercan O. 等，AAAI 2019）
• 基于 LightGBM 的 DoubleEnsemble（Zhang Chuheng 等，ICDM 2020）
• 基于 PyTorch 的 TCTS（Wu Xueqing 等，ICML 2021）
• 基于 PyTorch 的 Transformer（Vaswani Ashish 等，NeurIPS 2017）
• 基于 PyTorch 的 Localformer（Jiang Juyong 等）
• 基于 PyTorch 的 TRA（Dong Hengxu 等，KDD 2021）
• 基于 PyTorch 的 TCN（Bai Shaojie 等，2018）
• 基于 PyTorch 的 ADARNN（Du YunTao 等，2021）
• 基于 PyTorch 的 ADD（Tang Hongshun 等，2020）
• 基于 PyTorch 的 IGMTF（Xu Wentao 等，2021）
• 基于 PyTorch 的 HIST（Xu Wentao 等，2021）
• 基于 PyTorch 的 KRNN
• 基于 PyTorch 的 Sandwich

我们非常欢迎您提交新的量化模型的 PR。

每个模型在 Alpha158 和 Alpha360 数据集上的表现可以在这里找到：benchmarks。

运行单个模型

以上列出的所有模型都可以使用 Qlib 运行。用户可以通过 benchmarks 文件夹找到我们提供的配置文件以及关于模型的一些详细信息。更多相关信息可以在上述模型文件中获取。

Qlib 提供了三种不同的方式来运行单个模型，用户可以根据自己的情况选择最合适的方式：

• 用户可以使用上面提到的工具 qrun，根据配置文件运行某个模型的工作流。
• 用户可以基于 examples 文件夹中的示例脚本 workflow_by_code.py，编写自己的 workflow_by_code Python 脚本。
• 用户也可以使用 examples 文件夹中的脚本 run_all_model.py 来运行模型。例如，具体的 Shell 命令如下：python run_all_model.py run --models=lightgbm，其中 --models 参数可以接受上述任何一种模型（可用模型可在 benchmarks 中查看）。更多用法请参考该文件的 docstrings。
  • 注意：每个基准测试都有不同的环境依赖，请确保您的 Python 版本符合要求（例如，由于 tensorflow==1.15.0 的限制，TFT 只支持 Python 3.6~3.7）。

运行多个模型

Qlib 还提供了一个脚本 run_all_model.py，可以运行多个模型并进行多次迭代。（注意：目前该脚本仅支持 Linux 系统，未来会支持其他操作系统。此外，它也不支持同时并行运行同一个模型多次，这一点将在未来的开发中得到解决。）

该脚本会为每个模型创建一个独立的虚拟环境，并在训练结束后删除这些环境。因此，最终只会生成并保存实验结果，如 IC 和回测结果。

以下是一个运行所有模型10次的示例：

python run_all_model.py run 10

它还提供了 API 来一次性运行特定的模型。更多用法请参考该文件的 docstrings。

变更说明

在 pandas 中，group_key 是 groupby 方法的一个参数。从 pandas 1.5 版本到 2.0 版本，group_key 的默认值已由“无默认值”改为 True，这会导致 qlib 在运行时报错。因此，我们将 group_key 设置为 False，但这并不能保证某些程序能够正确运行，其中包括：

• qlib\examples\rl_order_execution\scripts\gen_training_orders.py
• qlib\examples\benchmarks\TRA\src\dataset.MTSDatasetH.py
• qlib\examples\benchmarks\TFT\tft.py

适应市场动态

由于金融市场环境的非平稳性，数据分布可能会在不同时期发生变化，这会导致基于训练数据构建的模型在未来测试数据上的表现下降。 因此，使预测模型/策略适应市场动态对于其性能至关重要。

以下是基于 Qlib 构建的解决方案列表。

• 滚动再训练
• 基于 PyTorch 的 DDG-DA（Wendi 等，AAAI 2022）

强化学习：建模连续决策

Qlib 现在支持强化学习，这一功能旨在对连续的投资决策进行建模。该功能通过让智能体与环境交互并学习如何最大化某种累积奖励，从而帮助投资者优化其交易策略。

以下是基于 Qlib 构建的按场景分类的解决方案列表。

用于订单执行的强化学习

这里是对此场景的介绍。以下所有方法都在 这里进行了比较。

• TWAP
• PPO：“基于近端策略优化的端到端最优交易执行框架”，IJCAL 2020
• OPDS：“基于 Oracle 策略蒸馏的通用订单执行交易系统”，AAAI 2021

量化数据集动物园

数据集在量化投资中扮演着非常重要的角色。以下是基于 Qlib 构建的数据集列表：

数据集	美国市场	中国市场
Alpha360	√	√
Alpha158	√	√

这里 是使用 Qlib 构建数据集的教程。我们非常欢迎你提交 PR 来构建新的量化数据集。

学习框架

Qlib 具有高度的可定制性，其许多组件都可以进行学习。这些可学习的组件是 预测模型 和 交易代理 的实例。它们基于 学习框架 层进行训练，然后应用于 工作流 层中的多种场景。学习框架同样会利用 工作流 层（例如共享 信息提取器、基于 执行环境 创建环境）。

