独家：微软AI量化投资平台Qlib视频教程3：下载行情数据

上一个视频介绍了怎么安装Qlib，本次视频演示将网上的行情数据下载到本地。

视频地址点此

可以将Qlib的机器学习和另一个更加成熟的基于python的开源量化回测框架backtrader一起使用。关于backtrader技术教程，请进QQ群1125384417下载样书及源码。

===============

背景资料：

微软研究院发布的融合了各种机器学习算法的AI人工智能量化投资平台Qlib，可以用来进行交易策略量化回测。

从应用层来看，它主要包括松耦合的三大块（每块可以独立）：

1 数据

从外部获取行情数据，按Qlib内部高效率的格式存储起来

2 机器学习

利用各种机器学习算法进行预测，预测的量称为标签label，至于具体预测什么由你定，比如预测明日股票收益率。目前内置如下机器学习算法。用户也可插入自己的机器学习算法。

GBDT based on LightGBM (Guolin Ke, et al.)
GBDT based on Catboost (Liudmila Prokhorenkova, et al.)
GBDT based on XGBoost (Tianqi Chen, et al.)
MLP based on pytorch
GRU based on pytorch (Kyunghyun Cho, et al.)
LSTM based on pytorcn (Sepp Hochreiter, et al.)
ALSTM based on pytorcn (Yao Qin, et al.)
GATs based on pytorch (Petar Velickovic, et al.)
SFM based on pytorch (Liheng Zhang, et al.)
TFT based on tensorflow (Bryan Lim, et al.)

3 交易策略回测

利用前述行情数据和预测数据，编写交易策略，进行策略回测。他的回测引擎我看了不如backtrader简洁易懂和成熟，所以实际上可以将它的行情数据和预测数据（也是线）送给backtrader，进行回测。这样就可以结合两者的长处。

综上所述，Qlib里机器学习和回测的整个研究流程其实是很简单的，本质上和我有篇文章讲的backtrader与机器学习结合是一致的。Qlib的特色之处在于：一是数据存储和处理的效率有较大提升，因为它自己设计了专用的格式和缓存机制，二是它的机器学习针对时间序列做了一些辅助功能，相对你直接用机器学习方法预测，可以减到一些代码量。

未来会持续追踪和介绍Qlib使用方法和技术，敬请关注。