Qlib：微软开源的 AI 量化投资平台

量化研究常被工具链拖慢：数据、建模、回测各管一摊。微软开源的 Qlib 把它们收进一个框架——面向 AI 的量化投资平台，从因子构造、模型训练到组合优化、订单执行，全在一条流水线上。GitHubDaily 2025 年 5 月推荐过它。

核心功能

• 全链路覆盖：内置完整机器学习流水线，alpha 挖掘、风险建模、组合优化、订单执行都有现成组件。
• 数据引擎：自研紧凑二进制存储加表达式与数据集缓存，官方基准里构建含 14 个因子的数据集只要 7.4 秒，明显快于 HDF5、MySQL。
• 模型基准库：收录 LightGBM、LSTM、Transformer、GATs、HIST、TRA 等 20 多个 SOTA 模型，可直接在 Alpha158、Alpha360 上运行。
• 多范式框架：覆盖监督学习预测、市场动态适应（滚动重训练、DDG-DA）和强化学习订单执行（PPO、TWAP）。
• qrun 工作流：按 YAML 配置自动跑完数据集构建、训练、回测与评估，生成 IC、分组收益等图表；还接入微软 RD-Agent 智能体自动挖因子。

典型使用场景

• 用公开数据一键复现论文或基线，统一口径对比 IC 与回测指标。
• 把自己的因子或新模型接进现成流水线，免搭数据与回测设施。
• 用强化学习建模订单执行等连续决策，做多层级策略联合优化。

快速上手

安装后拉取中国市场数据（官方数据集暂不可用，此命令从 Yahoo 抓取），再跑一个内置基准：

pip install pyqlib
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn
cd examples && qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

小结

适合量化研究员、机器学习研究者和金融科技团队，做股票预测、组合优化等策略实验。项目采用 MIT 协议，支持 Linux/Windows/macOS 的 Python 3.8 至 3.12，上手本身无需 API Key。注意：官方数据集因数据安全政策暂时下线，需用社区数据源或仓库爬虫自建（Yahoo 数据质量有限）；批量脚本 run_all_model.py 仅支持 Linux；Mac M1 编译 LightGBM 前需先装 libomp；个别模型对旧版 TensorFlow 有额外依赖限制。整体看，它链路完整、可复现性好，是工程化程度较高的开源量化框架。