microsoft/qlib

:newspaper: 새로운 소식!   :sparkling_heart:

최근 출시된 기능

<a href="https://github.com/microsoft/RD-Agent"><img src="docs/static/img/rdagentlogo.png" alt="RD_Agent" style="height: 2em"></a> 소개: 산업 데이터 기반 R&D를 위한 LLM 기반 자율 진화 에이전트

RD-Agent📢의 출시를 발표하게 되어 기쁩니다. 이는 퀀트 투자 R&D에서 자동화된 팩터 마이닝과 모델 최적화를 지원하는 강력한 도구입니다.

RD-Agent는 이제 GitHub에서 사용할 수 있으며, 여러분의 스타🌟를 환영합니다!

자세한 내용은 RD-Agent 저장소를 방문해 주세요. 여러분을 위해 몇 가지 공개 데모 비디오를 준비했습니다:

| -- | ------ | ------ |

| 보고서 기반 퀀트 팩터 마이닝 | YouTube | YouTube |

• 📃논문: R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization
• 👾코드: https://github.com/microsoft/RD-Agent/

@misc{li2025rdagentquant,
    title={R\&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization},
    author={Yuante Li and Xu Yang and Xiao Yang and Minrui Xu and Xisen Wang and Weiqing Liu and Jiang Bian},
    year={2025},
    eprint={2505.15155},
    archivePrefix={arXiv},
    primaryClass={cs.AI}
}

!image

| -- | ------ |

| BPQP for End-to-end learning | 📈곧 출시!(검토 중) |

| KRNN 및 Sandwich 모델 | :chartwithupwards_trend: 2023년 5월 26일 출시됨 |

| RL 학습 프레임워크 | :hammer: :chartwithupwards_trend: 2022년 11월 10일 출시됨. #1332, #1322, #1316,#1299,#1263, #1244, #1169, #1125, #1076|

| Qlib 노트북 튜토리얼 | 📖 2022년 4월 7일 출시됨 |

| Point-in-Time 데이터베이스 | :hammer: 2022년 3월 10일 출시됨 |

| 메타러닝 기반 프레임워크 및 DDG-DA | :chartwithupwards_trend: :hammer: 2022년 1월 10일 출시됨 |

| Qlib v0.8.0 출시 | :octocat: 2021년 12월 8일 출시됨 |

| ADARNN 모델 | :chartwithupwards_trend: 2021년 11월 14일 출시됨 |

| 중첩 의사 결정 프레임워크 | :hammer: 2021년 10월 1일 출시됨. 예제 및 문서 |

| Transformer 및 Localformer | :chartwithupwards_trend: 2021년 7월 22일 출시됨 |

| TCTS 모델 | :chartwithupwards_trend: 2021년 7월 1일 출시됨 |

| DoubleEnsemble 모델 | :chartwithupwards_trend: 2021년 3월 2일 출시됨 |

| 고빈도 트레이딩 예제 | :chartwithupwards_trend: 2021년 1월 28일 코드 일부 출시됨 |

| Tabnet 모델 | :chartwithupwards_trend: 2021년 1월 22일 출시됨 |

2021년 이전에 출시된 기능은 여기에 나열되지 않았습니다.

<p align="center"> <img src="docs/_static/img/logo/1.png" /> </p>

Qlib는 오픈 소스, AI 중심의 퀀트 투자 플랫폼으로, 아이디어 탐색부터 프로덕션 구현까지 AI 기술을 활용하여 퀀트 투자에서 잠재력을 실현하고 연구를 강화하며 가치를 창출하는 것을 목표로 합니다. Qlib는 지도 학습, 시장 역학 모델링, 강화 학습을 포함한 다양한 머신러닝 모델링 패러다임을 지원합니다.

다양한 패러다임의 점점 더 많은 SOTA 퀀트 연구 작업/논문이 Qlib에서 출시되어 퀀트 투자의 주요 과제를 협력적으로 해결하고 있습니다. 예를 들어, 1) 풍부하고 이질적인 금융 데이터에서 시장의 복잡한 비선형 패턴을 마이닝하기 위해 지도 학습을 사용하고, 2) 적응형 개념 드리프트 기술을 사용하여 금융 시장의 동적 특성을 모델링하고, 3) 강화 학습을 사용하여 연속적인 투자 결정을 모델링하고 투자자가 거래 전략을 최적화하도록 지원합니다.

