qlib专题
QuantML-Qlib Model | Kansformer： KAN+Transformer时序模型用于股票收益率预测
QuantML-Qlib Model | Kansformer： KAN+Transformer时序模型用于股票收益率预测 原创 QuantML QuantML 2024-06-18 20:57 上海 Content 之前公众号介绍了几篇KAN的文章，也做过KAN相关的模型： What KAN I say？KAN代码全解析 QuantML-Qlib开发版 | 最新神经网络结构KAN用于因
Qlib-Server：量化库数据服务器
Qlib-Server：量化库数据服务器 介绍 Qlib-Server 是 Qlib 的配套服务器系统，它利用 Qlib 进行基本计算，并提供广泛的服务器系统和缓存机制。通过 Qlib-Server，可以以集中的方式管理 Qlib 提供的数据。 框架 Qlib 的客户端/服务器框架基于 WebSocket 构建，这是因为 WebSocket 支持客户端和服务器之间异步模式下的双向通信。
Qlib-Server部署
Qlib-Server部署 介绍 构建Qlib服务器，用户可以选择： 一键部署Qlib服务器逐步部署Qlib服务器 一键部署 Qlib服务器支持一键部署，用户可以选择以下两种方法之一进行一键部署： 使用docker-compose部署在Azure中部署 使用docker-compose进行一键部署 按照以下步骤使用docker-compose部署Qlib服务器： 安装doc
使用 Qlib 在线模式
使用 Qlib 在线模式 简介 Qlib 文档中介绍了离线模式。除此之外，用户还可以使用 Qlib 的在线模式。 在线模式旨在解决以下问题： 集中管理数据，用户无需管理不同版本的数据。减少生成的缓存量。使数据可以远程访问。 在在线模式下，Qlib 会通过 Qlib-Server 以集中方式管理提供给 Qlib 的数据。 使用 Qlib 在线模式 按照以下步骤使用 Qlib 在线模式
21、【qlib】Qlib：面向人工智能的量化投资平台
Qlib：面向AI的量化投资平台 作者：肖阳、刘卫青、周东、边江、刘铁岩 单位：微软研究院 邮箱：fXiao.Yang, Weiqing.Liu, Zhou.Dong, Jiang.Bian, Tie-Yan.Liug 摘要 量化投资旨在最大化收益并最小化一系列交易周期内对一组金融工具的风险。近年来，受到AI技术在量化投资方面创新潜力的启发，越来越多的量化研究和实际投资采用AI驱动的工作流程。在
19、【qlib】【其他组件/特性/主题】任务管理
简介 工作流部分介绍了如何松耦合地运行研究流程，但使用qrun时只能执行单个任务。为了自动地生成和执行不同的任务，任务管理模块提供了一整套流程，包括任务生成、任务存储、任务训练及任务收集。借助这个模块，用户可以在不同时间段、不同损失函数或甚至不同模型下自动运行他们的任务。任务生成、模型训练和数据合并与收集的过程如下图所示： 此整个流程适用于在线服务场景。### 任务生成任务由模型、数据集
17、【qlib】【其他组件/特性/主题】在线模式与离线模式
简介 Qlib支持在线模式（Online mode）和离线模式（Offline mode），本文档仅介绍离线模式。 在线模式旨在解决以下问题： 中心化管理数据：用户无需自行管理不同版本的数据。减少缓存生成量。支持远程访问数据。 Qlib-Server Qlib-Server 是Qlib配套的服务器系统，它利用Qlib进行基础计算，并提供了完善的服务器系统和缓存机制。通过Qlib-Serv
16、【qlib】【其他组件/特性/主题】构建公式化Alpha因子
构建公式化Alpha因子 引言 在量化交易实践中，设计能够解释和预测未来资产回报的新颖因子对策略盈利能力至关重要。这类因子通常被称为Alpha因子，或简称Alpha。 公式化Alpha 顾名思义，公式化Alpha是一种可以用公式或数学表达式呈现的Alpha因子。 在Qlib中构建公式化Alpha因子 在Qlib中，用户可以轻松构建公式化Alpha因子。 示例 MACD（Moving
20、【qlib】【其他组件/特性/主题】点时间（PIT）数据库
简介 在进行历史市场分析时，点时间（Point-in-Time，简称PIT）数据至关重要。 例如，在回测交易策略时，若使用过去五年历史数据作为输入，并假设模型每日在收盘时进行一次交易，我们需要在计算2020年1月1日的交易信号时，只能依据截至该时点的实际历史数据，即只包含2020年1月1日、2019年12月31日、2019年12月30日等日期的数据。 在金融数据领域，尤其是财务报告中，同一数
Qlib+backtrader：2014.1.1-2023.9.20最新回测结果，可以实盘吗？
今年以来，在研究了qlib和backtrader的基础上，把二者结合起来进行了一个策略研究。简单说就是用qlib在200只股票的股票池中进行滚动训练与预测（walk forward），总体数据范围是2005到2023年，以20日间隔滚动训练和预测，最终得到2014.1.1-2023.9.20共10年测试期的收益率预测结果。将预测结果代入backtrader进行回测，得到如下回测结果。 1 回测结
Qlib从入门到精通
前面谈到了简单的一个示例代码，实际上里面的策略源码和模型回测源码都需要好好了解，他这个回测系统和我之前用到的回测策略代码有不一样的地方，作为一个量化策略攻城狮，掌握源码是基本的技能。 Qlib内置了A股、美股两个市场的历史数据，上一篇文章也谈到过，可以通过运行如下的脚本把数据自动获取到本地。 # get 1d datapython -m qlib.run.get_data qlib_data
10、【Qlib】【主要组件】高频交易嵌套决策执行框架
10、【Qlib】【主要组件】高频交易嵌套决策执行框架 简介 简介 日间交易（例如，投资组合管理）和当日交易（例如，订单执行）是量化投资中的两个热门话题，并且通常会分别进行研究。 为了获得日间和当日交易的联合交易绩效，它们必须相互作用，并共同进行回测。为了支持多级的联合回测策略，需要一个相应的框架。公开可用的高频交易框架中没有一个考虑到多级联合交易，这使得上述的回测不准确。
8、【Qlib】【主要组件】预测模型：模型训练和预测
8、【主要组件】预测模型：模型训练和预测 简介基本类Example 简介 预测模型（Forecast Model）旨在对股票做出预测评分。用户可以通过 qrun 在自动化工作流中使用预测模型。 由于 Qlib 中的组件设计成了松耦合方式，预测模型也可以作为一个独立模块使用。 基本类 Qlib 提供了一个基类 qlib.model.base.Model，所有模型都应继承自该基类