microsoft/qlib

[](https://pypi.org/project/pyqlib/#files) [](https://pypi.org/project/pyqlib/#files) [](https://pypi.org/project/pyqlib/#history) [](https://pypi.org/project/pyqlib/) [](https://github.com/microsoft/qlib/actions) [](https://qlib.readthedocs.io/en/latest/?badge=latest) [](LICENSE) [](https://gitter.im/Microsoft/qlib?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge) ## :newspaper: **最新消息！**   :sparkling_heart: 近期发布的功能 ### 介绍 ：基于 LLM 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 **RD-Agent** 📢 的发布，这是一个强大的工具，支持在量化投资研发中进行自动化的因子挖掘和模型优化。 RD-Agent 现已在 [GitHub](https://github.com/microsoft/RD-Agent) 上发布，欢迎 star🌟！ 了解更多信息，请访问 [RD-Agent 仓库](https://github.com/microsoft/RD-Agent)。我们为您准备了几个公开的演示视频： | 场景 | 演示视频 (英文) | 演示视频 (中文) | | -- | ------ | ------ | | 量化因子挖掘 | [YouTube](https://www.youtube.com/watch?v=X4DK2QZKaKY&t=6s) | [YouTube](https://www.youtube.com/watch?v=X4DK2QZKaKY&t=6s) | | 从报告挖掘量化因子 | [YouTube](https://www.youtube.com/watch?v=ECLTXVcSx-c) | [YouTube](https://www.youtube.com/watch?v=ECLTXVcSx-c) | | 量化模型优化 | [YouTube](https://www.youtube.com/watch?v=dm0dWL49Bc0&t=104s) | [YouTube](https://www.youtube.com/watch?v=dm0dWL49Bc0&t=104s) | - 📃**论文**：[R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization](https://arxiv.org/abs/2505.15155) - 👾**代码**：https://github.com/microsoft/RD-Agent/ ``` @misc{li2025rdagentquant, title={R\&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization}, author={Yuante Li and Xu Yang and Xiao Yang and Minrui Xu and Xisen Wang and Weiqing Liu and Jiang Bian}, year={2025}, eprint={2505.15155}, archivePrefix={arXiv}, primaryClass={cs.AI} } ```  | 功能 | 状态 | | -- | ------ | | [R&D-Agent-Quant](https://arxiv.org/abs/2505.15155) 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！([审阅中](https://github.com/microsoft/qlib/pull/1863)) | | 🔥LLM 驱动的自动量化工厂🔥 | 🚀 于 2024 年 8 月 8 日在 [♾️RD-Agent](https://github.com/microsoft/RD-Agent) 中发布 | | KRNN 和 Sandwich 模型 | :chart_with_upwards_trend: 于 2023 年 5 月 26 日 [发布](https://github.com/microsoft/qlib/pull/1414/) | | 发布 Qlib v0.9.0 | :octocat: 于 2022 年 12 月 9 日 [发布](https://github.com/microsoft/qlib/releases/tag/v0.9.0) | | 强化学习框架 | :hammer: :chart_with_upwards_trend: 于 2022 年 11 月 10 日发布。 [#1332](https://github.com/microsoft/qlib/pull/1332), [#1322](https://github.com/microsoft/qlib/pull/1322), [#1316](https://github.com/microsoft/qlib/pull/1316),[#1299](https://github.com/microsoft/qlib/pull/1299),[#1263](https://github.com/microsoft/qlib/pull/1263), [#1244](https://github.com/microsoft/qlib/pull/1244), [#1169](https://github.com/microsoft/qlib/pull/1169), [#1125](https://github.com/microsoft/qlib/pull/1125), [#1076](https://github.com/microsoft/qlib/pull/1076)| | HIST 和 IGMTF 模型 | :chart_with_upwards_trend: 于 2022 年 4 月 10 日 [发布](https://github.com/microsoft/qlib/pull/1040) | | Qlib [notebook 教程](https://github.com/microsoft/qlib/tree/main/examples/tutorial) | 📖 于 2022 年 4 月 7 日 [发布](https://github.com/microsoft/qlib/pull/1037) | | Ibovespa 指数数据 | :rice: 于 2022 年 