2020年底，微軟亞洲研究院正式發布了 AI 量化投資開源平臺“微礦 Qlib”，這是微軟亞洲研究院成立“創新匯”三年以來，在與金融行業的成員企業合作研究的基礎之上，打造的 AI+金融跨界創新的階段性重要成果，通過創建一個通用的技術平臺，幫助實作量化投資流程的 AI 倍訓，

Qlib 涵蓋了量化投資的全程序，為用戶的 AI 演算法提供了高性能的底層基礎架構，從框架設計上讓用戶可以更容易地應用 AI 演算法來輔助解決量化投資的各個關鍵問題（例如 Alpha 預測，風險預測，市場動態性建模），

對于金融從業者來說，Qlib 平臺大大降低了使用 AI 演算法的門檻，其內部集成了十幾個 AI 演算法在金融場景下的使用樣例以供參考，并且為整個金融行業提供了一個適應 AI 演算法的高性能基礎設施和資料、模型管理平臺，而對于 AI 從業者來說，Qlib 則提供了一個完備的投資研究框架，以及基于領域知識設計的多個跨市場的資料集和業內領先的基準，

專為AI而生的量化投資平臺

與傳統量化投資工具不同，Qlib 覆寫了量化投資的全程序，而且從底層構造開始就專為 AI 而生，從資料處理到計算力支撐，再到模型的訓練與驗證，都為基于 AI 的量化投資提供了全方位的框架支持，用戶可以通過 Qlib 平臺提供的多個工具模塊，更加輕松地管理和使用自己的演算法，特別是其 AI 演算法，Qlib 的三大特點：

涵蓋量化投資全流程

從 Qlib 的功能模塊圖我們便可一窺全貌，

Qlib 平臺功能模塊

最底層的是基礎架構層（Infrastructure），Qlib 的資料服務模塊（Data Server）提供了高性能的資料存盤設計，讓 AI 演算法可以更快地處理更多金融資料，訓練模塊（Trainer）則為 AI 演算法提供了靈活的介面來定義訓練模型的程序，讓 Auto-ML 等演算法成為可能，也為分布式訓練提供了介面，而模型管理模塊（Model Manager）可以讓用戶更好地管理繁多的 AI 模型，更快地迭代其 AI 演算法，

中間層是量化投資流程（Workflow），資訊抽取模塊（Information Extractor）負責從異構資料中提取有效的資訊，因為用 AI 進行投資分析資料是關鍵，盡管金融行業有一定的資料基礎，但 AI 模型可以直接使用的高質量資料仍然十分有限，所以這就需要更多精細化處理和資訊抽取，之后，預測模型（Forecast Model）會輸入抽取的資訊，輸出可供金融專家參考的未來收益、風險等等預測，然而預測模型需要依靠底層海量資料才能訓練出精準、有效的預測模型，而投資組合生成模塊（Portfolio Generator）則能根據預測得到 Alpha 信號和風險信號輔助生成投資策略組合，訂單執行模塊（Order Executor）是投資的最后一步——交易執行，幫助用戶判斷何時下單也是一門藝術，

在量化投資中，幾乎不可能有一個模型在全時段都一直保持卓越的表現，所以對市場動態性建模，以及在不同時期適時地調整模型、策略、執行也是一個非常重要的課題，Qlib 中元控制器模塊 (Meta Controller) 的設計正是要支持這類問題的研究，實時提供精準的參考資訊和方案，輔助用戶進行操作，

最上層是互動層（Interface），其中，分析模塊（Analyzer）會根據下層的預測信號、倉位、執行結果做出詳細的分析并呈現給用戶，

事實上，傳統量化投資開源平臺的誕生大多早于 AI 和機器學習的興起，更偏重于量化投資的回測、分析或執行方面的功能，不少平臺只包含其中的某些部分，而 Qlib 所提供的資料處理、模型訓練、投資組合生成等部分都是其特有的能力，Qlib 完整的投資流程框架不僅讓分析人員可以擁有更加整體的視角，而且工具齊全，需要什么都可以信手拈來，

資料、演算法和算力，聚齊AI三大要素

由于 AI 技術是最近幾年才開始進入投資研究領域的，傳統的量化投資幾乎沒有采用 AI 技術，只需應對傳統演算法，所以基于 AI 的量化投資平臺自然需要提供更強大的底層架構和介面支持，因此，Qlib 提供了一個高性能的基礎平臺，從算力支撐到資料存取，都能夠滿足金融 AI 對于性能的高級別要求，

