前のビデオでは、Qlibのインストール方法を紹介しました。このビデオでは、インターネットからローカルに市場データをダウンロードする方法を示しています。
Qlibの機械学習を、もう1つのより成熟したPythonベースのオープンソースの定量的バックトレーダーフレームワークバックトレーダーで使用できます。バックトレーダーのテクニカルチュートリアルについては、QQグループ1125384417のサンプルブックとソースコードをダウンロードしてください。
===============
背景情報：
さまざまな機械学習アルゴリズムを統合する、Microsoft ResearchによってリリースされたAI人工知能の定量的投資プラットフォームQlibは、取引戦略の定量的バックテストに使用できます。
アプリケーション層の観点からは、主に3つの疎結合ブロックが含まれます（各ブロックは独立できます）。
1データ
外部から市場データを取得し、Qlib内に効率的な形式で保存します
2機械学習
さまざまな機械学習アルゴリズムを使用して予測を行います。予測の量はラベルと呼ばれます。具体的な予測については、明日の株式のリターンを予測するなど、予測するのはあなた次第です。現在、次の機械学習アルゴリズムが組み込まれています。ユーザーは、独自の機械学習アルゴリズムをプラグインすることもできます。
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取引戦略のバックテスト
前述の市場データと予測データを使用して、取引戦略を作成し、戦略のバックテストを実施します。彼のバックテストエンジンは、バックトレーダーほど簡潔で、理解しやすく、成熟していないため、実際に市場データと予測データ（ラインも）をバックトレーダーに送信してバックテストを行うことができます。これにより、2つの長所が組み合わされます。
要約すると、Qlibでの機械学習と機械学習の調査プロセス全体は、実際には非常に単純であり、私の記事のバックトレーダーと機械学習の組み合わせと本質的に同じです。Qlibの特徴は次のとおりです。1つは、独自の専用フォーマットとキャッシュメカニズムを設計したため、データの保存と処理の効率が大幅に向上したこと、もう1つは、機械学習によって時系列の補助機能が作成されたことです。機械学習手法を使用して予測することで、コードの量を減らすことができます。
今後もQlibの使用方法や技術を追跡・導入していきますので、ご期待ください。