4 月 6 日 [发布](https://github.com/microsoft/qlib/pull/990) | | Point-in-Time 数据库 | :hammer: 于 2022 年 3 月 10 日 [发布](https://github.com/microsoft/qlib/pull/343) | | Arctic 提供程序后端和 Orderbook 数据示例 | :hammer: 于 2022 年 1 月 17 日 [发布](https://github.com/microsoft/qlib/pull/744) | | 基于 Meta-Learning 的框架 & DDG-DA | :chart_with_upwards_trend: :hammer: 于 2022 年 1 月 10 日 [发布](https://github.com/microsoft/qlib/pull/743) | | 基于规划的投资组合优化 | :hammer: 于 2021 年 12 月 28 日 [发布](https://github.com/microsoft/qlib/pull/754) | | 发布 Qlib v0.8.0 | :octocat: 于 2021 年 12 月 8 日 [发布](https://github.com/microsoft/qlib/releases/tag/v0.8.0) | | ADD 模型 | :chart_with_upwards_trend: 于 2021 年 11 月 22 日 [发布](https://github.com/microsoft/qlib/pull/704) | | ADARNN 模型 | :chart_with_upwards_trend: 于 2021 年 11 月 14 日 [发布](https://github.com/microsoft/qlib/pull/689) | | TCN 模型 | :chart_with_upwards_trend: 于 2021 年 11 月 4 日 [发布](https://github.com/microsoft/qlib/pull/668) | | 嵌套决策框架 | :hammer: 于 2021 年 10 月 1 日 [发布](https://github.com/microsoft/qlib/pull/438)。[示例](https://github.com/microsoft/qlib/blob/main/examples/nested_decision_execution/workflow.py) 和 [文档](https://qlib.readthedocs.io/en/latest/component/highfreq.html) | | Temporal Routing Adaptor (TRA) | :chart_with_upwards_trend: 于 2021 年 7 月 30 日 [发布](https://github.com/microsoft/qlib/pull/531) | | Transformer & Localformer | :chart_with_upwards_trend: 于 2021 年 7 月 22 日 [发布](https://github.com/microsoft/qlib/pull/508) | | 发布 Qlib v0.7.0 | :octocat: 于 2021 年 7 月 12 日 [发布](https://github.com/microsoft/qlib/releases/tag/v0.7.0) | | TCTS 模型 | :chart_with_upwards_trend: 于 2021 年 7 月 1 日 [发布](https://github.com/microsoft/qlib/pull/491) | | 在线服务和自动模型滚动 | :hammer: 于 2021 年 5 月 17 日 [发布](https://github.com/microsoft/qlib/pull/290) | | DoubleEnsemble 模型 | :chart_with_upwards_trend: 于 2021 年 3 月 2 日 [发布](https://github.com/microsoft/qlib/pull/286) | | 高频数据处理示例 | :hammer: 于 2021 年 2 月 5 日 [发布](https://github.com/microsoft/qlib/pull/257) | | 高频交易示例 | :chart_with_upwards_trend: 于 2021 年 1 月 28 日 [部分代码发布](https://github.com/microsoft/qlib/pull/227) | | 高频数据(1分钟) | :rice: 于 2021 年 1 月 27 日 [发布](https://github.com/microsoft/qlib/pull/221) | | Tabnet 模型 | :chart_with_upwards_trend: 于 2021 年 1 月 22 日 [发布](https://github.com/microsoft/qlib/pull/205) | 2021 年之前发布的功能不在此处列出。

Qlib 是一个面向 AI 的开源量化投资平台，旨在利用 AI 技术在量化投资中实现潜力、赋能研究并创造价值，涵盖从探索想法到实现生产的全过程。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。 越来越多的不同范式的 SOTA 量化研究工作/论文在 Qlib 上发布，以协作解决量化投资中的关键挑战。例如，1) 使用监督学习从丰富且异构的金融数据中挖掘市场复杂的非线性模式，2) 使用自适应概念漂移技术对金融市场的动态特性进行建模，以及 3) 使用强化学习对连续的投资决策进行建模，并帮助投资者优化其交易策略。 它包含完整的机器学习流水线，涵盖数据处理、模型训练、回测；并覆盖了量化投资的整个链条：alpha 寻找、风险建模、投资组合优化和订单执行。 有关更多详细信息，请参阅我们的论文 [“Qlib: An AI-oriented Quantitative Investment Platform”](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 的框架 快速开始 安装说明 数据准备 自动化量化研究工作流 通过代码构建自定义量化研究工作流 量化数据集库 学习框架 更多关于 Qlib 离线模式与在线模式 Qlib 数据服务器的性能 相关报道 联系我们 贡献指南	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）库 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 的框架 Qlib 的高层框架如上图所示（在深入了解细节时，用户可以找到 Qlib 设计的[详细框架](https://qlib.readthedocs.io/en/latest/introduction/introduction.html#framework)）。 