데이터 처리, 모델 훈련, 백테스팅의 전체 ML 파이프라인을 포함하며, 알파 탐색, 위험 모델링, 포트폴리오 최적화, 주문 실행의 전체 퀀트 투자 체인을 다룹니다. 자세한 내용은 논문 "Qlib: An AI-oriented Quantitative Investment Platform"을 참조하십시오.

<table> <tbody> <tr> <th>프레임워크, 튜토리얼, 데이터 및 DevOps</th> <th>퀀트 연구의 주요 과제 및 솔루션</th> </tr> <tr> <td> <li><a href="#plans"><strong>계획</strong></a></li> <li><a href="#framework-of-qlib">Qlib 프레임워크</a></li> <li><a href="#quick-start">빠른 시작</a></li> <ul dir="auto"> <li type="circle"><a href="#installation">설치</a> </li> <li type="circle"><a href="#data-preparation">데이터 준비</a></li> <li type="circle"><a href="#auto-quant-research-workflow">자동 퀀트 연구 워크플로</a></li> <li type="circle"><a href="#building-customized-quant-research-workflow-by-code">코드로 맞춤형 퀀트 연구 워크플로 구축</a></li></ul> <li><a href="#quant-dataset-zoo"><strong>퀀트 데이터셋 Zoo</strong></a></li> <li><a href="#learning-framework">학습 프레임워크</a></li> <li><a href="#more-about-qlib">Qlib에 대해 더 알아보기</a></li> <li><a href="#offline-mode-and-online-mode">오프라인 모드 및 온라인 모드</a> <ul> <li type="circle"><a href="#performance-of-qlib-data-server">Qlib 데이터 서버 성능</a></li></ul> <li><a href="#related-reports">관련 보고서</a></li> <li><a href="#contact-us">문의하기</a></li> <li><a href="#contributing">기여하기</a></li> </td> <td valign="baseline"> <li><a href="#main-challenges--solutions-in-quant-research">퀀트 연구의 주요 과제 및 솔루션</a> <ul> <li type="circle"><a href="#forecasting-finding-valuable-signalspatterns">예측: 가치 있는 신호/패턴 찾기</a> <ul> <li type="disc"><a href="#quant-model-paper-zoo"><strong>퀀트 모델 (논문) Zoo</strong></a> <ul> <li type="circle"><a href="#run-a-single-model">단일 모델 실행</a></li> <li type="circle"><a href="#run-multiple-models">여러 모델 실행</a></li> </ul> </li> </ul> </li> <li type="circle"><a href="#adapting-to-market-dynamics">시장 역학에 적응</a></li> <li type="circle"><a href="#reinforcement-learning-modeling-continuous-decisions">강화 학습: 연속적인 결정 모델링</a></li> </ul> </li> </td> </tr> </tbody> </table>

계획

개발 중인 새로운 기능 (예상 출시일 순). 기능에 대한 여러분의 피드백은 매우 중요합니다. <!-- | 기능 | 상태 | --> <!-- | -- | ------ | -->

Qlib 프레임워크

<div style="align: center"> <img src="docs/_static/img/framework-abstract.jpg" /> </div>

Qlib의 상위 수준 프레임워크는 위에서 확인할 수 있습니다(세부 사항을 살펴보면 Qlib 설계의 상세 프레임워크를 찾을 수 있습니다). 구성 요소는 느슨하게 결합된 모듈로 설계되었으며, 각 구성 요소는 독립적으로 사용할 수 있습니다.

Qlib는 퀀트 연구를 지원하는 강력한 인프라를 제공합니다. 데이터는 항상 중요한 부분입니다. 강력한 학습 프레임워크는 다양한 학습 패러다임(예: 강화 학습, 지도 학습)과 다양한 수준의 패턴(예: 시장 동적 모델링)을 지원하도록 설계되었습니다. 시장을 모델링함으로써 트레이딩 전략은 실행될 거래 결정을 생성합니다. 여러 트레이딩 전략과 실행기는 다양한 수준 또는 세분성에서 중첩되어 최적화되고 함께 실행될 수 있습니다. 마지막으로 포괄적인 분석이 제공되며, 모델은 낮은 비용으로 온라인 서빙될 수 있습니다.

빠른 시작

1. Qlib를 사용하여 완전한 퀀트 연구 워크플로를 구축하고 아이디어를 시도하는 것이 매우 쉽습니다.
2. 공개 데이터와 간단한 모델을 사용하더라도 머신러닝

이 빠른 시작 가이드는 다음을 보여주기 위해 작성되었습니다.