Qlib-巨人級的AI量化投資平台

  • Post author:
  • Reading time:2 mins read

常有人詢問FinLab如何取得AI量化交易學習資源以持續精進?
除了 Google Scholar 看論文,Github 更是寶庫,下對關鍵字 ( ex:algorithmic-trading,quantitative-trading ),找對開源者能站在巨人的肩膀上,節省開發的時間並發現新世界。
今天來介紹科技巨頭「微軟」佛心開源的 Python AI 導向的量化投資框架~Qlib (Github),從資料流(美、中股市)、建模流程、策略風控數據分析應有盡有,一條龍處理量化投資的工作。

截圖 2022 06 10 下午12.44.18

Qlib 特色

AI 演算法模型

Qlib 最有價值的地方在降低了使用 AI 演算法的門檻,目前套件有十幾個AI演算法在股票交易下的應用範例,許多都是新穎的演算法,內容深度高。模型程式都已模組化,只要調整資料格式和參數。
不少Self-attention的架構,乾貨滿滿,像是TRA (Temporal Routing Adaptor) 將LSTM做延伸,讓模型去學習多策略風格,捕捉近期市場主流門派。

Github上除了提供程式碼,也附上相關paper在qlib/examples/benchmarks中,資源整理的很充分,供開發者參考,除了輕鬆 Fork外,也可以精進演算法內涵。

特徵資料集

AI 訓練的第一步是準備特徵資料集,要生成好的特徵並沒想像容易。可能䢎開發者多為中國人有關,Qlib 基於中國股市 (滬深300) 建構 Alpha360 and Alpha158 兩種資料集範例,可參考官方程式來生成特徵集。

Workflow 架構

workflow layer處理模型的訓練與回測過程,尋找獲利因子Alpha和風險因子,之後進入資產配置、選股、下單的決策階段。
另一個好用的是的Recoder流程管理器,用來管理與儲存紀錄模型的訓練過程、結果。AI模型有時訓練時間長,不能及時的看到結果,有時還有其他原因中斷訓練,那此時可使用Recoder恢復並繼續之前的訓練,不需要從頭開始。

結論

Qlib Framework 架構值得 作為 FinLab 下一代的開發參考,尤其是ML WorkFlow 的部分是目前FinLab平台比較欠缺的,或是將台股資料應用到 Qlib 模型也值得來整合。

一個好的repo,除了 Star 和 Fork 數,commit history 也是指標,更新頻率看起來有積極維護,持續補充新的模型和技術進來,值得追蹤~

相關文章  AI讀書心得:人工智慧在台灣 - 產業轉型的契機與挑戰

Ben

Python 軟體工程師與量化策略研究員。 鑽研資料工程、網頁後端、資料視覺化、量化交易策略開發。 投資主力在台股市場,量化策略為主、質化分析為輔,追求人機攜做最佳化。逐步將觸角延伸到總經、美股、加密貨幣,朝更全方位的交易人邁進。

發表你的看法,與我們一同交流!