El video anterior presentó cómo instalar Qlib. Este video muestra la descarga de datos de mercado de Internet al local.
Haga clic aquí para ver la dirección del video
Puede usar el aprendizaje automático de Qlib con otro backtrader de marco de backtrader cuantitativo de código abierto más maduro basado en Python. Para el tutorial técnico de backtrader, descargue el libro de muestra y el código fuente en el grupo QQ 1125384417.
===============
Información de contexto:
La plataforma de inversión cuantitativa de inteligencia artificial de inteligencia artificial Qlib lanzada por Microsoft Research, que integra varios algoritmos de aprendizaje automático, se puede utilizar para el backtesting cuantitativo de estrategias comerciales.
Desde la perspectiva de la capa de aplicación, incluye principalmente tres bloques débilmente acoplados (cada bloque puede ser independiente):
1 dato
Obtenga datos de mercado del exterior y almacénelos en el formato eficiente dentro de Qlib
2 aprendizaje automático
Utilice una variedad de algoritmos de aprendizaje automático para hacer predicciones. La cantidad de predicción se llama etiqueta. En cuanto a la predicción específica, usted decide predecir, como predecir el rendimiento de las acciones de mañana. Los siguientes algoritmos de aprendizaje automático están integrados actualmente. Los usuarios también pueden conectar sus propios algoritmos de aprendizaje automático.
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 Backtesting de estrategias comerciales
Utilice los datos de mercado y los datos de pronóstico antes mencionados para escribir estrategias comerciales y realizar pruebas retrospectivas de estrategias. Su motor de backtesting no es tan conciso, fácil de entender y maduro como el backtrader, por lo que en realidad puede enviar sus datos de mercado y datos de pronóstico (también de línea) al backtrader para realizar un backtesting. Esto combinará las fortalezas de los dos.
En resumen, todo el proceso de investigación de aprendizaje automático y backtesting en Qlib es en realidad muy simple, esencialmente lo mismo que la combinación de backtrader y aprendizaje automático en mi artículo. Las características de Qlib son: Primero, la eficiencia del almacenamiento y procesamiento de datos ha mejorado enormemente, porque ha diseñado su propio formato dedicado y mecanismo de almacenamiento en caché, y el segundo es que su aprendizaje automático ha realizado algunas funciones auxiliares para series de tiempo, que es más directo que tú. Con métodos de aprendizaje automático para predecir, puedes reducir la cantidad de código.
En el futuro, continuaremos rastreando e introduciendo métodos y tecnologías de uso de Qlib, así que estad atentos.