在資料層面，Qlib 提供了基于領域知識設計的多個跨市場的資料集，其資料服務模塊中內含了為金融資料專門設計的運算式計算引擎，對金融資料和運算進行了存盤和計算優化，相比傳統 IT 平臺，Qlib 的計算性能要快數十倍，可以讓用戶的 AI 模型更輕松地駕馭更多的資料，在資料的使用方面，AI 模型與傳統模式也有很大不同，傳統量化投資的資訊抽取依賴于金融行業研究員根據經驗和領域知識實作的因子，但 AI 演算法則有能力自動從資料中抽取資訊，對此，Qlib 的資料管理框架未來會滿足 AI 模型所特有的使用方式，

在演算法與模型層面，Qlib 目前內置了常見的金融 AI 模型(例如 LightGBM、GRU、GATs 等十幾個模型)，用戶可以基于平臺和自己的資料甚至是參考的最新的外部論文去創建全新的模型，挖掘差異化的投資因子，針對不同的資料和目標訓練相應的預測模型并構建自己的投資組合，如果用戶愿意分享自己的模型，也可以開源到 Qlib 平臺，與更多業內人士共享，

值得一提的是，模型管理也是 Qlib 特有的部分，由于管理程序中會涉及模型眾多、引數復雜、資料海量、管理追蹤難/復現難等問題，Qlib 提供了專門的模型管理器模塊（Model Manager）幫助用戶更加系統化地管理自己的 AI 模型，只有管理有序，才能在需要的時候找到最適合的模型，提高預測分析的效率和準確率，

Qlib 支持的資料集和 AI 模型（持續更新中）, 點擊以下鏈接，一鍵“跑遍”所有模型https://github.com/Microsoft/qlib/blob/main/examples/run_all_model.py

所有模塊均可靈活配置

投資研究是一個復雜的程序，其中的每個環節實際上都可以獨立出來作為一個單獨的研究課題，所以，Qlib 在框架構建之初就考慮到了研究程序的靈活性，不能將流程固化，框架中的各個模塊分則各具特點，合則渾然一體，這樣研究人員就可以根據自己的作業流將不同的模塊組合，靈活配置架構，

隔行如隔山？在Qlib這里不存在

人們常說，術業有專攻，隔行如隔山，但在 Qlib，行業區隔不再是難題，因為無論是金融從業者還是 AI 從業人員都可以從中找到自己的所需，

AI 技術人員最擅長的是“調參煉丹”，讓他們來做金融投資分析，首先需要學習金融領域的知識，但從何學起很有講究，如果方法不當，會額外耗費很多精力，Qlib 在每個模塊中都預置了一系列相關問題、金融領域資料處理知識以及完備的投資研究框架，例如，在最常見的選股場景中，非金融專業人員很可能一開始就會選擇大盤的漲跌進行研究，但這是行業內非常困難的一個問題，無疑會給研究程序帶來極大的挑戰，而 Qlib 會基于框架分類設定步驟，AI 技術人員只需根據樣例就能循序漸進地切入到金融領域，避免走彎路，

另一方面，對于傳統金融從業者來說，盡管他們十分熟悉量化投資的流程，但卻不清楚應該在哪個環節、引入哪項 AI 技識訓哪個演算法，因此，Qlib 平臺將相關問題拆分，并在每一步和每個模塊中提供了簡單易學的 AI 技術、資料引入的方法，以及模型的訓練方式，大大降低了 AI 使用的專業門檻，Qlib 還提供了很多現成的例子、模型供相關人員參考，隨著更多用戶愿意在 Qlib 平臺上開源自己的模型演算法，今后將會有越來越多的用戶從中受益，

此外，Qlib 也正在逐步成為學術界科研人員的有力工具，Qlib 提供了大量的公開資料集、業界基準和相對統一的評價指標，有助于研究人員在測驗新演算法時省去不必要的、與核心作業無關的作業而專心于研究任務，同時也能夠幫助研究人員定義合理的學術研究問題，

Qlib 平臺開源僅一個月多，目前已經在 Github 上獲得了近700顆星的好評，并得到了社區成員和用戶的積極反饋，現在 Qlib 的更新非常活躍，未來還將有更多功能開放出來，歡迎大家關注、使用 Qlib 平臺：https://github.com/microsoft/qlib，希望通過基于 Qlib 平臺更多的交流和分享，可以助力投資領域形成更大規模的良性回圈，

掃描下方二維碼，或點擊 https://github.com/microsoft/qlib，了解更多Qlib細節，