根据学习范式，这些组件可以分为强化学习和监督学习两类：

• 对于监督学习，详细文档可以参见 这里。
• 对于强化学习，详细文档可以参见 这里。Qlib 的强化学习框架利用 工作流 层中的 执行环境 来创建环境。值得注意的是，它还支持 NestedExecutor，这使得用户能够同时优化不同层级的策略/模型/代理（例如为特定的投资组合管理策略优化订单执行策略）。

关于 Qlib 的更多信息

如果你想快速了解 Qlib 中最常用的组件，可以尝试查看 这里 的笔记本示例。

详细的文档组织在 docs 目录中。要以 HTML 格式构建文档，需要使用 Sphinx 和 readthedocs 主题。命令如下：

cd docs/
conda install sphinx sphinx_rtd_theme -y
# 或者也可以用 pip 安装
# pip install sphinx sphinx_rtd_theme
make html

你也可以直接在线查看 最新文档。

Qlib 处于积极且持续的开发中。我们的计划记录在路线图中，该路线图作为 github 项目 进行管理。

离线模式与在线模式

Qlib 的数据服务器既可以部署为 离线 模式，也可以部署为 在线 模式。默认模式为离线模式。

在 离线 模式下，数据将部署在本地。

而在 在线 模式下，数据将以共享数据服务的形式部署。数据及其缓存将由所有客户端共享。由于缓存命中率更高，数据检索性能有望提升，同时也会减少磁盘空间的占用。在线模式的相关文档可以在 Qlib-Server 中找到。在线模式可以通过 Azure CLI 脚本 自动部署。在线数据服务器的源代码可以在 Qlib-Server 仓库 中找到。

Qlib 数据服务器的性能

数据处理性能对于 AI 技术等数据驱动的方法至关重要。作为面向 AI 的平台，Qlib 提供了数据存储和数据处理的解决方案。为了展示 Qlib 数据服务器的性能，我们将其与其他几种数据存储方案进行了比较。

我们通过完成同一项任务来评估几种存储方案的性能：从一个股票市场的基础 OHLCV 日度数据（2007 年至 2020 年间每天 800 只股票）中创建一个包含 14 个特征/因子的数据集。该任务涉及数据查询和处理。

	HDF5	MySQL	MongoDB	InfluxDB	Qlib -E -D	Qlib +E -D	Qlib +E +D
总耗时（1 CPU）（秒）	184.4±3.7	365.3±7.5	253.6±6.7	368.2±3.6	147.0±8.8	47.6±1.0	7.4±0.3
总耗时（64 CPU）（秒）					8.8±0.6	4.2±0.2

• +(-)E 表示是否启用（禁用）表达式缓存
• +(-)D 表示是否启用（禁用）数据集缓存

大多数通用数据库加载数据所需的时间过长。深入研究其底层实现后发现，在通用数据库解决方案中，数据需要经过过多的接口层以及不必要的格式转换，这些开销大大降低了数据加载的速度。而 Qlib 的数据以紧凑的格式存储，便于组合成数组用于科学计算。

相关报道

• Qlib 使用指南：微软的 AI 投资平台
• 微软也搞AI量化平台？还是开源的！
• 微矿Qlib：业内首个AI量化投资开源平台

联系我们

• 如果你有任何问题，请在此处创建 issue here 或在 gitter 上留言。
• 如果你想为 Qlib 做贡献，请 创建 pull requests。
• 如有其他原因，欢迎通过电子邮件 (qlib@microsoft.com) 联系我们。
  • 我们正在招聘新成员（全职员工和实习生），欢迎提交简历！

加入即时通讯讨论群：

Gitter

贡献

我们感谢所有贡献者，并对他们的付出表示由衷的敬意！

在 2020 年 9 月我们将 Qlib 作为开源项目发布到 Github 之前，Qlib 曾是我们团队内部的一个项目。遗憾的是，内部的提交历史并未保留。我们团队中的许多成员也为 Qlib 做出了重要贡献，包括王瑞华、张银达、于海苏、王淑宇、庞博晨以及 Dong Zhou。特别感谢 Dong Zhou，正是他开发了 Qlib 的初始版本。

指导

本项目欢迎各位的贡献和建议。
以下是提交拉取请求时的一些 代码规范与开发指南。

参与贡献并不困难。解决一个问题（也许只是回答一下在问题列表或Gitter中提出的问题）、修复或报告一个Bug、改进文档，甚至修正一个拼写错误，都是对Qlib的重要贡献。

例如，如果你想为Qlib的文档或代码做出贡献，可以按照下图中的步骤操作。

如果你不知道如何开始贡献，可以参考以下示例。

类型	示例
解决问题	回答一个问题；报告或修复一个Bug
文档	提升文档质量；修正拼写错误
功能	实现一个请求的功能，比如这个；重构接口
数据集	添加一个数据集
模型	实现一个新的模型，有关贡献模型的一些说明