各组件被设计为松耦合模块，每个组件都可以独立使用。 Qlib 提供了强大的基础设施来支持量化研究。[数据](https://qlib.readthedocs.io/en/latest/component/data.html)始终是其中的重要组成部分。 强大的学习框架旨在支持多种学习范式（例如[强化学习](https://qlib.readthedocs.io/en/latest/component/rl.html)、[监督学习](https://qlib.readthedocs.io/en/latest/component/workflow.html#model-section)）和不同层级的模式（例如[市场动态建模](https://qlib.readthedocs.io/en/latest/component/meta.html)）。 通过对市场进行建模，[交易策略](https://qlib.readthedocs.io/en/latest/component/strategy.html)将生成将要执行交易决策。不同层级或粒度的多种交易策略和执行器可以[嵌套在一起进行优化和运行](https://qlib.readthedocs.io/en/latest/component/highfreq.html)。 最后，将提供全面的[分析](https://qlib.readthedocs.io/en/latest/component/report.html)，并且模型可以低成本的[在线服务](https://qlib.readthedocs.io/en/latest/component/online.html)。 # 快速开始 本快速入门指南试图展示： 1. 使用 _Qlib_ 构建完整的量化研究工作流并尝试您的想法非常容易。 2. 尽管使用的是*公开数据*和*简单模型*，机器技术在实际量化投资中**效果非常好**。 这是一个快速 **[演示](https://terminalizer.com/view/3f24561a4470)** 展示了如何安装 ``Qlib``，以及如何使用 ``qrun`` 运行 LightGBM。**但是**，请确保您已经按照[说明](#data-preparation)准备好了数据。 ## 安装说明 此表格展示了 `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，在 `conda` 环境之外使用 Python 可能会缺少头文件，导致某些包安装失败。 2. 请注意，在 Python 3.6 中安装 cython 时，从源码安装 ``Qlib`` 会引发一些错误。如果用户在其机器上使用 Python 3.6，建议将 Python *升级* 到 3.8 或更高版本，或者使用 `conda` 的 Python 从源码安装 ``Qlib``。 ### 使用 pip 安装 用户可以根据以下命令通过 pip 轻松安装 ``Qlib``。 ``` pip install pyqlib ``` **注意**：pip 将安装最新的稳定版 qlib。然而，qlib 的主分支正在积极开发中。如果您想测试主分支中最新的脚本或功能，请使用以下方法安装 qlib。 ### 从源码安装 此外，用户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，用户需要安装一些依赖： 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 . # 开发推荐使用 `pip install -e .[dev]`。详情请查阅 docs/developer/code_standard_and_dev_guide.rst **提示**：如果您在您的环境中安装 `Qlib` 或运行示例失败，对比您的步骤与 [CI 工作流](.github/workflows/test_qlib_from_source.yml) 可能有助于您找到问题。 **Mac 提示**：如果您使用的是 M1 芯片的 Mac，您可能会在为 LightGBM 构建 wheel 时遇到问题，这是因为缺少 OpenMP 的依赖。要解决此问题，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策略，官方数据集暂时禁用。您可以尝试由社区贡献的[这个数据源](https://github.com/chenditc/investment_data/releases)。 以下是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 ``` 以下官方数据集将在不久的将来恢复。 通过运行以下代码加载并准备数据： ### 通过模块获取 ``` # 获取 1d 数据 python -m qlib.cli.data qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn # 获取 1min 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 1d 数据 python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn # 获取 1min 数据 python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --region cn --interval 1min ``` 此数据集是由发布在同一仓库中的[爬虫脚本](scripts/data_collector/)收集的公共数据创建的。 用户可以使用它创建相同的数据集。[数据集描述](https://github.com/microsoft/qlib/tree/main/scripts/data_collector#description-of-dataset) *请注意，数据是从 [Yahoo Finance](https://finance.yahoo.com/lookup) 收集的，数据可能并不完美。 我们建议用户如果拥有高质量的数据集，最好准备自己的数据。有关更多信息，用户可以参考[相关文档](https://qlib.readthedocs.io/en/latest/component/data.html#converting-csv-format-into-qlib-format)*。 ### 自动更新日频数据（来自 yahoo finance） * 每个交易日自动更新数据到“qlib”目录 (Linux) * 使用 *crontab*：`crontab -e` * 设置定时任务： * * * * 1-5 python