qlib量化投资平台的100天计划

小时候，辩论题目让我们讨论“知易行难”，还是“知难行易”。

既然是辩题，正反双方都容易能找到不同的角度。

事实上，“知”也不易，“行”更不易。

但“行”更难，今天的我可能觉得不必讨论。

认知提升当然不易，有些人一辈子都待在自己思维认知的圈层没有出来。

这里说的“相对容易”，是因为认知是“一瞬间”完成的事情。

一下子你被击中了，想明白了，你就明白了。

记得那个几年前的那个冬日，陪爱人在北师大考试，考试需要上午下午持续一整天。

闲来无事，反复听李笑来的《财富自由之路》，有一集关于投资什么最重要，讲到时限，本金，收益率以及风险。

印象最深的部分就是本金和时限是外因，你的投资能力体现的是收益率，就是说无论是你100块，还是1000块，你都可以开始投资，体验整个投资的完整过程，因为我们的计算的是你的收益率。如果你能够获得合适的收益率，证明你的投资水平在成长，那么你可以投入更多的资金。

我学习金融是2010年的事情，也算半个科班出身，但一直没有行动。

那一瞬间突然被击中了，你的投资与本金无关，只看你的收益率。你怕风险，就投1万块也行，只是看你的收益率就好了。所以并不用担心资本市场到底有多么凶险，后来进去之后，发现我可以掌握好。

除了投资之外，绝大多数事情，都是“认知-行动-修正认知-行动”这样螺旋式迭代着前进的。而且认知完成，行动是需要持续好长一段时间才能看到结果，就算投资，你能不能克服情绪波动，克服人性的恐惧与贪婪都不好说，更何况很多事情就那么不了了之，直接就忘了。

纳瓦尔说这个时代，代码和媒体是普通人最好的杠杆，但要用好这个杠杆，产品化非常重要。你的兴趣，爱好，技能需要产品化才能变成杠杆。

给自己定一个10-100天的计划——“基于qlib把一个AI量化投资平台建设起来”。

其中（今天至10月底）：

一、qlib平台本身的熟练，分析代码结构是基础； 

二、其次是AI模型的特征工程、参数优化，工程化方面的东西； 

三、再次是产品化。

它需要变成一个产品，目前规划是有一gui的产品，可以类似果仁平台一样，选择时间，参数即可以直接回测看效果，做实验。

很多人懂得很多道理过不好这一生的症结在于，永远没有行动，或者说行动永远没有结果，半个成品远远胜过一个半成品。更可怕的事情是持续行动持续放弃，持续开始。然后问上天为何如此不公——因为如果你躺平，倒可以心安理得接受没有结果——可是你如此努力，问题出在何方？出在不能专注与坚持，出在要一个有结果的努力！

01 qlib的代码

qlib的代码模块化很好，可读性很强，而且是ai导向的架构，所以我强烈推荐大家以此平台为核心，这是未来——与backtrader之类的传统框架相比，如果你读过backtrader的代码，你会知道里边元编程有多难理解。

qlib使用了很多参数，通过ymal和dict来传参，它做了多层的封装，这一点对于初学者有点不太容易理解，最好的方法，你读读它的代码。

源代码：examples/work_by_code.py

官方给出了一个入门级的完整案例：

model = init_instance_by_config(CSI300_GBDT_TASK["model"])
dataset = init_instance_by_config(CSI300_GBDT_TASK["dataset"])

init_instance_by_config就是通过传入dict类似的参数，把model和dataset初始化。dataset里也用同样的方法初始化了datahandler, dataloader等。

这里就完成了模型的初始化和数据集初始化（特征，标注，数据集划分）。

如下这一段对于传统回测的同学是最不好理解的，这是机器学习的范畴，使用了mlflow的“实验”的概念。

# 开始实验

with R.start(experiment_name="workflow"):

    #模型训练

R.log_params(**flatten_dict(CSI300_GBDT_TASK))
model.fit(dataset)
R.save_ozzbjects(**{"params.pkl": model})

# 预测
recorder = R.get_recorder()
sr = SignalRecord(model, dataset, recorder)
sr.generate()

# 信号生成
sar = SigAnaRecord(recorder)
sar.generate()

# 回测. If users want to use backtest based on their own prediction,
# please refer to https://qlib.readthedocs.io/en/latest/component/recorder.html#record-template.
par = PortAnaRecord(recorder, port_analysis_config, "day")

par.generate()

若不考虑使用mlflow的实验平台，我们有了model和dataset之后，常规也

需要做同件事：

model.fit(),

model.valid(),

model.predict(),

backtest()

使用数据集训练模型，保存下来，使用验证数据集，检验模型效率。然后模型

对输入数据进行预测得到pred_score，把pred_score交由策略及回测组件使用，

生成回测结果用于分析。

02 工作流

qlib把整体量化回测看作“实验”，总体是一个“工作流workflow”。

它还提供了一个qrun命令来整体执行整个流程，这个到了高阶我们再说。

1、数据加载与预处理，划分数据集

2、模型训练与推理，保存与加载

3、pred_score生成与回测

除了3里的回测是AI量化投资里独有的，前面的过程基本就是一个完整的

机器学习项目的必要过程。

为更好的理解qlib的工作流管理，强烈建议大家先使用mlflow做传统机器

学习项目练练手，然后再回来看qlib的实验管理会很好理解。

mlflow给机器学习提供了一个很好的实验管理的平台，还自带一个好看的ui.

。

另外，初学者把这个notebook自己走一遍，对qlib会有更细节的理解。

https://github.com/microsoft/qlib/blob/main/examples/tutorial/detailed_workflow.ipynb

小结：

一个好的开始，定一个小目标，坚持100天，有一个小成果。

但行好事，莫问前程。