"量化交易最劝退的，不是写策略，而是数据——数据从哪来、怎么清洗、因子怎么管理。Qlib 把这条链做通了，你不用自己拼。"
一句话：微软开源的 AI 量化投研平台，从数据、因子、机器学习到强化学习策略一条流水线打通，是目前最完整的 AI 量化基础设施之一，pip 装完就能跑通一个完整的研究流程。
它能帮你干什么
Qlib 解决的是"研究流程"问题，不是"交易执行"问题。它把量化研究里最杂碎的几个环节统一成一套可复用的管线：
- Alpha 因子挖掘：内置 Alpha158 / Alpha360 两套因子模板，覆盖量价、基本面、技术指标，不用自己从 0 设计因子
- ML 收益预测：LightGBM、XGBoost、MLP 神经网络都有现成 workflow，换模型就是改一行配置
- 强化学习策略：内置 RL 框架，做下单、仓位管理这类序列决策
- 回测 + 组合分析：统一回测引擎，支持单资产和多资产组合，指标（年化、夏普、最大回撤、换手）一键出
- 数据管线：内置数据工具拉 A 股 / 美股日线，落地成 Qlib 自己的存储格式，后续所有环节读同一份数据
适合谁
- 想系统做量化研究、不想自己拼数据管线的个人 / 小团队：这是 Qlib 最核心的定位，一个人从数据到策略能跑通
- 会 Python 做 ML、想迁移到金融场景的工程师：LightGBM/XGBoost 这些你熟的，Qlib 只是套了金融的壳
- 教学 / 研究用途：学术界用它做因子有效性验证、ML 在金融上的基准测试
关键数据
| 项目 | 情况 |
|---|---|
| 仓库 | microsoft/qlib |
| 星标 | ~4.9 万（2026-10 实测） |
| 语言 | Python |
| 协议 | MIT |
| 覆盖 | 数据 / 因子 / ML / RL / 回测 |
| 维护方 | 微软研究院 |
| 文档 | 官方文档站 + 大量 example |
上手 / 配置
最小可跑流程（30 分钟内能拿到第一份回测结果）：
pip install pyqlib，配好 Python 3.8+ 环境- 用内置工具拉数据：
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data --target_name cn_data（拉 A 股日线） - 跑一个现成 workflow：
bash examples/workflows/lightgbm/run_pipeline.sh，默认 Alpha158 + LightGBM - 看输出：回测报告 + 因子 IC + 模型预测的 IC 曲线
- 换成自己的因子 / 策略：改 config yaml 里的
dataset和model段
常见坑：
- 数据格式：Qlib 用自己的 .bin 格式，别直接用 CSV，先用 get_data 转
- 时区：A 股数据默认东八区，跨美股要注意
- 版本：pip 装的和 git 装的行为略有差异，建议 pip
一句话总结
Qlib 是"量化研究 IDE"，不替你写策略，但把数据 - 因子 - 模型 - 回测这条链全做通了，你只需要填自己的策略逻辑。做量化第一步别急着写交易代码，先用 Qlib 跑通一次完整 research loop，比看十篇文章都管用。