# Qlib 入门：AI 量化研究一条流水线打通

> 微软开源，数据-因子-ML-RL-回测全做通。30分钟跑通完整 research loop，不用自己拼。

> "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）：

1. `pip install pyqlib`，配好 Python 3.8+ 环境
2. 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）
3. 跑一个现成 workflow：`bash examples/workflows/lightgbm/run_pipeline.sh`，默认 Alpha158 + LightGBM
4. 看输出：回测报告 + 因子 IC + 模型预测的 IC 曲线
5. 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。


---
来源：https://laobanclaw.top/articles/qlib-ai-quant-start/（AI 军火库）