La vidéo précédente expliquait comment installer Qlib. Cette vidéo montre le téléchargement de données de marché d'Internet vers le local.
Cliquez ici pour l'adresse vidéo
Vous pouvez utiliser l'apprentissage automatique de Qlib avec un autre backtrader de backtrader quantitatif open source basé sur python. Pour le tutoriel technique backtrader, veuillez télécharger le livre d'exemples et le code source dans le groupe QQ 1125384417.
===============
Informations d'arrière-plan:
La plate-forme d'investissement quantitatif d'intelligence artificielle d'IA Qlib publiée par Microsoft Research, qui intègre divers algorithmes d'apprentissage automatique, peut être utilisée pour le backtest quantitatif des stratégies de trading.
Du point de vue de la couche application, il comprend principalement trois blocs faiblement couplés (chaque bloc peut être indépendant):
1 données
Obtenez des données de marché de l'extérieur et stockez-les dans un format efficace dans Qlib
2 apprentissage automatique
Utilisez une variété d'algorithmes d'apprentissage automatique pour faire des prédictions. Le montant de la prédiction s'appelle une étiquette. Quant à la prédiction spécifique, c'est à vous de prédire, comme la prévision du rendement des actions de demain. Les algorithmes d'apprentissage automatique suivants sont actuellement intégrés. Les utilisateurs peuvent également brancher leurs propres algorithmes d'apprentissage automatique.
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 des stratégies de trading
Utilisez les données de marché et les données de prévision susmentionnées pour rédiger des stratégies de trading et effectuer des backtests stratégiques. Son moteur de backtesting n'est pas aussi concis, facile à comprendre et mûr que le backtrader, il peut donc envoyer ses données de marché et ses données de prévision (également en ligne) au backtrader pour un backtest. Cela combinera les forces des deux.
En résumé, l'ensemble du processus de recherche sur l'apprentissage automatique et le backtesting dans Qlib est en fait très simple, essentiellement le même que la combinaison de backtrader et d'apprentissage automatique dans mon article. Les caractéristiques de Qlib sont les suivantes: Premièrement, l'efficacité du stockage et du traitement des données est grandement améliorée, car elle a conçu son propre format dédié et son mécanisme de mise en cache, et la seconde est que son apprentissage automatique a créé des fonctions auxiliaires pour les séries chronologiques, ce qui est plus direct que vous. En utilisant des méthodes d'apprentissage automatique pour prédire, vous pouvez réduire la quantité de code.
À l'avenir, nous continuerons à suivre et à introduire les méthodes et technologies d'utilisation de Qlib, alors restez à l'écoute.