qlib熟练使用后如何进阶？tests和examples

百天计划第21天，关于“智能量化，财富自由，个人成长感悟”。

本月的核心重点，让qlib成为智能量化平台的基础框架。

qlib有为金融量化定制的数据库，因子表达式，策略集，回测系统，高频交易支持等。

Qlib的一些高级功能：在线任务、高频投资、财务数据库

基于qlib框架的“AI+”的典型架构

01 qlib的测试用例

qlib的框架松散，让我们集成调用很方便。

它还有良好的测试用例，测试用例是一开始学习框架非常好的示例。

从用例中可以看出作者的设计思路，从更低的层次看代码细节。

在源代码根目录的tests目录可以看到测试用例集合：

从沪深300的股票集合里读取收盘价，按天分组分析统计信息：

close_p = D.features(D.instruments("csi300"), ["$close"])
size = close_p.groupby("datetime").size()
cnt = close_p.groupby("datetime").count()["$close"]
size_desc = size.describe(percentiles=np.arange(0.1, 1.0, 0.1))
cnt_desc = cnt.describe(percentiles=np.arange(0.1, 1.0, 0.1))

print(size_desc)
print(cnt_desc)

self.assertLessEqual(size_desc.loc["max"], 305, "Excessive number of CSI300 constituent stocks")

分析沪深300收盘价的收益率：

def testClose(self):
    close_p = D.features(D.instruments("csi300"), ["Ref($close, 1)/$close - 1"])
    close_desc = close_p.describe(percentiles=np.arange(0.1, 1.0, 0.1))
    print(close_desc)
    self.assertLessEqual(abs(close_desc.loc["90%"][0]), 0.1, "Close value is abnormal")

文档里一直没有体现，但代码和测试用例里都有体现“强化学习”。

个人一直认为传统机器学习不太适合交易，而强化学习这种多轮博弈，总体最优的范式与围棋、交易更加契合，qlib的强化学习的支持还是非常值得期待的。

把测试用例好好跑一遍，对qlib代码很多细节都可以得到掌握。

02 qlib的示例代码examples

示例里大量的基准模型，基本把前沿的模型都搞一轮：

03 成长感悟

前段时间高考放榜，很多寒门贵子的视频，文章在自媒体传播。

很感人，很励志，很欣慰。

毕竟这几乎是唯一通往大山，离开贫穷的一条路。

但是，上了985|221，甚至是清华北大，固然可喜可贺，不过这不过是万里长征的第一步。

阶层的固化，不止在于财富，还有认知。

“穷爸爸”不能给予财富，更无法给出财富认知。—好好学习，将来找个好工作。—恐怕是我们听得最多的一句话。

上了大学，还埋头功课，生怕其他活动会影响自己的学习。学习没什么不好，但只有成绩，恐怕对于进入社会无益。

软技能：

海量阅读习惯，写作能力，演讲能力。

如何海量阅读，构建认知体系。

写作倒逼输入，并建立与外界的有效连接。

硬技能：编程技能，销售技能等等。

如何把一件事情做成？

趋势的判断力，如马云之于互联网，张一鸣之于移动互联网，李笑来之于比特币。

高效的执行力。

李笑来写书，两本畅销书。

张一鸣是连续创业者，王兴九败一胜创美团。

过去30年，国家经济高速发展，房价暴涨。

互联网创富。

我们赶上了多少呢？为何？格局！

我们总是盯着工作和生活中的一亩三分地，而且还没有看清楚。

少数看到大机会的人，看到了也未必有执行力。

抖音、头条、拼多多。

要思考，认知到位。

要行动，重在执行。

建立社群圈子，需要有人带。

交际的本质是价值交换，还得自己有价值。

而后强强联手。

总结：

一、qlib的进阶，可以通过tests和examples往细节去。

二、阶层固化的不止是财富，还有关于财富的认知。突围需要从认知开始，并贯穿强执行力。

三、做时间的朋友，长期主义，海量阅读去建立认知体系，而且躬身入局！