Qlib: инструмент количественных инвестиционных исследований с искусственным интеллектом, разработанный компанией Microsoft

Общее введение

Qlib - это платформа с открытым исходным кодом, разработанная Microsoft, которая фокусируется на использовании технологии искусственного интеллекта для помощи пользователям в исследовании количественных инвестиций. Она начинает с базовой обработки данных и помогает пользователям исследовать инвестиционные идеи и превращать их в полезные стратегии. Платформа проста в использовании и подходит для пользователей, которые хотят улучшить свои инвестиционные исследования с помощью машинного обучения. qlib предоставляет функции управления данными, обучения моделей и бэктестинга, охватывая весь процесс количественного инвестирования. Созданная командой Microsoft Research, она использует новейшие технологии искусственного интеллекта для обработки сложных финансовых данных. В настоящее время, 25 марта 2025 года, Qlib постоянно обновляется на GitHub и имеет активное сообщество, которое привлекает многих разработчиков.

Список функций

• Обработка данных: поддерживает эффективное хранение и обработку финансовых данных для быстрого доступа и анализа.
• Обучение моделей: предоставляет различные модели машинного обучения, такие как контролируемое обучение и обучение с подкреплением, которые помогают прогнозировать рыночные тенденции.
• Инструмент бэктестинга: встроенная функция бэктестинга позволяет моделировать работу инвестиционных стратегий и оценивать их эффективность.
• Генерация инвестиционных стратегий: оптимизируйте торговые решения, создавая целевые портфели на основе сигналов.
• Настраиваемый модуль: пользователи могут корректировать модели и стратегии в соответствии с индивидуальными потребностями.
• Онлайн- и офлайн-режим: поддержка локального развертывания или совместного использования услуг передачи данных, гибкий выбор вариантов использования.

Использование помощи

Процесс установки

Qlib должен быть установлен в среде, поддерживающей Python. Вот подробные шаги:

1. Подготовка среды
   • Убедитесь, что на вашем компьютере установлен Python (рекомендуется версия 3.7 или 3.8). Это можно сделать с помощью <code>python --version</code> Проверьте версию.
   • Рекомендуется использовать среду управления Anaconda. После загрузки и установки Anaconda создайте новую среду:

     conda create -n qlib_env python=3.8
     

   • Активируйте окружающую среду:

     conda activate qlib_env
     

2. Установка зависимостей
   • Сначала установите базовую библиотеку:

     pip install numpy
     pip install --upgrade cython
     

   • Установите Qlib с GitHub:

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

   • Если вам нужно разработать функциональность, вы можете использовать <code>pip install -e .[dev]</code>.
3. Получение данных
   • Загрузите пример данных (для китайского рынка):

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

   • Данные сохраняются в пользовательском каталоге для последующего использования.

Как использовать основные функции

обработка данных

Qlib быстро обрабатывает данные и может организовать финансовые данные в формат, удобный для анализа. После выполнения команды загрузки данных, приведенной выше, данные автоматически сохраняются в файле <code>~/.qlib/qlib_data/cn_data</code>Вы можете загрузить данные с помощью сценария Python. Вы можете загрузить данные с помощью сценария Python:

import qlib
qlib.init(provider_uri="~/.qlib/qlib_data/cn_data")
from qlib.data import D
instruments = D.instruments(market="csi300")
data = D.features(instruments, ["$close", "$volume"], start_time="2023-01-01", end_time="2025-03-25")
print(data.head())

Этот код отображает цену закрытия и объем указанной акции.

обучение модели

Qlib поддерживает различные модели, например LightGBM. Вот шаги для обучения простой модели:

1. Настройте набор данных и параметры модели, сохраните в формате <code>workflow_config.yaml</code>::

   dataset:
   class: DatasetH
   module_path: qlib.data.dataset
   kwargs:
   handler:
   class: Alpha158
   module_path: qlib.contrib.data.handler
   segments:
   train: ["2023-01-01", "2024-01-01"]
   valid: ["2024-01-02", "2024-06-30"]
   test: ["2024-07-01", "2025-03-25"]
   model:
   class: LGBModel
   module_path: qlib.contrib.model.gbdt
   

2. Выполните команду обучения:

   qrun workflow_config.yaml
   

3. По завершении обучения модель сохраняется по пути по умолчанию <code>~/.qlib/qlib_data/models</code>.

Инструменты для бэктестинга

Бэктесты проверяют эффективность стратегии. Запустите бэктест со следующим кодом:

from qlib.contrib.strategy import TopkDropoutStrategy
from qlib.backtest import backtest
strategy = TopkDropoutStrategy(topk=10, drop=2)
report = backtest(strategy=strategy, start_time="2024-01-01", end_time="2025-03-25")
print(report)

• <code>topk=10</code> Указывает на 10 лучших акций.
• <code>drop=2</code> Указывает на то, что каждый день отбрасываются 2 акции с наихудшими показателями.
  Результаты покажут показатели доходности и риска.

Функциональное управление

онлайн-режим

Qlib поддерживает онлайн-режим, обмен данными через Qlib-Server:

1. Установите Qlib-Server:

   git clone https://github.com/microsoft/qlib-server.git
   cd qlib-server
   docker-compose -f docker_support/docker-compose.yaml up -d
   

2. Настройте клиент для подключения к серверу:

   qlib.init(provider_uri="http://<server_ip>:port")
   

3. Для повышения эффективности работы данные будут извлекаться с сервера.

Индивидуальные стратегии

Хотите попробовать свою собственную стратегию? Наследование возможно <code>WeightStrategyBase</code> Класс:

from qlib.contrib.strategy import WeightStrategyBase
class MyStrategy(WeightStrategyBase):
def generate_trade_decision(self, data):
return {stock: 0.1 for stock in data.index[:5]}  # 前5只股票平分权重

Затем проверьте результаты с помощью инструмента бэктестинга.

сценарий применения

1. Индивидуальные инвестиционные исследования
   Пользователи могут использовать Qlib для анализа исторических данных, проверки своих инвестиционных идей и поиска стратегий с более высокой доходностью.
2. Команда финансовых исследований
   Команды могут использовать возможности моделирования и бэктестинга Qlib для быстрого подтверждения академических теорий на рынке.
3. Образовательное обучение
   Студенты могут использовать Qlib для изучения количественного инвестирования, практической обработки данных и обучения моделям.

QA

1. Какие операционные системы поддерживает Qlib?
   Поддерживаются Windows, macOS и Linux, и они будут работать при условии установки Python и зависимых библиотек.
2. Откуда берутся данные?
   По умолчанию данные берутся из Yahoo Finance, но пользователи могут заменить их собственными.
3. Нужна основа программирования?
   Требуются базовые знания Python, но официальная документация и примеры достаточно подробны, чтобы новичок смог начать работу.