3. Qlib平台概览

在正式动手写第一行量化策略之前，必须先建立对 Qlib 的整体认知。很多初学者拿到 Qlib 后直接复制示例代码跑通，却说不清数据从哪来、模型在哪训练、信号如何变成订单，一旦需要替换因子或接入自有数据就无从下手。本节从架构视角拆解 Qlib，帮助你形成一张可复用的“平台地图”。

一、核心原理：分层解耦的量化工作流

Qlib 的设计哲学是把量化研究拆成职责清晰的若干层，每层只暴露标准接口，层与层之间通过约定好的数据结构通信。这样做的直接好处是：你可以只替换模型层而保留数据层，也可以只改策略层而沿用已有模型，无需推倒重来。

整体上，Qlib 可划分为五个层次，外加一个贯穿全局的工作流引擎：

• 数据层（Data Layer）：负责原始行情、财务数据的存储、表达式计算与高效读取，核心是 DataHandler 与表达式引擎。
• 模型层（Model Layer）：封装从线性模型到深度学习的各类预测器，统一 fit / predict 接口。
• 策略层（Strategy Layer）：把模型输出的预测分数转化为具体的目标持仓或交易信号。
• 执行层（Execution Layer）：模拟或对接真实交易，处理成交、滑点、手续费与仓位约束。
• 工作流引擎（Workflow）：以 qrun 和 YAML 配置为入口，把上述各层编排成可复现的端到端流程。

二、方法流程：一次完整运行的数据流

下面这张图展示了从原始数据到回测结果的完整链路，是理解 Qlib 架构最直观的方式：

对应到实际代码，一次典型运行由 YAML 配置驱动，核心字段如下：

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: 2015-01-01
    end_time: 2021-12-31
    fit_start_time: 2015-01-01
    fit_end_time: 2018-12-31
    instruments: *market

task:
    model:
        class: LGBModel
        module_path: qlib.contrib.model.gbdt
    dataset:
        class: DatasetH
        kwargs:
            handler:
                class: Alpha158
                kwargs: *data_handler_config
    record:
        class: SignalRecord

执行 qrun workflow_config.yaml 后，Qlib 会依次完成数据加载、特征计算、模型训练、信号生成、策略决策与回测记录，最终输出收益曲线与风险指标。

三、核心模块速查表

四、案例场景：替换模型层验证架构解耦

假设你已用 LGBModel 跑通基线，现在想换成线性模型对比效果。得益于分层设计，你只需修改 YAML 中 model 一段：

model:
    class: LinearModel
    module_path: qlib.contrib.model.linear
    kwargs:
        estimator: Ridge
        alpha: 0.05

数据层、策略层、执行层配置完全不动，重新执行 qrun 即可得到新结果。这正是 Qlib 架构价值的体现：变更被限制在单层内部，实验成本大幅降低。

五、常见误区与复盘

• 误区一：把 Qlib 当成单一模型库。实际上模型只是其中一层，忽略数据层与执行层会导致回测结果严重失真。
• 误区二：忽视数据层的时间对齐。特征计算若引入未来信息，模型指标会虚高，务必确认 fit_end_time 与回测区间严格分离。
• 误区三：跳过执行层直接看预测分数。预测准确率高不等于策略盈利，滑点与手续费会显著侵蚀收益。
• 误区四：不用工作流引擎，手写脚本串联。短期看似灵活，长期难以复现，实验管理会迅速失控。