📚 课程目录第1章课程导入

1. 课程导入

欢迎进入《Qlib实验管理与信号评估实战》。在量化研究里，真正拉开差距的往往不是某个模型结构，而是实验是否可复现、信号是否被正确评估。很多团队能跑通一次回测，却无法回答三个关键问题：这次收益来自哪个因子？换一组参数结果是否稳定？同样的信号在不同股票池、不同时间段是否依然有效？本课程的目标，就是围绕 Qlib 建立一套可管理、可比较、可复盘的实验与评估体系。

一、学习目标：从“能跑”到“可解释、可复现、可迭代”

本课程不是单纯讲 Qlib 的 API 用法，而是把 Qlib 当作量化实验的操作系统。学完之后，你应当具备以下能力：

实验管理能力：能够用 Qlib 的 workflow、配置文件和记录机制，把数据、模型、训练、预测、回测串成一条可复现流水线。
信号评估能力：理解 IC、Rank IC、ICIR、分组收益、换手率、回测指标之间的区别，知道什么信号值得继续投入。
对比分析能力：能够设计 A/B 实验，控制变量，比较不同模型、不同特征、不同标签构造对最终信号的影响。
工程落地能力：能够把实验中的最佳配置沉淀为可重复运行的脚本或配置，而不是停留在 Notebook 的一次性结果。

核心判断标准：一个量化实验是否合格，不取决于单次回测收益有多高，而取决于别人能否用同样的配置复现你的结果，以及你是否能解释收益来源与风险暴露。

二、核心概念：实验、信号与评估的三层关系

在 Qlib 中，实验管理、信号生成和信号评估并不是三个孤立环节，而是一条链。数据层提供行情与特征，模型层产出预测分数，信号层把预测分数转化为可交易信号，评估层则判断这个信号是否具备统计显著性和经济意义。

层级	核心对象	关键问题	常见产出
数据与特征层	行情、因子、标签	数据是否干净？标签是否未来函数？	特征矩阵、标签序列
模型与实验层	模型、超参数、训练配置	实验是否可复现？变量是否受控？	模型文件、预测分数、实验记录
信号与评估层	信号、组合、回测	信号是否稳定？收益是否来自风险暴露？	IC 报告、分组收益、回测曲线

其中，信号评估是最容易被低估的一环。很多人只盯着年化收益，却忽略了 IC 的稳定性、分组单调性和换手率。一个高收益但高换手的信号，在扣除交易成本后可能迅速衰减；一个 IC 很高但只集中在少数股票上的信号，也可能只是过拟合。

三、整体框架：Qlib 实验管理与信号评估的闭环

Qlib 的实验管理可以理解为一个闭环：配置驱动 → 数据准备 → 模型训练 → 预测打分 → 信号评估 → 结果记录 → 迭代优化。这个闭环的关键在于配置与记录。Qlib 通过 YAML 配置和 workflow 把实验参数固化下来，使得每次运行都有迹可循。

# 典型 Qlib 实验配置结构（示意）
qlib_init:
    provider_uri: "~/.qlib/qlib_data/cn_data"
    region: cn

market: &market csi300
benchmark: &benchmark SH000300

data_handler_config: &data_handler_config
    start_time: 2018-01-01
    end_time: 2022-12-31
    fit_start_time: 2018-01-01
    fit_end_time: 2020-12-31
    instruments: *market

task:
    model:
        class: LGBModel
        module_path: qlib.contrib.model.gbdt
        kwargs:
            loss: mse
            learning_rate: 0.05
    dataset:
        class: DatasetH
        module_path: qlib.data.dataset
        kwargs:
            handler:
                class: Alpha158
                module_path: qlib.contrib.data.handler
                kwargs: *data_handler_config
            segments:
                train: [2018-01-01, 2020-12-31]
                valid: [2021-01-01, 2021-06-30]
                test: [2021-07-01, 2022-12-31]
    record:
        - class: SignalRecord
          module_path: qlib.workflow.record_temp
        - class: SigAnaRecord
          module_path: qlib.workflow.record_temp

这段配置体现了 Qlib 实验管理的核心思想：把数据区间、模型参数、训练/验证/测试切分、记录器全部显式声明。当你需要比较两个模型时，只需替换 model 部分，其余保持不变，实验就具备了可比性。

建议在实验初期就固定 benchmark、股票池和时间切分。否则后续所有对比都会失去意义，因为你无法判断差异来自模型还是来自数据划分。

四、实战路线图：从第一个实验到信号评估报告

本课程的实战路线分为四个阶段，每个阶段都对应可交付成果：

环境与数据准备：安装 Qlib，下载或接入行情数据，确认数据字段和交易日历正确。
第一个可复现实验：使用 Alpha158 特征和 LightGBM 模型，跑通训练、预测、回测全流程，并生成实验记录。
信号评估体系：计算 IC、Rank IC、ICIR，绘制分组收益曲线，分析换手率和回测指标。
对比与迭代：设计 A/B 实验，比较不同模型或特征组合，沉淀最佳配置并形成评估报告。

下面是一个典型的信号评估命令示例，用于在 Qlib 中生成分析记录：

# 运行实验并生成信号分析记录
python -m qlib.workflow.cli run --config experiment_config.yaml

# 查看实验记录
python -m qlib.workflow.cli info --experiment_name my_first_experiment

# 输出 IC、Rank IC 等指标（示意日志）
Signal Analysis:
    IC:      0.042
    Rank IC: 0.051
    ICIR:    0.38
    Rank ICIR: 0.45

五、常见误区与复盘思路

在进入正式实验之前，先了解几个高频误区，可以少走很多弯路：

误区一：只看收益，不看风险调整。年化 30% 但最大回撤 40% 的信号，未必优于年化 15% 但回撤 10% 的信号。
误区二：忽略交易成本。高换手信号在扣费后可能完全失效，评估时必须加入成本假设。
误区三：用测试集调参。测试集一旦参与调参，就不再是测试集，评估结果会严重高估。
误区四：实验不可复现。没有固定随机种子、没有记录配置、没有保存模型，结果无法追溯。

复盘时优先问三个问题：第一，信号在样本外是否依然有效？第二，收益是否集中在少数交易日或少数股票？第三，换手率和成本假设是否合理？如果这三个问题答不清楚，再高的回测收益也不应直接采信。

本章的核心任务是建立全局认知：Qlib 实验管理解决的是“可复现”问题，信号评估解决的是“可信度”问题，两者结合才能形成可持续迭代的量化研究流程。接下来，我们将从环境搭建和数据准备开始，逐步把这套框架落到真实代码与实验中。