适合初学者的问题已被标记，表明它们是开始贡献的好起点。

你可以在Qlib中通过运行 rg 'TODO|FIXME' qlib 找到一些不完善的地方。

如果你希望成为Qlib的维护者之一，以便做出更多贡献（例如帮助合并PR、处理问题），请通过电子邮件(qlib@microsoft.com)联系我们。我们很乐意协助你提升权限。

许可证

大多数贡献都需要你同意一份贡献者许可协议（CLA），声明你有权且确实授予我们使用你的贡献的权利。详情请访问 https://cla.opensource.microsoft.com。

当你提交拉取请求时，CLA机器人会自动判断你是否需要提供CLA，并相应地标记PR（例如状态检查、评论）。只需按照机器人提供的指示操作即可。对于所有使用我们CLA的仓库，你只需完成一次即可。

本项目已采用微软开源行为准则。更多信息请参阅行为准则常见问题解答，或如有其他问题或意见，请联系opencode@microsoft.com。

Qlib 快速上手指南

Qlib 是微软开源的 AI 量化投资平台，旨在通过人工智能技术赋能量化研究。它提供了从数据处理、模型训练到回测的全流程机器学习管道，支持监督学习、市场动态建模及强化学习等多种范式。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, 或 macOS
• Python 版本：3.8, 3.9, 3.10 或 3.11
• 依赖管理：建议使用 conda 或 venv 创建独立的虚拟环境，以避免依赖冲突。

2. 安装步骤

步骤一：创建并激活虚拟环境（推荐）

# 使用 conda 创建环境
conda create -n qlib_env python=3.8
conda activate qlib_env

# 或者使用 venv
python -m venv qlib_env
source qlib_env/bin/activate  # Linux/macOS
# qlib_env\Scripts\activate   # Windows

步骤二：安装 Qlib

方案 A：直接通过 PyPI 安装（推荐） 国内用户若连接 PyPI 较慢，可指定清华或阿里镜像源加速安装。

# 使用默认源
pip install pyqlib

# 使用清华大学镜像源（国内推荐）
pip install pyqlib -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 B：从源码安装（获取最新特性） 如果需要体验尚未发布的功能（如 RD-Agent 集成等），可从 GitHub 克隆源码安装。

git clone https://github.com/microsoft/qlib.git && cd qlib
pip install .

步骤三：验证安装

在 Python 环境中运行以下代码，若无报错则说明安装成功：

import qlib
from qlib.config import REG_CN
qlib.init()
print("Qlib version:", qlib.__version__)

3. 基本使用

以下是一个最简化的工作流示例，涵盖数据加载、模型训练（使用 LightGBM）和回测评估。

示例：运行一个完整的量化策略

import qlib
from qlib.config import REG_CN
from qlib.utils import init_instance_by_config
from qlib.workflow import R
from qlib.workflow.record_temp import SignalRecord, PortAnaRecord

# 1. 初始化 Qlib (使用中国区域配置)
qlib.init(provider_uri="~/.qlib/qlib_data/cn_data", region=REG_CN)

# 2. 定义策略配置 (以 LightGBM 为例)
strategy_config = {
    "task": {
        "model": {
            "class": "LGBModel",
            "module_path": "qlib.contrib.model.gbdt",
            "kwargs": {
                "loss": "mse",
                "colsample_bytree": 0.8879,
                "learning_rate": 0.0421,
                "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",
                    "module_path": "qlib.contrib.data.handler",
                    "kwargs": {
                        "start_time": "2008-01-01",
                        "end_time": "2020-08-01",
                        "fit_start_time": "2008-01-01",
                        "fit_end_time": "2014-12-31",
                        "instruments": "csi300",
                    },
                },
                "segments": {
                    "train": ("2008-01-01", "2014-12-31"),
                    "valid": ("2015-01-01", "2016-12-31"),
                    "test": ("2017-01-01", "2020-08-01"),
                },
            },
        },
    },
    "backtest": {
        "limit_threshold": 0.095,
        "account_init": 100000000,
        "benchmark": "SH000300",
    }
}

# 3. 执行工作流
with R.start(experiment_name="train_backtest"):
    # 初始化模型训练器
    trainer = init_instance_by_config(strategy_config["task"])
    
    # 训练模型
    trainer.run()
    
    # 记录预测信号
    sr = SignalRecord(model=trainer.model, dataset=trainer.dataset, experiment=R.get_exp())
    sr.generate()
    
    # 记录组合分析结果 (回测)
    par = PortAnaRecord(
        config=strategy_config["backtest"], 
        signal_strategy=sr.signal_strategy, 
        experiment=R.get_exp()
    )
    par.generate()

print("训练与回测完成，请在日志中查看 IC, RankIC, 年化收益等指标。")

说明

• 数据准备：首次运行时，如果本地 ~/.qlib/qlib_data/cn_data 目录下没有数据，Qlib 可能会尝试自动下载或需要您手动运行 python -m qlib.run.get_data qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn 获取历史行情数据。
• 配置灵活：上述 strategy_config 字典可以通过 YAML 文件加载，实现代码与配置的分离，这是 Qlib 推荐的工程化实践。