快速入门
简介
本``快速入门``指南旨在展示
使用``Qlib``可以轻松构建完整的量化研究工作流并尝试用户的各种想法。
即使使用公开数据和简单模型，机器学习技术在实际量化投资中也能表现出色。
安装
用户可以按照以下步骤轻松安装``Qlib``：
从源代码安装``Qlib``之前，用户需要安装一些依赖项：
pip install numpy pip install --upgrade cython
克隆仓库并安装``Qlib``
git clone https://github.com/ssvip9527/qlib.git && cd qlib python setup.py install
要了解更多关于`安装`的信息，请参考`Qlib安装指南 <../start/installation.html>`_。
准备数据
运行以下代码加载并准备数据：
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn
该数据集由``scripts/data_collector/``目录中的爬虫脚本收集的公开数据创建，这些脚本已随仓库一同发布。用户可以使用这些脚本创建相同的数据集。
要了解更多关于`数据准备`的信息，请参考`数据准备 <../component/data.html#data-preparation>`_。
自动化量化研究工作流
``Qlib``提供了一个名为``qrun``的工具，可以自动运行整个工作流（包括构建数据集、训练模型、回测和评估）。用户可以按照以下步骤启动自动化量化研究工作流并进行图形化报告分析：
- 量化研究工作流：
使用LightGBM模型的配置文件`workflow_config_lightgbm.yaml`运行``qrun``，如下所示。
cd examples # 避免在包含`qlib`的目录下运行程序 qrun benchmarks/LightGBM/workflow_config_lightgbm.yaml
- 工作流结果
``qrun``的结果如下，这也是``预测模型(alpha)``的典型结果。有关结果的更多详细信息，请参考`日内交易 <../component/backtest.html>`_。
risk excess_return_without_cost mean 0.000605 std 0.005481 annualized_return 0.152373 information_ratio 1.751319 max_drawdown -0.059055 excess_return_with_cost mean 0.000410 std 0.005478 annualized_return 0.103265 information_ratio 1.187411 max_drawdown -0.075024
要了解更多关于`工作流`和`qrun`的信息，请参考`工作流：工作流管理 <../component/workflow.html>`_。
- 图形化报告分析：
- 使用Jupyter Notebook运行``examples/workflow_by_code.ipynb``
用户可以通过运行``examples/workflow_by_code.ipynb``进行投资组合分析或预测分数（模型预测）分析。
- 图形化报告
用户可以获得关于分析的图形化报告，详情请参考`分析：评估与结果分析 <../component/report.html>`_。
自定义模型集成
``Qlib``提供了一批模型（如``lightGBM``和``MLP``模型）作为``预测模型``的示例。除了默认模型外，用户还可以将自己的自定义模型集成到``Qlib``中。如果用户对自定义模型感兴趣，请参考`自定义模型集成 <../start/integration.html>`_。